写在前面

美团配送自成立以来,业务经历了多次跨越式的发展。业务的飞速增长,对系统的整体架构和基础设施提出了越来越高的要求,同时也不断驱动着技术团队深刻理解业务、准确定位领域模型、高效支撑系统扩展。如何在业务高速增长、可用性越来越高的背景下实现系统架构的快速有效升级?如何保证复杂业务下的研发效率与质量?本文将为大家介绍美团配送的一些思考与实践。

配送业务

从物流到同城即时配送

物流行业的发展离不开商业的发展,近些年,商业的变革为物流发展创造了新的机会。电商的兴起有效带动了快递行业的飞速发展,直接造就了顺丰、四通一达这样的快递公司。而近年来O2O商业模式的兴起,尤其是外卖、生鲜等到家场景的发展促进了同城即时配送的快速发展。

与物流领域下的其他分支不同,同城即时配送具有如下特点:

  • 时效快:美团外卖平均送达时间28min。
  • 距离短:配送距离多数为3~5km范围,较大的扩展到同城范围。
  • 随机性强:取货点、交付点具有时间与空间的随机性,预测与规划难度相对较高。

同城即时配送业务的发展契机

行业的流程再造一般离不开两个因素:

  • 内因:技术或基础设施取得重大突破
  • 外因:用户消费升级或市场发生重大变化

技术方面,AI与大数据的应用逐步普及,基于人工智能可以对配送难度、ETA、骑手能力精确评估。GPS的快速发展与GIS厂商能力的不断开放,使得基于LBS的应用大大降低了开发成本。基础设施方面,得益于国家的持续投入,移动网络的质量不断提升,成本逐年下降,也间接促使智能手机几乎实现了全民覆盖。

市场方面,由于中国人口具有超大规模性的特点,人群聚集度高,外卖等到家场景在各大城市尤其是一线城市的需求持续增强。用户对于外卖的安全、时效、配送员的服装、礼貌用语等都有更高的要求。

在这两个因素的共同作用下,促成了同城即时配送行业的发展。而对于同城即时配送业务而言,履约能力与运营效率是研发团队要重点解决的两个问题:

  1. 履约能力保证:实现平台对运单调度的实时把控,具备供需调控能力。
  2. 运营效率提升:加强对配送骑手的管控能力,提升配送全业务的运营效率,持续降低成本。

技术挑战

美团配送系统的本质——机器与海量骑手协作,服务于全国用户和商家的大规模协作系统。技术的挑战本质上源于业务的痛点,具体体现为线上的强履约能力要求与线下的强运营能力要求。技术上的挑战也同样来源于线上和线下两个方面:

  • 线上履约的SLA要求更高。配送业务需要兼顾用户、商家、骑手三端利益,任何一次宕机的影响都可能是灾难性的。如果体验不好,用户会说,为什么我付了钱,却还饿肚子?商家会说,这是因为出了餐没人取;但是对骑手来说,会觉得自己付出了时间与劳动,却没有获得足够的收益。
  • 线下的业务复杂性更高。多条业务线管理模式不同,对于如何兼顾系统在共性和差异化上有很大挑战。

系统架构演进

美团配送系统架构的演进过程可以分为三个阶段:

  1. MVP阶段:业务模式探索,快速试错,如何具备快速迭代能力。
  2. 规模化阶段:业务成指数级增长,如何既保证业务发展,又解决系统可用性、扩展性、研发效率等问题。
  3. 精细化阶段:业务模式逐步成熟,运营逐步精细化,如何通过产品技术创新驱动业务发展。

MVP阶段

试错阶段,需要快速探索业务模式到底是不是一个方向,这个阶段不要期望很多事情都想得很清楚,用户和市场会快速反馈结果。所以,对于技术团队而言,这个阶段最主要的能力是快。抢夺市场,唯快不破。

从系统架构角度,MVP阶段只需要做粗粒拆解,我们按照人、财、物三大领域将系统做了初步服务划分,以保证后续的业务领域都可以从这三个主领域中分离、继承。

顺便提一下当时团队的组织形式,研发团队按项目制组织,大家共同维护一套系统。当时团队中无QA岗位,由PM、RD共同保证开发质量,一天发布二十几次是常态。

规模化阶段

进入这个阶段,业务和产品已经得到了市场的初步验证,的确找到了正确的方向。同时,业务发展增速也对研发团队的能力提出了更高的要求,因为这个阶段会有大量紧急且重要的事情涌现,且系统可用性、扩展性方面的问题会逐步凸显,如果处理不当,就会导致系统故障频发、研发效率低下等问题,使研发疲于奔命。

这个阶段从架构层面我们重点在思考三个方面的问题:

  • 整体架构应该如何演化?履约系统与运营系统的边界在哪里?
  • 履约系统的可用性如何保证?系统容量如何规划?
  • 运营系统如何解决业务的真正痛点?如何在大量“琐碎需求”下提升研发效率?

解决以上问题的整体思路为化繁为简(理清逻辑关系)、分而治之(专业的人做专业的事)、逐步演进(考虑ROI)。

整体架构设计

在整体架构上,我们将配送系统拆解为履约系统、运营系统和主数据平台。

履约系统(图右上侧)的设计上,首先按照用户侧与骑手侧做了初步划分,这样拆分兼顾了双端角色和调度流程的统一。例如:用户侧更关注发单的成功率与订单状态的一致性,骑手侧则更关注派单效果、推单成功率等,整体上解耦了发单、支付、调度等模块。

运营系统(图左上侧)方面,需求长期多而杂,架构设计上需要先想清楚配送的运营系统应该管什么、不应该管什么。在长期的项目开发中,我们从业务战略与组织架构出发,在明确业务战略目标和阶段策略下,梳理每个业务团队/岗位的核心职责、考核目标、组织之间的协作流程,最终整理出现阶段配送运营管理的中心为四个领域:

  • 经营规划:如何科学地定义目标,并保证目标能够有效达成。
  • 业务管理:如何提升每一个业务管理过程的效率与质量。
  • 骑手运营:骑手是核心资源,一个城市需要多少骑手、骑手分级是否科学、如何调控需要系统性方案。
  • 结算平台:提高钱的效能,是能否做到成本领先的关键。如何把钱用得对、用得准需要长期思考。

除了履约、运营两个系统的架构设计外,架构设计层面还有一个非常关键的问题,即履约、运营系统的边界与职责如何划分的问题。个人理解这个问题可能是O2O类业务在规模化阶段最关键的架构设计问题,如果不能有效解决将为系统的可用性、扩展性埋下巨大隐患。履约、运营两个方向的业务需求和技术职责有较大差异,且多数数据的生产都在运营系统,最核心最关键的应用在履约系统。虽然各自的领域职责是清晰的,但对于具体的需求边界上不见得简单明了。对此,我们借鉴了MDM思路,提出了主数据平台(图下侧)的概念,重点解决履约系统与运营系统的合作与边界问题。

主数据平台

主数据是企业信息系统中最基础的业务单位数据,对于配送而言是组织、岗位、人员、商家、用户、城市等数据。与之对应的是业务数据,例如:订单、考勤、薪资等。主数据有两个最关键的特征:

  1. 基础性:业务数据生长在主数据的维度上,例如:订单数据是用户、商家两个主数据实体下的交易数据
  2. 共享性:各类系统都强依赖于主数据,主数据的变化上游各业务系统需要感知与联动

主数据管理并非一蹴而就,是伴随业务发展逐步迭代的。早期系统较简单,上游系统直接从DB中读取数据并应用。这种方案在系统逐步复杂之后,容易出现多个团队开发互相影响,不利于系统扩展,并且在可用性上有很大风险。为此我们专门成立的主数据的团队,独立拆分了主数据服务,并把所有对于数据的访问收回到服务上。在此基础上,经过不断的迭代和演进,最终我们吸收了CQRS(Command Query Responsibility Segregation)和MDM(Master Data Management)的思想,将整个主数据平台逐步划分成四个部分:

  • 生产系统:负责对数据生产的建模,隔离数据生产对核心模型的影响。例如:骑手入职、组织拆分流程等。
  • 核心模型:挖掘数据实体关系,提升模型能力。例如:一人多岗、双线汇报等。
  • 运力中心:面向履约系统的应用场景支持,将骑手诸多属性抽象为运力模型,并对可用性、吞吐能力着重建设。
  • 管理中心:面向运营系统提供标准化框架,提供信息检索、流程审批、权限控制等场景的统一解决方案。

系统可用性

业务的快速增长对系统的可用性提出越来越高的要求,在方法论层面,我们按照事故发生的时间序列(事前、事中、事后)提出了四大能力建设,即:预防能力诊断能力解决能力规避能力。同时,在具体工作上,我们划分为流程系统两个方面。

可用性建设是一个长期项目。考虑到ROI,起步阶段重点完成事前的流程建设,即上线规范等一系列线上操作流程,这个工作在早期能够规避80%的线上故障。在流程规范跑通并证实有效之后,再逐步通过系统建设提升人效。

容灾能力

容灾能力建设上,首先思考的问题是系统最大的风险点是什么。从管理的角度来看,职责的“灰色地带”通常是系统质量容易出现风险的地方。因此,早期最先做的容灾处理是核心依赖、第三方依赖的降级,优先保证一旦依赖的服务、中间件出现问题,系统自身具备最基本的降级能力。

第二阶段我们提出了端到端的容灾能力。首先,我们建设了业务大盘,定义了实时监控核心业务指标(单量、在线骑手数等),通过这些指标能够快速判断系统是不是出了问题。其次,我们在核心指标上扩展了关键维度(城市、App版本、运营商等),以快速评估问题有多大影响。最后,我们通过Trace系统,将服务间的调用关系与链路级成功率可视化展现,具备了快速定位问题的根因在哪的能力。

第三阶段,我们期望将容灾预案集成到系统中,基于各类事故场景打造定制化、一体化的容灾工具,这样可以进一步缩短故障的响应、处理时间以及研发学习成本。例如,为了进一步提升配送系统的SLA,我们在端到端的容灾能力上深度优化,重点解决了骑手弱网、无网的情况下的端到端交互问题。中国某些地区人群非常密集但移动运营商网络质量较差,会导致骑手到了这个区域后操作App延迟较大甚至无法操作,这对骑手的正常工作有非常大的影响。因此,我们在移动网络链路层面不断加强长连接、多路互备的能力,并将网络的诊断、处理、验证工具一体化,使骑手App的端到端到达率有了进一步的提升。

系统容量

对于一个规模快速增长的业务,系统的容量规划是一个长期命题。容量规划的关键点是评估与扩容。

评估方面,在业务发展早期我们一个架构师就能够完全掌控整个系统,采用静态评估的方式基本可以衡量系统容量。随着系统复杂度逐渐提升,我们逐步引入了Trace、中间件容量监控等工具辅助评估容量,由架构师团队定义容量评估主框架,由各团队细化评估每个子系统的容量。当业务已经变得非常复杂时,没有任何一个人或团队能够保证精确完成容量评估,这时我们启动了场景压测、引流压测、全链路压测等项目,通过 流量标记 + 影子表 + 流量偏移 + 场景回放 等手段,实现了通过线上流量按比例回放压测的能力,通过系统报告精确评估容量与瓶颈点。

扩容方面,我们分阶段依次实施了冗余备份(主从分离)、垂直拆分(拆分核心属性与非核心属性)、水平拆分(分库分表)、自动归档

运营系统迭代效率

运营系统涉及一个业务运营管理的方方面面,我们在业务领域上除了明确目标过程运力资金四个领域外,打造了一套运营系统集成解决方案集合。研发通过持续投入精力在平台化服务或组件的长期建设上,使每个垂直的运营系统扩展性得到保证,从而不断提升研发效率。以工作流场景为例,通过动态表单 + 流程平台的方式,统一各类业务流、审批流的工程实现,各类管理动作的效率与质量可量化,找到流程阻塞节点,自动化部分流程环节,通过技术手段不断降低人工成本。

精细化阶段

业务发展不断成熟之后,业务的各类运营管理动作会趋于精细化。这个阶段,业务对于产品技术有更高要求,期望通过产品技术创新不断打造技术壁垒,保持领先优势。配送的业务特点天然对AI应用有很强的需求,大到供给调整,小到资源配置,都是AI发挥效力的主战场。对于工程层面,需要持续思考的问题是如何更好地实现AI的业务应用。为此我们重点提升了几方面的能力:

  • 降低试错成本:构建仿真平台,打造算法的“沙箱环境”,在线下环境快速评估算法效果。
  • 提升算法特征迭代效率:构建特征平台,统一算法策略迭代框架与特征数据生产框架,提升特征数据质量。
  • 提升导航数据质量:持续深耕LBS平台,提升基础数据质量,提供位置、导航、空间的应用能力。

仿真平台

仿真平台的核心是打造“沙箱环境”,配送的服务业属性要求用户、商家、骑手深度参与服务过程,因此算法的线上试错成本极高。对于仿真平台的建设上,我们删减掉调度系统的细枝末节,粗粒度的构建了一套微型调度系统,并通过发单回放用户、商家、骑手实体建模骑手行为模拟等方法模拟线上场景。每次仿真会产出算法的KPI报告,实现算法效果的离线预估。

算法数据平台

算法策略的效果,主要依赖于算法模型和特征数据的质量。为此我们围绕模型和特征,打造了一站式算法数据平台,提供从数据清洗、特征提取,模型训练、线上预测到算法效果评估的全方位数据闭环解决方案,为机器学习和深度学习算法模型在配送各个业务线落地提供支撑。

LBS平台

LBS平台早在配送业务的起步阶段就开始实施,随着算法场景的不断发展,LBS不断深化点线面空间能力,为配送调度、时间预估、定价等业务场景提供支撑,打造了任务地图、路径规划、语音导航、热力图等产品。

结语

美团配送系统架构的演进过程,架构师团队长期关注技术驱动业务、明确领域职责与边界等关键问题,同时架构的演进过程也是不断考虑ROI的权衡取舍过程。技术的持续发展不断提升体验、规模,降低运营成本,而架构在里面解决的问题是化繁为简,将复杂问题拆解为简单的问题并通过领域专家逐级各个击破。随着规模的持续增长,业务的持续创新会给系统架构提出越来越高的挑战,系统架构设计将是我们长期研究的一个课题。

作者简介

  • 永俊,美团资深技术专家,配送业务系统团队负责人。长期从事配送系统质量保证、运营体系建设、系统架构升级等方向。

招聘

本文为美团配送技术团队的集体智慧结晶,感谢团队每一名成员的努力付出。如果你对业务分析、领域模型感兴趣,欢迎联系yinyongjun@meituan.com。