1、优酷广告投放引擎优化实践 优酷广告系统中心高级技术经理 优酷广告业务简介 优酷广告系统架构 广告引擎优化实践 广告链路优化 引擎性能优化 用户体验优化 优酷广告业务简介 投放媒体：优酷、土豆、阿里数娱、闲鱼、虾米、UC 广告类型：前贴、中插、后贴、暂停、角标、开屏、信息流、播放页banner、常规页面等数十种广告类型，以贴片广告为主。业务规模：日曝光量数十亿。收入构成：以品牌广告为主，效果广告为辅。优酷广告业务特点 售卖方式：CPM、CPC、CPD，等，以CPM为主 定向方式：用户（地区、人群标签等），内容（视频组、视频时长、频道、关键字、清晰度等）、客户端（设备类型、操作系统、客户端类型、版

2、本号等），共数十种定向方式 频控方式：整周期N次频控、每M天（小时）N次频控、多屏打通频控 其它特点：广告时长、个数限制 优酷广告系统架构 系统架构说明：uSSP：优酷SSP（Sell-Side Platform，供应方平台）uADX：优酷Ad Exchange uATM：优酷品牌广告引擎 uSmartVideo：优酷效果广告引擎（InnerDSP）uOutterDSPs：对接优酷ADX的外部DSP uClient：客户端，直接发送广告请求或通过其后台服务间接发送广告请求 uCDN：内容分发网络，视频正片和广告素材的存储服务 SSPADXATMSmartVideoOutterDSPs47Cli

3、entCDN185656AdPlatform10239ATM系统架构 CounterDispatcherStoreCacherSynerATMDBATMLOGDBUserCacheAdSearcherAdCacheAdServerCenter广告引擎优化实践 视频广告常见问题 问题描述：广告加载太慢，播放窗口小圆圈一直转 优化思路：u修条新路-广告链路优化 u老路提速-引擎性能优化 广告链路优化 -广告加载流程分析 问题诊断：u广告加载分两阶段：一、向广告系统请求广告代码，二、根据代码中的URL从CDN加载广告素材 u加载广告素材加载耗时过长，导致用户跳出或跳转播放页比例高 ClientSSP

4、CDN1234广告链路优化 广告缓存推荐原理 基本原理：u通过缓存推荐服务ADP提前下载广告素材到本地 u将用户在线观看过的广告素材也缓存到本地 u播广告时先查本地缓存，未命中时才从CDN加载 优化前后链路对比：u无缓存推荐：1-2-5-6 u缓存推荐命中：1-2-3-4 u缓存推荐未命中：1-2-3-4-5-6 u新增一条独立的缓存推荐链路：1-2-3-4 SSPCDN12563ADP124LocalCacheAPP43Client广告链路优化 ADP的缓存推荐接口 ClientADPip:202.109.13.121,os_type:Android,cached_ad:101,103,10

5、5,.to_download_ad:123,246,to_delete_ad:101,105,.广告链路优化-缓存推荐相关规则 广告推荐模式：基于定向条件粗筛+算法预判模式 广告推荐时机：APP启动完成后 本地缓存大小：考虑机器硬件差异 广告缓存推荐-广告加载速度的提升效果 如下图：每条曲线对应一个APP版本在某个时间范围内（x轴）完成广告素材加载的比例（y轴），左图为iPhoneApp端，右图为AndroidApp端。iOS端1秒内完成广告加载的比例提升约35倍。广告缓存推荐 贴片曝光率提升效果 优化效果：iOS端，优化后的版本（V5.5.1和V5.5.2）比优化前的版本（V5.5）曝光率提

6、升明显，其中V5.5.2比V5.5提升约3.75%。广告缓存推荐 踩过的“坑”Q：Android使用了缓存推荐，为嘛有时广告的损耗反而增加了？A：原因：Android端文件下载失败几率相对iOS高，客户端尝试播放错误的缓存文件会增大损耗比例。解决办法：下载完后添加文件完整性校验功能。广告链路优化-广告异步加载 问题描述：某些APP上开屏广告加载的耗时过长 优化思路：改变“出行”模式 使用异步加载模式，颠倒广告请求和展现的顺序，先展现本地缓存的广告，再请求广告和下载广告素材 广告链路优化-广告异步加载流程 广告加载链路（红色）：u广告展现：1-2 u异步请求：3-4-5-6 独立的广告缓存推荐链

7、路（绿色）:1-2-3-4 SSPCDN34561ADP1234LocalCacheAPP2Client广告异步加载 遇到的“坑”及解决办法 Q：如何避免广告投放初期缓存命中率低导致曝光量过低 A：提前设置广告排期，提前返回N（常数）天后投放的广告，供客户端提前缓存，同时再结合缓存推荐机制，增大预缓存比例。Q：如何将已缓存到客户端的广告素材的及时下线 A：基于推送服务实时通知或提高缓存推荐接口的调用频率 Q：如何解决CPM售卖时的超量投放问题 A：提前分配每日预缓存比例，要为投放当天预留适当比例，投放当天再做实时精准控量。引擎性能优化 优化前广告检索服务各模块耗时 x轴：时间（单位：分钟），y

8、轴：广告接口RT（单位：ms），每条曲线为一个处理模块的耗时曲线 引擎性能优化 异步写优化 优化思路：u异步埋点（buryingNode）u异步写cookie(writeLunboCookie)u异步写日志（writeLog）优化效果：广告请求接口内部耗时相比优化前降低23.8%ProcessNode1ProcessNode2ProcessNodenEndburyingNode1buryingNode2writeLunboCookiewriteLog.StartBuryingNodenAdSearcher threadAsynchronous threads.引擎性能优化-延迟读优化 优化思路

9、：对性能影响较大，且不是每次请求都需要的属性，可以延迟到需要使用时再读（右图示例：Redis中的人群标签等）优化效果：广告请求接口内部耗时相比优化前降低12.3%从请求头中获取请求参数从Redis中获取用户标签返回广告代码End开始根据请求参数和用户标签筛选出广告列表从请求头中获取请求参数从Redis中获取用户标签根据用户标签进一步筛选广告列表返回广告代码Y开始根据请求参数筛选出广告列表存在人群定向广告EndN引擎性能优化-索引结构优化 优化思路：树形索引结构改为倒排索 优化效果：u索引创建耗时降低到之前的1%u广告检索耗时降低到之前的15%以内 u索引数据占用内存大小降低到之前1%以内 K2

10、1K22K23K26K27K24K25A2,A5A1,A2,A3A1,A4,A5K11K12A7A4,A5,A6A7,A8,A9K1NA3,A8,A9A1A2A3A4A5A6A7A8A9A000111011K3K3K3Key引擎性能优化 阶段性优化实践效果 注：X轴：时间轴，y轴：ATM广告接口99%分位的RT(单位：ms)用户体验优化 问题描述：u用户吐槽：广告太长、太多 u客户要求：广告投放量有明确要求，不允许少投。优化目标：在不减少广告绝对投放量的前提下，让用户“少“少看”广告，提升用户体验。用户体验优化 广告时长和个数控制 简单粗暴的控制方法

11、：建立“视频时长（分钟）最大广告时长（秒）最大广告个数”间的映射关系，根据映射关系控制广告时长和个数。映射原则：u长视频长广告 u短视频短广告 u超短视频无广告 中国+移动APP中国大陆+PC。视频时长最大广告时长最大广告个数1,5)1615,10)32210,30)4831,3)1613,10)32210,20)483。视频资源30,+)64420,+)644视频时长最大广告时长最大广告个数视频时长最大广告时长最大广告个数注：下图仅为示例，非真实线上规则 用户体验优化 时长与个数控制效果 优化效果：杜绝了网友经常吐槽的“一个才X分钟的短视频上竟然出了Y秒钟的长的广告”的现象。遗留问题：前一个

12、贴位容量未充分使用，便开始大量使用后个一贴位的容量，导致出现多贴广告比例过高。90/15078/13072/12060/100第前?第前?第三前?第四前?示例：假设广告容量为1000CPM，预定曝光量为600CPM时，各贴容量的使用量（蓝色）如下 用户体验优化 广告贴位前移 方法：u以小时为单位，按流量曲线分配任务，小时内每分钟平均分配。u新任务分配给第一帖，上一分钟未完成的任务分配给第二贴，上（N-1）分钟未完成的任务分配给第N贴。uN分钟前未完成的任务，留待剩余的小时分配。Task(t+2)Task(t+1)Task(t)AdSearcherAdServerTask(t+3)Distrib

13、utedCache找第一前帖23找第二前帖23找第三前帖2314用户体验优化 广告贴位前移效果 优化效果：u靠前的贴位使用率显著增长 u靠后的贴位使用率显著降低 u用户看到多贴广告的比例显著降低 90/15078/13072/12060/1000/100150/150130/13020/120第一贴第二贴第三贴第四贴第一贴第二贴第三贴第四贴优化前各贴位使用率优化后各贴位使用率示例：假设广告容量为1000CPM，预定曝光量为600CPM时，各贴容量的使用量（蓝色）如下 用户体验优化 贴位前移方法遗留的问题 长视频容量未充分利用时，便开始使用短视频容量。300/500180/30072/12048

14、/8030,+)10,30)5,10)1,5)用户体验优化 资源分级优化 目标：u将广告尽可能向长视频和靠前的贴位倾斜 u能根据广告投放任务的紧张程度自动扩大或缩小使用的资源范围 方法：u视频资源分级（level）u为广告设置资源使用范围(range)u新增adRangeFilter处理模块，动态调节广告的资源使用范围。用户体验优化 视频资源分级 分级原则：u根据用户的广告容忍度高低对视频资源分级，容忍度越高，级别越小。u视频越长，级别越小 u贴位越靠前,级别越小 资源级别资源级别 视频时长视频时长 广告位广告位 1 30,+)第一前贴 2 10,30)第一前贴 3 5,10)第一前贴 4 3

15、0,+)第二前贴 5 30,+)第三前贴 6 10,30)第二前贴 7 30,+)第四前贴 8 5,10)第二前贴 9 10,30)第三前贴 10 1,5)第一前贴 注：右图为10级分级表示例（仅用于原理解释，非线上真实情况）用户体验优化 资源分级优化原理 resLevel=getResLevel(vLen,adPos)adRange=getAdRange(aid)reduceDeliverCount(aid)adRange=resLevelEndStartAdRangeTaskDCTaskResourceLevelTaskvLenadPosresLevel30,+)P1110,30)P225

16、,10)P33.aidadRangeA11A210A38.aiddcA1100A2250A3300.adRangeFilterresourceLevelTimedTaskYremove(aid)NrangeMapdcMapadRangeFilter：实时控制广告的资源使用范围 ResourceLevelTask：定时同步资源级别 AdRangeTask：定时调整广告range值 DCTask：定时分配新广告投放任务 用户体验优化 -资源分级优化 rangeMap更新规则：u若前N（指定常数）个连续周期的任务未完成，则range+u若前N个连续周期的任务均完成，则range u1=range=M

17、AX_RANGE(指定常数)A1:350A2:0A3:0A4:900A1:3A2:3A3:1A4:10dcMaprangeMapA1:160A2:0A3:0A4:906A1:4A2:2A3:1A4:10dcMaprangeMapA1:15A2:0A3:0A4:897A1:5A2:1A3:1A4:10dcMaprangeMap?t0?t0+T?t0+2T?示例：当N=1，MAX_RANGE=10时 资源分级优化 效果 优化效果：实现了广告向长视频和靠前的贴位资源倾斜的目标 效果示例：如右图（仍旧以从1000CPM中分出600CPM使用量为例）资源级别资源级别 视频时长视频时长 广告位广告位 容量

18、使用率容量使用率 趋势 趋势 1 30,+)?1.00+0.4+0.4 2 10,30)?1.00+0.4+0.4 3 5,10)?1.00+0.4+0.4 4 30,+)?1.00+0.4+0.4 5 30,+)?1.00+0.4+0.4 6 10,30)?0.1-0.5-0.5 7 30,+)?0-0.6-0.6 8 5,10)?0-0.6-0.6 9 10,30)?0-0.6-0.6 10 1,5)?0-0.6-0.6 资源使用优化 优化效果 A1 A2 A3 广告随着投放任务紧张程度周期性自动增大或缩小投放的资源范围。经验与教训 u严格遵循用数据说话的原则，先埋点和统计，再根据统计结果做优化，最后对优化结果做数据统计对比，明确后续优化方向，避免仅凭个人猜测来做优化决策。u灵活运用奥卡姆剃刀原则，总是尽可能使用简单有效的方案，杜绝过渡设计或非必要的外部依赖，避免为将来“埋坑”。u以修高速公路的思路优化广告链路，当主干链路过于拥堵时，一方面考虑修条新路来分流（广告缓存推荐机制），另一方面对已有链路进行拓宽和提速（引擎内部性能优化），最后，还可以鼓励用户调整出行规律（广告异步加载机制）。