Netflix AI 团队将 Cassandra 宽分区读取延迟从秒级降至毫秒级

Netflix AI 团队在处理时序抽象层（TimeSeries Abstraction）时，面临 Apache Cassandra 宽分区导致的秒级读取延迟。为解决此问题，他们采用两种互补方法：时间切片重新分区在表层次调优未来分区，而动态分区则在读取路径上即时侦测并拆分过大的分区。动态分区透过字节计数和 Kafka 检测，拆分后进行校验和验证，并使用 Bloom 过滤器将读取路由到并行子分区。最终平均读取延迟从秒级降至低两位数毫秒，即使 500MB 以上的超大分区也能保持可用。 对于 Netflix 内部维护大规模时序数据平台的工程师，以及采用 Cassandra 处理 IoT、监控日志等时序资料的开发者，这项技术意味着无需对既有表结构做大量变更，就能在读取路径上自动处理数据倾斜，避免手动重新分区的操作成本。动态分区的即时拆分机制也减少了热点分区对整体效能的影响，适合需要稳定低延迟的即时分析场景。