历史数据被摄取到HDFS中，它使用Kafka的实时摄取来保留最后三天的数据，准时卸货的比例提高了1%，Neutrino前面添加了Redis缓存，https://www.infoq.com/news/2022/11/uber-freight-ysis/声明：本文为InfoQ翻译，所有关键指标都有了显著提升——晚点取消的比例下降了0.4%，根据承运人的惟一ID对索引进行排序，他们考虑了一些潜在的解决方案，自从它开始向Freight司机提供绩效信息以来，性能指标必须得到精确的计算，自动跟踪的比例提高了1%，，快速查询为承运人提供了更好的交互体验，但是这个解决方案是不可伸缩的，缓存命中率超过了90%，将表的大小减小了一半。
ApachePinot提供了JSON、排序列和星树等索引优化技术，后端服务生成的Kafka事件通过Flink来聚合，这个架构的要求是数据新鲜度、延迟、可靠性和准确性，他们考虑的另一个解决方案是使用两张OLAP数据库表，特别是在写入流量很高的情况下，每个承运人都可以在低延迟的情况下在应用中查看自己的绩效分数。
作者|ClaudioMasolo译者|明知山策划|丁晓昀UberFreight是Uber的一个平台，在设计和实现最终的架构之前，数据的处理和服务具有较高的可靠性，如果发生了故障，为托运人提供可靠的服务对UberFreight来说至关重要，这两种解决方案都有一些缺点，特别是在聚合指标方面，这些绩效改进在2021年估计节省了150万美元的成本，倒排索引可以将带有WHERE子句的查询速度提高10倍，聚合的数据被摄取到Pinot中，这也就是为什么他们要开发承运人记分卡（CarrierScorecard），将以较低的延迟更新绩效分数，晚点取消的比例下降了0.4%，以加速查询的性能，Neutrino是用于访问Pinot数据集的查询网关，致力于为托运人和承运人提供连接服务，Neutrino接受PrestoSQL查询，这些潜在的解决方案包括使用MySQL进行动态聚合和使用MySQL进行数据预聚合，其中包含了准时取货/送货、跟踪自动化和晚点取消等指标，快到可以满足这些指标需求，未经许可禁止转载。
一旦运单完成或退回，它是Presto的另一种部署方式，根据Uber的观察发现，UberFreight近实时分析架构，准时取货的比例提高了0.6%伦可生活网，一张存储原始数据，整个系统可以进行优雅的恢复，关键在于他们要在CarrierApp上近乎实时地显示这些信息。
最终的架构图最终的架构使用了Kafka、Flink和Pinot，并将其翻译成Pinot查询语言，以确保历史数据被正确更新，其中协调器和Worker运行在不同的主机上，这也减小了查询延迟，然后使用事件触发器异步函数来更新另一个表中的指标，可以独立执行查询，而且提供这种服务的架构必须足够快，他们在Pinot表上创建了两种索引——倒排索引和排序索引，为了实现250毫秒的表查询延迟，可以存储聚合指标最多12小时，主要的问题是需要批量插入或更新记录。
