Hotdry.
归档
systems-engineering

Yandori 实时新闻流压缩与多尺度扩散预测：工程参数与部署清单

解析 Yandori 系统实时爬取 RSS 源构建世界状态嵌入，支持低延迟传播追踪的分层内存与预测机制，给出可落地爬虫限速、缓冲配置与监控阈值。

Yandori 系统通过神经压缩架构实现实时新闻流的低内存追踪，核心在于将海量 RSS/Atom 源的文章批次聚合为固定维度的 “世界状态” 嵌入序列，从而隐式构建新闻扩散图。该方法避免了传统图数据库的内存爆炸，支持传播路径回溯与多尺度预测。

核心流程：从爬取到世界状态聚合

系统以 1 分钟为更新周期，首先通过 RSS 发现爬虫枚举域名下的 feed 端点（如 /rss、/feed/atom），优先使用 HTML 自动发现链接。爬虫规格严格合规：User-Agent 为 YandoriBot/1.0，请求率 Poisson (λ=1.0)/ 域名，间隔 Uniform (500ms-1200ms)，并发 100 workers，超时 10s+10s，LRU 缓存 robots.txt (TTL=24h)。这确保覆盖 20 万级网站链接的同时，低延迟处理每分钟 0-100+ 文章。

文章批次经 3 层 Transformer 编码器（d_model=256，8 heads，瓶颈 d=32/256）转为嵌入 e_i。随后，聚合器使用自监督重要性权重 w_i = softmax (MLP (e_i)) 计算世界状态 z_t = Σ w_i・e_i。重要性信号融合梯度范数（∂L_pred / ∂e_i）、偏差（||e_i - μ||）与惊喜（||z_t - EMA||），通过 KL 散度训练，无需标注。该步常量时间 O (N・d)，N 为批次大小。

“Yandori 系统实现常量～14 MB 内存，无论部署时长。” 此嵌入序列即新闻扩散的压缩表示，支持路径追踪：历史 z 序列通过时间注意力回溯因果传播。

分层内存与时间注意力：低延迟扩散追踪

为追踪实时扩散，系统维护分层缓冲：

  • 近期缓冲：24h × 1min = 1440 状态，1.5 MB。
  • 周缓冲：7 天 × 1h = 168 状态，0.17 MB。
  • EMA 基线：5 尺度（1min α=0.67、1h=0.033、1day=0.014、1week=0.002、1month=0.0005），总 5 KB。

时间注意力采用单头设计：q = W_q・LN (z_current)，K = W_k・LN ([z_1..z_H])，分数 = (q・K_i)/√d + log (exp (-Δt_i / τ))，上下文 = softmax (α)・z_i。残差连接 + Xavier (gain=0.1) + LayerNorm 确保梯度稳定，计算 O (1600 d) <100ms/GPU。

此机制可视化查询传播路径：给定 z_t，注意力权重回溯上游文章贡献；惊喜信号高时，放大异常扩散检测。

多尺度预测：前瞻性扩散监控

预测器输出 pred_{1min,1h,1day} = MLP ([z_t, context])，context 融合偏差 (0.6・(z_t - EMA_1h) + 0.4・(z_t - EMA_1day))。损失 L_pred = 0.1 MSE_1min + 0.3 MSE_1h + 0.6 MSE_1day，长时程权重最高，强制保留因果信息。

总损失 L_total = 0.30 L_recon + 0.50 L_pred + 0.20 L_importance。训练超参：AdamW lr=1e-4，wd=1e-5，clip=0.5，禁用 fused attention 用 math_sdp。

可落地部署参数与清单

1. 爬虫配置（覆盖 200k 站点）

  • 域名池：优先新闻 / RSS 目录，respect robots.txt (前缀树解析)。
  • 限速：token bucket burst=5，refill=1/s/ 域名；backoff: 404=24h, 5xx=48h, 429=72h。
  • 并发：semaphore=100，circuit breaker 于 10% 失败率。
  • 监控：QPS <1 / 域名，错误率 < 1%，feed 有效率> 95%。

2. 内存与缓冲阈值

组件 大小 更新阈值 驱逐策略
近期缓冲 1440×256×4B=1.47MB Δt=1min FIFO
周缓冲 168×256×4B=0.17MB Δt=1h 下采样
EMA 5×256×4B=5KB 实时 α 衰减
总计 ~14MB - O(1)

3. 预测与异常阈值

  • 惊喜阈值：sigmoid (||z_t - EMA||> μ_dev + 2σ_dev)，触发警报。
  • 预测 MSE 阈值：1min<0.01, 1h<0.03, 1day<0.06，回滚至纯近期缓冲。
  • 重要性 KL >0.1 时，重训聚合 MLP。

4. 生产监控清单

  • 延迟：端到端 <100ms/min，警报>200ms。
  • 内存：>12MB 扩容 d=128→64。
  • 准确：离线 CC-News 验证 L_pred <0.0356。
  • 可视化：Grafana 仪表盘，z_t TSNE 投影追踪扩散簇；路径查询 API 返回 top-5 注意力文章。

5. 回滚与扩展策略

  • 降级：惊喜高 → 仅 recon 模式，禁用 pred。
  • 扩展：d=512 GPU，worker=500 覆盖 500k 源。
  • 集成：Kafka 注入外部流，Prometheus 指标。

此配置已在生产验证，支持低延迟更新与传播可视化。实际部署时，从小域池（1k 站点）起步，渐扩监控。

资料来源：https://yandori.io

查看归档