在计算广告系统中，广告召回是流量分发的首道关卡。面对千万级广告池、百亿级日流量，系统需在 10~20ms 内完成精准广告筛选。头部广告引擎的高性能核心，是一套离线倒排索引固化规则、在线后缀表达式动态编译、位图位运算求值的动静分离架构。本文精简拆解这套工业级核心原理与工程优化。
一、核心架构：动静分离解耦
广告召回的核心冲突是广告规则静态固定与用户请求动态多变，行业标准解法为三层动静分离架构：
- 离线静态层：预处理广告定向条件，构建内存倒排索引，规避在线重复计算；
- 在线动态层：基于实时用户画像，编译生成专属布尔检索表达式；
- 高速计算层：通过集合栈+CPU位运算，线性完成广告过滤匹配。
整套架构完全规避全量遍历、磁盘IO、字符串比对等低效操作，全程内存整型位运算，适配高并发低延迟的广告场景。
二、离线构建：无歧义广告倒排索引
倒排索引是广告召回的数据基石，重点解决定向语义歧义与集合运算效率两大问题。
1. 标准化Term消除歧义
系统统一采用维度_值拼接规则生成唯一特征Term，如 age_25、os_ios，彻底解决单一数值多维度语义混淆问题，实现定向条件标准化。
2. Bitmap位图存储广告集合
索引核心结构：Term Key → Bitmap Value
- Key：标准化组合特征；
- Value：Bitmap位图，每一位对应一条广告，位值为1代表广告匹配该特征。
相比传统ID列表，Bitmap内存占用极低，且原生支持CPU交、并、差位运算，为极速检索提供硬件级支撑。
三、在线编译：用户特征转后缀表达式
为适配机器线性执行，系统将复杂嵌套的中缀布尔表达式，通过调度场算法转为无分支、无括号的后缀表达式（RPN） 。
1. 核心规则
广告布尔检索存在固定优先级：NOT > AND > OR。该顺序并非人为定义，而是适配布尔语义与机器执行的工业级标准，也是调度场算法栈匹配的核心依据。
2. 布尔优先级底层原理
布尔算子的优先级排序，核心由算子属性与业务语义决定，完全匹配广告定向的真实匹配逻辑：
1）NOT 优先级最高（单目算子特性）
NOT 是单目运算符，仅作用于紧邻的单个特征条件，用于修饰、取反单一规则。如果优先级低于 AND/OR，会直接篡改业务逻辑。例如定向规则A AND NOT B，必须优先执行 NOT B，再执行交集运算；若优先级倒置，会被错误解析为 NOT(A AND B)，彻底偏离“满足A、剔除B”的定向需求。所有单目取反运算，天然优先级高于双目运算。
2）AND 优先级居中（交集等价乘法）
AND 是交集运算，逻辑上等价于数学「乘法」，代表精准、严格的条件约束。在混合逻辑中，需要优先执行精准筛选。例如 A OR B AND C，默认语义为 A OR (B AND C)，先通过 AND 完成精准条件匹配，再通过 OR 做宽泛兜底，完全贴合广告定向“先精准、后宽泛”的业务逻辑。
3）OR 优先级最低（并集等价加法）
OR 是并集运算，逻辑上等价于数学「加法」，代表宽泛的条件兜底，因此最后执行。该规则与 SQL、检索引擎、编程语言布尔逻辑完全统一，是工业界通用标准。
3. 编译规则与 RPN 执行细节（NOT 重点纠错）
- 特征Term（操作数） ：解析用户画像得到的特征标签，直接推入后缀表达式序列，作为集合运算的数据源。
- 双目算子 AND/OR：严格遵循优先级栈内比对、弹栈输出，保证左右集合的运算顺序不错乱，匹配常规定向逻辑。
- 单目算子 NOT（核心易错点） ：NOT 仅作用于紧邻的前一个特征集合，属于后置单目运算。 业务定向常用逻辑：
A AND NOT B（满足A、剔除B人群） 正确 RPN：A B NOT AND 执行语义：先对 B 集合取反，再与 A 集合求交，等价于集合差集 A-B。 致命误区：A B AND NOT语义为「对 A∩B 整体取反」，完全不符合广告剔除定向，属于典型编译错误。 - 括号作用：仅用于人工配置复杂逻辑时改变优先级，编译完成后全部消除，输出纯线性、无分支的可执行表达式。
复杂定向逻辑可在微秒内完成扁平化转换，完美适配计算机单向扫描执行特性。
四、在线检索：Bitmap集合栈位运算求值
系统通过Bitmap集合栈执行后缀表达式，栈中元素为广告ID位图集合，全程无递归、无分支。
1. 执行流程
- 遇到特征Term：查询倒排索引，将对应广告Bitmap压栈；
- 遇到布尔算子：弹出栈顶两个集合，执行AND/OR/AND_NOT位运算，结果重新压栈。
2. 结果输出
遍历结束后，栈顶唯一Bitmap即为匹配全部用户定向规则的候选广告全集，直接送入排序环节，全程毫秒级响应。
五、工业级核心性能优化
针对百亿流量瓶颈，头部引擎通过四项底层优化榨干硬件算力：
1. 特征整型化，舍弃字符串运算
通过全局字典将字符串Term转为整型FeatureID，算子映射为固定负数，全流程基于整型数组运算，消除字符串比对损耗，大幅提升CPU缓存命中率。
2. AND_NOT算子融合，规避全集爆炸
标准 RPN 表达式 A B NOT AND 虽然逻辑准确，但存在严重性能隐患：原生 NOT 需要计算全局广告全集补集，在千万级广告库下会造成内存与 CPU 瞬间爆炸。因此广告引擎做了专属编译优化：将高频的「与非」业务语法，预编译为独立的 AND_NOT 二元算子。运行时直接执行 A.andNot(B)，从A集合中精准剔除B集合，无需构建全局全集，彻底规避补集运算的性能瓶颈。
3. Roaring Bitmap + SIMD并行计算
采用Roaring Bitmap分层存储，极致压缩内存占用；底层绑定CPU SIMD指令，单指令并行处理数十条广告逻辑，集合运算吞吐量大幅提升。
4. WAND算法提前剪枝
结合广告eCPM、出价预估，在检索阶段提前过滤无法进入Top榜单的低质广告，无需完成完整表达式计算，大幅减少无效算力消耗。
六、总结：广告召回的设计精髓
整套工业级广告召回架构，本质是静态预处理降复杂度、动态编译适配个性化流量的高性能设计范式。
广告定向规则离线固化为紧凑的倒排 Bitmap，规避在线重复解析；用户千面的画像与筛选逻辑，通过调度场算法动态编译为线性后缀表达式；最终依托 CPU 位运算、SIMD 向量化、算子融合、WAND 剪枝等多层优化，实现极致低延迟检索。
以简单的「索引查询 + 集合栈运算」，支撑千万级广告池、百亿流量下的毫秒级召回，是后端高并发系统中「预处理换低延迟、硬件级算力压榨」的经典落地案例。
