这篇论文讲的是，一个全球的搜索引擎，需要在不同的地区布署一套服务，不同地区的索引不同。注：这也很容易理解，首先是带宽的压力，索引一般都是TB级别的，不能到处拷；其次是性能考虑，不同地区用户关注的网页是不同的，把用户不需要的网页也加进索引里，会使得检索性能很差。

    但是如果要地区的索引不能满足用户的需求，需要读取别的地区的索引的时候，怎么办？需要解决两个问题，一是是否需要读取别的地区的索引，二是读取哪些地方的索引。

    所有检索都读取所有的索引，显然是不现实的。第一个问题比较好解决，只需要判断一下结果的质量，质量低于一定值就去读取别的地方的索引。第二个问题比较难解决。

    论文里用的是线性规划解决第二个问题。这里很奇怪的是，论文里不考虑语言的差异，考虑到语言的差异，很多工作都会变容易，比如用户输入的是中文，需要去到美国的网页库才能找到比较好的结果的可能性比较少。当然如果用户查询敏感词例外。

    下面介绍一下原文解决第二个问题的思路吧。首先是给在本地检索出的结果打分，然后预估一下别的地方的索引里的网页最高能打到多少分，如果分数偏低就不查询那个地方的索引。预估是很困难的。这里首先不能把排序算法看成是黑盒，而是看成基于成词出现次数线性叠加的排序算法，也就是BM25。然后线下构造一批长QUERY去查询，算出这些QUERY返回结果的分数。线上QUERY到来的时候，根据线下的QUERY预计分数。这里用到线性规划（LP)。把TERM理解成方程里的Xi，每个线下和长QUERY理解为Xi的不等式，比如某QUERY有TERM Xi,Xj,Xk，结果的分数为C，则列等式Xi+Xj+Xk < C。一个新的QUERY来的时候，先切出TERM，假设有TERM Xi,Xj，问题就变成了求解Xi+Xj的最大值。

    每一个地区的索引，都查询一次这批QUERY，所有都有一套方程，不同地区分别算，如果算出某地区的解超过域值，则查询

    能这样建模与RANK策略是分不开的，前面已经说了，是基于BM25的RANK，TERM的作用是线性叠加的。但是现实中的RANK策略要复杂很多，对这个模型的有效性表示怀疑。

    个人觉得既然RANK只考虑TERM的出现次数，不如把每个TERM在每份索引里拉链的长度，全球存放，量不大，直接根据拉链长度作预估。

    论文后面还讨论了，把部分热门的网页，在多个地区的索引里重复放。这个工作相对容易些，线下统计一下访问记录就可以了。但是如果追求时效性，还是很麻烦的。不过个人认为个工作也不一定要做得很通用，可以观察一下，认为哪些站点是全球通用的，哪些是只有当地人才上的。

    再接着讨论了CACHE，这个就没什么意思了，这是通用的优化技术，跟QUERY转发，没啥关系

    再接着讨论了一下将来可能的优化，包括：

    （1）因为本地已经有部分结果，所以请求远端的时候，可以少请求些结果。这个方法不一定靠谱，很多检索系统，不管要几个结果，都要把倒排完全遍历才能找出最优解

    （2）检索的过程是先检索完本地索引，发现结果不够，再请求外地的索引。可以考虑先展现本地结果，外地的结果回来之后，再刷新展示。这个用户体验很不好。

    （3）根据等式预估出某QUERY肯定要请求外地结果，请求本地结果与外地结果并行。

    （4）如果预估出，只需要要向一个外地索引请求，这时候就不用等到对方结果返回来，再MERGE，再返回给用户。而是在外地索引正在进行检索的时候，把本地结果传过去，等外地结果算出来的时候，就可以立即归并，然后返回给用户。本质是把检索与传数据并行。

    （2)、（3）、（4）的本质是在不减少计算量的情况下，减少用户的等待

建议继续学习：

1. 分布式缓存系统 Memcached 入门    (阅读：14422)
2. 怎样用好Google进行搜索    (阅读：14398)
3. Zookeeper工作原理    (阅读：10161)
4. GFS, HDFS, Blob File System架构对比    (阅读：9214)
5. Zookeeper研究和应用    (阅读：8348)
6. 淘宝搜索：定向抓取网页技术漫谈    (阅读：8033)
7. 分布式日志系统scribe使用手记    (阅读：7883)
8. 一致性哈希算法及其在分布式系统中的应用    (阅读：7753)
9. 分布式哈希和一致性哈希    (阅读：7442)
10. HBase技术介绍    (阅读：6574)