صنعت تبلیغات به طور مداوم در حال تکامل است، تحت تأثیر پیشرفت‌های فناوری و تغییرات در رفتار مصرف‌کنندگان. یکی از چالش‌های اصلی در این صنعت، دسترسی به مخاطبان مناسب است، به افرادی که احتمالاً به محصول یا خدمات شما علاقه‌مندند، دست‌رسی داشته باشید. در اینجا مفهوم مخاطب شبیه به مورد علاقه وارد می‌شود. با شناسایی و هدفمند کردن افرادی که ویژگی‌های مشابهی با پایه مشتریان موجود دارند، کسب‌وکارها می‌توانند به طرز چشمگیری کارایی کمپین‌های تبلیغاتی خود را بهبود ببخشند.

با افزایش مرجعیت مجلل و هزینه ایجاد مخاطبین مشابه، بهینه‌سازی‌های متعددی برای حفظ اثربخشی ایجاد مخاطبین شبیه به مورد علاقه لازم است که شامل توافق سطح خدمات (SLA) بالا، هزینه بالای ایجاد مخاطبین و جذب داده‌های ناپایدار است.

نیاز به یک راهکار کارا و قابل مقیاس برای ایجاد مخاطبین مشابه به میزان بیشتر، دلیل اصلی توسعه پلتفرم مقیاس‌پذیر مخاطبین مشابه است. با ایجاد یک سرویس بازیابی مخاطبین مشابه با عملکرد بالا در حافظه درون‌خطی و خطوط لوله‌های ایجاد و به‌روزرسانی مخاطبین مشابه بر اساس تعبیه شده، این پلتفرم به سیستم موجود اضافه شده و ابزاری حتی موثرتر برای تبلیغ‌کنندگان به منظور رسیدن به مخاطبان هدفشان فراهم می‌کند.

بهبود مداوم برای دقت بیشتر

در دنیای پویای تبلیغات دیجیتال، توانایی رسیدن به مخاطبان مناسب به سرعت و به صورت کارا بسیار مهم است و یکی از استراتژی‌های کلیدی تبلیغات هدفمند است. به عبارت دیگر، ما باید به طور مداوم راه‌هایی را برای بهبود رویکرد کنونی خود در ایجاد مخاطبین شبیه به مورد علاقه پیدا کنیم که تأثیری هرچند کم، بر تبلیغ‌کنندگان و کاربران داشته باشد. برخی از نقاط ضعفی که شناسایی کردیم عبارتند از:

مدت زمان بالای SLA برای ایجاد مخاطبین. در گذشته، نتایج برنامه تقسیم بندی (SegP) درون پلتفرم دریافت ولیست مخاطبین شبیه به مورد علاقه دو روز کاری زمان بر می‌شد. این اتفاق به این دلیل می‌افتد که درج یک مخاطب منفرد در سگمنتیشن پلتفرم (SegP) سه برابر زمان ایجاد مخاطب را طولانی تر می‌کند. زمان‌های ایجاد گسترده تأثیر خوبی بر کارایی کمپین‌های تبلیغاتی می‌گذاشت، زیرا توانایی تبلیغ‌کنندگان برای سریع واکنش دادن به پویایی‌های بازار را محدود می‌کرد.قابلیت مقیاس‌پذیری کم. با افزایش تعداد پذیرندگان تاجرها، زمان و هزینه ایجاد مخاطبین شبیه به مورد علاقه نیز به طور متناسب افزایش می‌یابد. این امر، قابلیت دسترسی به ایجاد مخاطبین شبیه به مورد علاقه را برای تمام تبلیغ‌کنندگان محدود می‌کند، به ویژه کسانی که پایه مشتریان بزرگ یا پروفایل مخاطبی تغییرات زیادی دارند.فرکانس بروزرسانی پایین مخاطبان شبیه به مورد علاقه. با بروزرسانی‌های خودکار فقط هفتگی، این احتمال را افزایش می‌دهد که مخاطبان منسوخ و بی‌اثر شوند. این به این معنی است که هنوز هم فرصت‌هایی برای بهبود بیشتر وجود دارد تا کمک به تبلیغ‌کنندگان برای رسیدن به اهداف کمپین خود به طور موثرتری فراهم شود، با هدف تماس با افرادی که پروفایل مخاطب مورد نظر را دارند.هزینه بالای ایجاد. هزینه تولید یک قطعه می‌تواند به سرعت برای تبلیغ‌کنندگانی که نیاز به تولید چندین مخاطب شبیه به مورد علاقه دارند، افزوده شود. این موضوع می‌تواند بر مقیاس‌پذیری تبلیغ‌کنندگان تأثیر بگذارد زیرا آن‌ها ممکن است از استفاده بهینه از چندین مخاطب شبیه به مورد علاقه در کمپین‌های خود بی‌اعتنا شوند.

راه‌حل

برای شناسایی بهینه و بهترین مخاطبین شبیه به مورد علاقه برای هر کاربر در مجموعه‌ای از میلیون‌ها کاربر، راه‌حلی توسعه دادیم که از بازنمایی کاربر و مخاطبین در قالب می‌باشد. با استفاده از بازنمایی‌ها، مجموعه‌های بزرگ داده با حفظ ساختار از داده‌های اصلی فشرده شده و به راحتی پردازش می‌شوند بدون تأثیر روی سلامت داده. این رویکرد، دقت بالا، تاخیر کم و هزینه کم در استخراج مخاطبین مربوطه را تضمین می‌کند.

راه‌حل ما با این واقعیت که تغییر نمایندگی برابر بین نهادها در حال افزایش است، بهینه‌سازی شده است. به عنوان مثال، بازنمایی‌های پذیرندگان تاجر پایدارتر از بازنمایی‌های مسافر است. با توجه به این واقعیت، ما روش خود را برای کاهش هزینه و حفظ سطح مناسب دقت بهینه کردیم. علاوه بر این، ما بر این باور هستیم که داشتن یک استراتژی قوی یادگیری بازنمایی در مراحل اولیه نیاز به مدل‌های پیچیده‌تر در مراحل بعدی کاهش می‌دهد.

راه‌حل ما شامل دو بخش اصلی است:

بازیابی مخاطبین شبیه به مورد علاقه به صورت زمان واقعی: ما سرویس بازیابی با عملکرد بالا در حافظه درون‌خطی توسعه دادیم که بازنمایی‌های مسافر، بازنمایی‌های مخاطبین و آستانه امتیاز مخاطبین را ذخیره می‌کند. برای کاهش هزینه بیشتر، یک الگوریتم فشرده‌سازی بازنمایی مسافر طراحی کردیم که نیاز به حافظه بازنمایی مسافر را تا حدود ۹۰٪ کاهش می‌دهد.ایجاد و به‌روزرسانی مخاطبین شبیه به مورد علاقه بر اساس بازنمایی تعبیه شده: خروجی این بخش از پروژه، یک مدل بازیابی آنلاین است که شامل بازنمایی‌های مسافر، بازنمایی‌های مخاطبین و آستانه‌ها است. برای کاهش هزینه، ما از بازنمایی‌های مسافر استفاده می‌کنیم که باز هم توسط پروژه‌های دیگر بیرون از تبلیغات در Grab استفاده می‌شود، به علاوه هزینه را به اشتراک می‌گذارد. بازنمایی مخاطبین و آستانه‌ها با استفاده از یک شبکه عصبی کوچک با هزینه کم تولید می‌شوند.

به طور خلاصه، رویکرد ما در ایجاد مخاطبین مشابه قابل مقیاس به طور هزینه‌مند، دقیق و کارا طراحی شده است که از قدرت بازنمایی‌ها و استراتژی‌های محاسباتی هوشمند برای ارائه بهترین مخاطبین ممکن برای تبلیغ‌کنندگان استفاده می‌کند.

معماری راه‌حل

تبلیغ‌کننده یک کمپین با مخاطب شخصی سازی می‌سازد که فرآیند ایجاد مخاطب را آغاز می‌کند. در طول این فرآیند، سرویس مخاطبین متادیتای ارائه شده توسط تبلیغ‌کنندگان را در یک صف پیام ذخیره می‌کند.

معرفی

در Grab، تیم Trust، Identity، Safety و Security (TISS) شامل مهندسان نرم افزار و توسعه دهندگان هوش مصنوعی است که در زمینه تشخیص تقلب، چک هویت و مسائل امنیتی کار می کنند. خدمات متعددی در TISS وجود دارند مانند آبراهه تقلب، آبراهه ایمنی و آبراهه هویت. این خدمات به وسیله موتور قوانین Griffin که تعیین می کند یک مسافر می تواند سفری رزرو کند، بازیافت غذا دریافت کند یا یک راننده رزرو بگیرد، میلیاردها تصمیم تجاری روزانه می گیرند.

تقاضای طبیعی برای ثبت تمام این تصمیمات تجاری مهم و ذخیره سازی و استعلام آنها در حالی که با بانک های هگنیت data و query می شود وجود دارد. تحلیل گران داده و دانشمندان نیاز به استفاده از داده برای آموزش مدل های Machine Learning خود دارند. تیم های RiskOps و خدمات مشتری می توانند به دنبال اطلاعات تاریخی جستجو کنند و به مشتریان کمک کنند.

این محل ارشیو برای ردیابی، آمار و بازخورد سیستم جدیدی برای قوانین و پیش بینی های بر پایه یادگیری ماشین است. این سیستم قابل اعتماد و عملکرد بالا است. طرح دیتا اختراعی آن شامل امکان ذخیره رخدادها از سناریوهای تجاری مختلف است. در نهایت، این سیستم یک رابط کاربری کاربرپسند دارد که کنترل دسترسی برای داده های دسته بندی شده را فراهم می کند.

اینجا تأثیرات Archivist را می بینید:

در حال حاضر، 2 تیم با کلیت 5 خدمت و تقریباً 50 سناریو تجاری از Archivist استفاده می کنند. این سناریوها شامل جلوگیری از تقلب (مانند DriverBan، PassengerBan)، چک های پرداخت (مانند PayoutBlockCheck، PromoCheck) و رویدادهای چک هویت مانند PinTrigger هستند. برای راه‌اندازی یک سناریو تجاری جدید (نوع رویداد)، کافیست چند دقیقه ای وقت گذاشته شود و از صفحه پیکربندی در پورتال کاربری استفاده شود. سابقاً حداقل 1 تا 2 روز طول می کشید.روزانه، Archivist 80 میلیون لاگ را به خوشه ElasticSearch می نویسد که تقریباً 200 گیگابایت داده است.هر هفته، مجله زیبایی و درمانی آذروت Support (GS)/Risk Ops به پورتال کاربری می رود و لاگ های Archivist را برای حدود 2000 مشتری متمایز چک می کند. آنها می توانند بر اساس بعد های متعددی مانند شناسه مسافر/راننده، شماره تلفن، شناسه درخواست، کد رزرو و اثر انگشت پرداخت جستجو کنند.

زمینه

هر روز، خدمات TISS میلیاردها تصمیم تجاری (پیش بینی) را بر اساس موتور قوانین Griffin و مدل های یادگیری ماشینی می گیرند.

پس از انجام پیش بینی ها، همچنان برای این خدمات سوالاتی دشوار وجود دارد که باید به آنها پاسخ داده شود.

اگر Risk Ops معتقد باشد یک پیش بینی بیش از حد مثبت اشتباه است، ممکن است یک مشتری مورد ممنوعیت قرار گیرد. در صورت بروز این موقعیت، چگونه مشتریان یا Risk Ops می توانند این اطلاعات را به سرعت به روز کنند یا به مدل های جدید قوانین و یادگیری ماشین ارسال کنند؟در حال بررسی تیکت های باز شده به دلیل پیش بینی/تصمیمات TISS به عنوان CustomService/Data Scientists، چگونه می توانید بدانید کدام قوانین و داده ها استفاده شده است؟ مانند اینکه چرا مسافر یک سلفی را فعال کرده یا چرا یک رزرو مسدود شده است.پس از راه اندازی یک قانون/مدل جدید توسط Data Analysts/Data Scientists (DA/DS)، چگونه می توانند کارایی را به صورت دقیق در زمان واقعی پیگیری کنند؟ به عنوان مثال عملکرد قانون در یک کشور یا شهر بر اساس هفته به هفته چگونه است؟چگونه می توان DA/DS به تمام داده های پیش بینی برای تحلیل داده یا آموزش مدل دسترسی داشت؟چگونه سیستم با سرعت راه اندازی کسب و کار Grab همراه است و با حداکثر خودمختاری استفاده می شود؟

مشکل

برای پاسخ دادن به سوالات فوق، خدمات TISS قبلاً از Kibana در سراسر شرکت برای ثبت پیش بینی ها استفاده می کرد. به عنوان مثال، یک لاگ به صورت زیر است:PassengerID: 123، Scenario: PinTrigger، Decision: Trigger،.... این روش ثبت لاگ دارای برخی مشکلات آشکار بود:

لاگ ها به صورت متن ساده ساخته شده اند و سازگاری خوبی با آموزش مدل های Machine Learning ندارند زیرا بیشتر مدل های Machine Learning به داده های پردازش شده برای انجام پیش بینی های دقیق نیاز دارند.علاوه بر این، کنترل دسترسی در صفحه پردازش توسعه دهندگان کیبانا به صورت دقیق پیاده سازی نشده است.توسعه دهندگان، DA و DS کنترل دسترسی ندارند درحالی که GS به هیچ وجه دسترسی ندارد. به همین دلیل GS نمی تواند به راحتی داده ها را مشاهده کند و DA/DS نمی توانند به راحتی داده ها را پردازش کنند.

برای پرداختن به تمام مشکلات لاگ Kibana، ما ActionTrace را توسعه دادیم، یک کتابخانه کد با یک طرح داده ساختار یافته خوب. لاگ ها، همچنین به عنوان اسناد شناخته می شوند، در یک خوشه ElasticSearch اختصاصی با کنترل دسترسی ذخیره می شوند. با این حال، پس از مدتی استفاده از آن، متوجه شدیم که هنوز برخی بهبودها نیاز دارد.

هر سناریو تجاری شامل انواع مختلفی از entities است و ActionTrace به طور کامل خود مختار نیست. این بدان معنی است که نیاز به کار توسعه زیادی برای پشتیبانی از سناریوهای تجاری با سرعت بالا وجود دارد. در زیر چند مثال آورده شده است:موجودیت های اصلی در کسب و کار تاکسی راننده و مسافر هستند،موجودیت های اصلی در کسب و کار غذا می تواند فروشگاه، راننده و مصرف کننده باشد.تمام این موجودیت ها باید به صورت دستی به طرح داده ای ActionTrace اضافه شوند.هر سناریو تجاری ممکن است اطلاعات سفارشی خود را ثبت کند. زیرا همپوشانی وجود ندارد، هر کدام با یک فیلد جدید در طرح داده متناظر می شوند. به عنوان مثال:برای هر سناریو که شامل پرداخت است، روش پرداخت معتبر و تاریخ انقضا ثبت می شود.در کسب و کار تاکسی، geohash ثبت می شود.برای ذخیره داده های لاگ از ActionTrace، تیم های مختلف باید خوشه های ElasticSearch خود را راه اندازی و مدیریت کنند. این موجب افزایش هزینه های سخت افزاری و نگهداری می شود.یک رابط کاربری وب ساده برای مشاهده لاگ ها از ActionTrace ایجاد شده است، اما هنوز کنترل دسترسی در دسته بندی دقیق وجود ندارد.

راه حل

ما Archivist را توسعه دادیم، یک سیستم جدید برای پیگیری، آمار و بازخورد رویدادهای پیش بینی مبتنی بر قوانین و مدل های یادگیری ماشین است. این سیستم به صورت متمرکز، عملکرد بالا و انعطاف پذیر است. به تمام موارد مذکور بالا پاسخ می دهد و بهبودی نسبت به تمام راه حل های موجود که پیشتر ذکر شده بودند است.

بهبودهای کلیدی عبارتند از:

موجودیت ها و فیلدهای سفارشی تعریف شده توسط کاربرهاهیچ نوع موجودیت قبلی تعریف شده نیست. کاربران می توانند تا 5 نوع موجودیت (مانند شناسه مسافر، شناسه راننده، شماره تلفن، شناسه روش پرداخت و غیره) را تعریف کنند.به همین ترتیب، تا حدی از فیلدهای سفارشی محدودیت دارد برای استفاده، علاوه بر

آیا تاکنون تعجب کرده‌اید که چه اتفاقی رخ می‌دهد وقتی روی دکمه کتاب کردن هنگام تنظیم سفر خانگی کلیک می‌کنید؟ در واقع، در پشت این عمل ساده، بسیاری از اتفاقات رخ می‌دهد و برای صحبت کردن درباره همگی آنها، روزها و شب ها زمان صرف خواهد شد. شاید بهتر باشد این سوال را با دقت بیشتری مطرح کنیم. بنابراین، بیایید دوباره امتحان کنیم - آیا تا به حال فکر کرده‌اید که چگونه مجله زیبایی و درمانی آذروت موقعیت مکانی رانندگان را ذخیره و استفاده کرده و راننده‌ای را به شما اختصاص دهد؟ اگر چنین است، قطعاً مطالب این پست وبلاگ را جالب خواهید یافت زیرا در آن به بررسی نحوه کار کلیه اینها در پشت صحنه می‌پردازیم.

مشکلاتی که قصد حل آن را داریم چیست؟

یکی از مسائل اصلی صنعت حمل و نقل و ارسال این است که رانندگان در حال حرکت نزدیک‌ترین موقعیت خود را به صورت زمان واقعی پیدا کنند. از این درخواست در زمان واقعی دو چالش وجود دارد.

خودروهای سریع حرکت

خودروها به طور مداوم حرکت می‌کنند و گاهی اوقات رانندگان با سرعتی بیش از ۲۰ متر در ثانیه حرکت می کنند. همانطور که در شکل ۱ الف و شکل ۱ ب نشان داده شده است ، دو نزدیکترین راننده به نقطه پیکاپ (نقطه آبی) با گذر زمان تغییر می‌کند. برای ارائه خدمات تخصیص با کیفیت بالا، مهم است که اشیا را به طور مداوم پیگیری کنیم و موقعیت اشیا را با فرکانس بالا (به عنوان مثال در ثانیه) به‌روزرسانی کنیم.

محاسبه مسافت مسیری

برای تامین نیازهای کسب و کار، باید K نزدیکترین اشیا بر اساس مسافت مسیری به جای مسافت هوایی محاسبه شود. به دلیل پیچیدگی شبکه جاده، راننده با کوتاه‌ترین مسافت هوایی باید ممکن است با یک مسافت مسیری بیشتر به نقطه پیکاپ برسد به دلیل دور زدن.

همانطور که در شکل ۲ نشان داده شده است ، راننده در بالا به عنوان نزدیکترین راننده به نقطه پیکاپ تلقی می شود به وسیله مسافت خطی. با این حال ، راننده در پایین باید نزدیکترین راننده واقعی با مسافت مسیری باشد. علاوه بر این ، مسافت مسیرکمک می کند تا زمان پیش بینی شده ورود (ETA) استنباط شود که یک عامل مهم برای تخصیص است ، زیرا کاهش مدت زمان انتظار مسافر زمان سفارش را کاهش می دهد و نرخ لغو سفارش را کاهش می دهد و نرخ تکمیل سفارش را بهبود می بخشد.

جستجو برای K نزدیکترین رانندگان نسبت به یک POI (Point of Interest) مسئله ای است که برای تمام شرکت های حمل و نقل سواری مطالعه شده است و می توان آن را به عنوان مسئله همسایگی نزدیکترین همسایه (KNN) در نظر گرفت. نسل قبلی ما، Sextant ، با فاصله haversine از موقعیت مکانی رانندگان تا نقطه پیکاپ ، رانندگان نزدیک را جستجو می کند. با تقسیم منطقه به شبکه ها و ذخیره آنها به صورت توزیع شده ، Sextant می تواند با ضریب فشار کم ، حجم بالا از درخواست ها را با تاخیر پایین پردازش کند. با این حال ، در نزدیکترین راننده هایی که توسط مسافت هوایی پیدا می شوند ممکن است مسافت رانندگی و ETA طولانی رخ دهد ، همانطور که در شکل ۲ نشان داده شده است. برای کسب اطلاعات بیشتر در مورد Sextant ، لطفا به مقاله Sextant: Grab’s Scalable In-Memory Spatial Data Store for Real-Time K-Nearest Neighbour Search مراجعه کنید.

برای رفع بهتر چالش های فوق، ما یک راه حل نسل بعدی به نام Pharos ارائه می‌دهیم.

Pharos چیست؟

Pharos به مفهوم چراغدار در یونانی است. در Grab ، این یک راه حل در حافظه مقیاسپذیر است که جستجوی نزدیکترین K حجم بزرگ ، زمان واقعی را با فاصله رانندگی یا ETA با فرکانس بالا از مکان‌های شی را پشتیبانی می‌کند.

در Pharos ، برای نمایش شبکه جاده از گراف‌های OpenStreetMap (OSM) استفاده می‌کنیم. برای پشتیبانی از نیازهای کسب و کار محلی، گراف بر اساس شهرها و عمودها تقسیم بندی می‌شود (به عنوان مثال در شبکه جاده خودروی چهار چرخ قطعاً با موتور سیکلت یا پیاده متفاوت است). ما این کلید تقسیم را به عنوان شناسه نقشه مشخص می‌کنیم.

Pharos گراف‌های بخش‌های را در زمان شروع سرویس بارگیری می‌کند و داده‌های فضایی رانندگان را به صورت توزیع شده در حافظه ذخیره می‌کند تا مشکل مقیاس‌پذیری را در صورت رشد گراف یا تعداد رانندگان رفع کند. این داده‌ها به چندین نمونه (یعنی ماشین‌ها) با تکثیر برای استقرار بالا استفاده می‌شود. Pharos از درخت‌های Adaptive Radix Trees (ART) برای ذخیره مکان اشیا همراه با متادیتا استفاده می‌کند.

برای پاسخ به پرس و جوی KNN بر اساس مسافت مسیری یا ETA ، Pharos از Incremental Network Expansion (INE) استفاده می‌کند که با شروع از بخش جاده نقطه پرس و جو آغاز می‌شود. در طول گسترش ، رانندگانی که در سگمنت‌های جاده ذخیره شده‌اند به صورت تدریجی به عنوان نامزدها بازیابی می‌شوند و در نتایج قرار می‌گیرند. چون گسترش در واقع نقشه ایزوکرون را تولید می‌کند ، می تواند با رسیدن به شعاع قابل تعریفی از فاصله یا ETA و یا حتی تعداد حداکثر نامزدها خاتمه یابد.

اکنون که یک نمای کلی از Pharos دارید ، ما می‌خواهیم به جزئیات طراحی آن بپردازیم ، با شروع از معماری آن.

معماری Pharos

به عنوان یک میکرو سرویس ، Pharos درخواست ها را از اپ استریم دریافت می کند ، عملیات مربوطه را انجام می دهد و سپس نتیجه را باز می گرداند. همانطور که در شکل ۴ نشان داده شده است ، معماری Pharos می تواند به سه لایه تقسیم شود: Proxy ، Node و Model.

لایه Proxy. این لایه در گذراندن درخواست به نود مناسب کمک می کند ، به ویژه وقتی که نود بر روی یک ماشین دیگر است.Node لایه. این لایه شاخص راهنمایی برای شناسه نقشه به مدل ها ذخیره می کند و درخواست را برای اجرا به مدل مناسب ارسال می کند.Model لایه. این لایه ، جایی است که منطق تجاری پیاده سازی شده است ، عملیات را اجرا می کند و نتیجه را باز می گرداند.

به عنوان یک ذخیره کننده توزیع شده در حافظه درونی ، Pharos برای تعادل بار ، تحمل‌پذیری اشکال و بازیابی سریع طراحی شده است.

با توجه به شکل ۴ به عنوان مثال ، Pharos از سه نمونه تشکیل شده است. هر نمونه به تنهایی قادر به پاسخگویی به هر درخواست از اپ استریم است. هرگاه درخواستی از اپ استریم داشته باشیم آن درخواست در یکی از سه نمونه توزیع می‌شود ، که منجر به توازن بار می‌شود.

در Pharos ، هر مدل دارای دو نمونه است و آنها در نمونه ها و مناطق دسترسی مختلف ذخیره می‌شوند. اگر یک نمونه بیکار شود ، دو نمونه دیگر هنوز برای سرویس بالا هستند. ماژول تحمل خطا در Pharos به طور خودکار کاهش تعداد نمونه ها را تشخیص داده و نمونه های جدیدی را برای بارگذاری گراف‌ها و ساخت مدل های نمونه های گم شده ایجاد می‌کند. این قابلیت اطمینان Pharos را حتی در شرایط قطعی برقرار می‌کند.

با توجه به معماری Pharos ، بیایید به ذخیره‌سازی اطلاعات راننده نگاهی بیندازیم.

ذخیره اطلاعات راننده

Pharos به عنوان یک ذخیره کننده راننده عمل می‌کند و در عوض از ذخیره سازی درون حافظه استفاده می کند که سریعتر و مناسب تر برای پردازش مکان به روز رسانی های مکان راننده ها و بازیابی مکان راننده ها برای پرس و جوهای نزدیک به راننده است. بدون از دست دادن کلیت مساله ، فرض می شود که رانندگان در ورودی ها قرار دارند ، یعنی گره های مبتنی بر لبه (EBN) از یک گراف مبتنی بر لبه.

مدل مسئول ذخیره سازی راننده در Pharos است. اشیای راننده از لایه های بالا وارد لایه مدل جهت ذخیره شده و هر اشیا راننده شامل چندین فیلد مانند شناسه راننده و متادیتا است که شامل اطلاعات تجاری مربوط به راننده (مانند وضعیت راننده و ترجیحات تخصیص خاص) است.

همچنین زوج Latitude و Longitude (LatLon) همراه با اشیا قرار دارد که موقعیت فعلی راننده را نشان می‌دهد. اغلب این زوج LatLon ارسال شده توسط راننده خارج از جاده (بر روی هیچ جاده موجودی نیست). محاسبه مسافت مسیری بین نقطه پرس و جو و راننده بر اساس شبکه جاده است. بنابراین ، باید استنتاج کنیم که راننده بیشترین احتمالاً در کدام بخش جاده (EBN) باید باشد.

تبدیل زوج Latitude و Longitude (LatLon) به موقعیت دقیقی در جاده به اسنپینگ گفته می شود. مدل با یافتن EBN هایی که به موقعیت راننده نزدیک هستند شروع می کند. پس از آن ، همانطور که در شکل ۵ نشان داده شده است ، موقعیت راننده به این EBN ها نیز پرتاب می شود ، با کشیدن خطوط عمودی از موقعیت به EBN ها. نقطه پرتاب به عنوان یک نقطه سرگرمی نشان داده می شود. همانطور که از نام پیداست ، این گره ها در گراف وجود ندارند. آنها فقط تجسم حافظه ای از موقعیت راننده اشباع شده است.

هر گره سرگرمی شامل اطلاعاتی در مورد موقعیت پرتابی خود می‌باشد از این دست اطلاعات می‌توان به شناسه EBN که به آن پرتاب می شود ، پروژه LatLon و نسبت پروژه و غیره اشاره کرد. اسنپینگ لیستی از گره های سرگرمی را به ترتیب از فاصله هوایی بین LatLon راننده تا گره سرگرمی به صورت صعودی بر می گرداند. نزدیکترین گره سرگرمی با شی اصلی راننده مرتبط است تا اطلاعاتی در مورد موقعیت مکان شده راننده فراهم کند.

برای شاخص‌گذاری بهینه‌تر رانندگان از گراف ، Pharos از ART برای ذخیره کردن راننده استفاده می ‌کند. هر مدل دو ART را حفظ می کند: ART راننده و ART EBN.

ART راننده برای ذخیره سازی شاخص شناسه راننده به اشیا راننده مربوطه استفاده می شود ، در حالی که ART EBN برای ذخیره شاخص شناسه EBN به ریشه ART استفاده می شود که رانندگان را در آن EBN ذخیره می کند.

شاخص‌گذاری دوطرفه بین EBN ها و راننده ها ایجاد می‌شود زیرا نیاز به بازیابی کارآمد از راننده به EBN به دلیل به روز رسانی مداوم مکان راننده ها وجود دارد. در عمل ، به عنوان کلیدهای شاخص ، شناسه راننده و شناسه EBN هر دو عددی هستند. ART دارای یک