معماری یک پلتفرم اعلان در AWS و نحوه پیاده‌سازی شخصی‌سازی کانال‌های تحویل

نمای کلی طراحی:

این طراحی به عنوان یک معماری ساده و کارآمد برای یک پلتفرم اعلان استاندارد عمل می‌کند که می‌تواند در طول چرخه حیات سیستم گسترش یابد، همانطور که و در مواقعی که الزامات مورد استفاده خاص برای بهبودهای بیشتر معرفی می‌شوند.

پلتفرم اعلان از تعدادی از فناوری‌های بدون سرور AWS استفاده می‌کند که می‌توانند با CloudFormation یا پسوند آن برای برنامه‌ها و منابع بدون سرور مستقر شوند. AWS SAM.

نقطه ورود به این سیستم با API Gateway طراحی شده است و توسط AWS WAF برای فیلتر کردن درخواست های دریافتی با ارائه محافظت در برابر حملات رایج وب بر اساس شرایط تعریف شده، رابط کاربری دارد. سپس درخواست‌های فیلتر شده توسط API Gateway از طریق Cognito برای سرویس‌های خارجی و از طریق IAM برای سرویس‌هایی که ممکن است در داخل به پلتفرم دسترسی داشته باشند، احراز هویت می‌شوند.

ماژول طراحی که برای پلتفرم اعلان استفاده می‌شود، از معماری رویداد محور (EDA) استفاده می‌کند – در واقع، همه درخواست‌های احراز هویت شده یک نقطه پایانی API Gateway را فراخوانی می‌کنند که سیستم را با فراخوانی یک تابع لامبدا برای درخواست‌های فردی یا مسیریابی درخواست‌های دسته‌ای از طریق SQS به حرکت در می‌آورد. درگاه اطلاع رسانی همانطور که در نمودار معماری پیوست شده نشان داده شده است مسئول این فرآیند اولیه رسیدگی به درخواست های فردی و دسته ای است. در صورتی که پردازش داده‌های بلادرنگ اعلان‌ها مورد نیاز باشد، می‌توان به جای آن از Amazon Kinesis استفاده کرد.

درخواست‌های اولیه (انفرادی و دسته‌ای) که در دروازه اعلان‌ها ایجاد می‌شوند، سپس با استفاده از SNS و SQS به سرویس پردازش و توزیع اعلان هدایت می‌شوند، جایی که توابع AWS Lambda فراخوانی می‌شوند و وظیفه منطق تجاری سفارشی برای اعتبارسنجی، قالب‌بندی و زمان‌بندی محتوای اعلان‌ها را دارند. همچنین برای تعامل با جدول DynamoDB که اطلاعات تماس و ترجیحات کانال تحویل کاربران (مشترکین) را ذخیره می کند.

پس از اجرای سرویس توزیع اعلان، یک گذرگاه رویداد با آمازون EventBridge فراهم می‌شود تا اعلان‌های پردازش شده را با استفاده از قوانین رویداد هدایت کند که این رویدادهای اعلان را به صف‌هایی که برای هر کانال تحویل تعیین‌شده برای نظرسنجی و پردازش همزمان هدایت می‌کند، هدایت می‌کند. هر کدام
رویداد اطلاع رسانی با یک دسته بندی خاص برای کانال های تحویل مربوطه برچسب گذاری می شود تا به صف مربوطه خود هدایت شود. تعدادی از توابع لامبدا در اینجا برای اجرای کارهای تحویل خاص که صف های اختصاص داده شده خود را نظرسنجی می کند و الگوهای اعلان را از یک سطل S3 واکشی می کند، ارائه می شود.
برای ارسال اعلان ها به کانال های تحویل یکپارچه پیکربندی شده با اشتراک مصرف کنندگان. Amazon SES برای ارسال ایمیل استفاده خواهد شد، در حالی که Amazon SNS برای هر دو پیامک و اعلان‌های فشار موبایل استفاده خواهد شد. چهارمین صف و کار تحویل سفارشی برای تعامل با API هر کانال خدمات شخص ثالثی که در آینده باید متصل شود، ارائه شده است. در صورت نیاز به کمپین ها و جلسه تعاملی بیشتر با کاربران برای اطلاع رسانی، می توان از Amazon Pinpoint برای جایگزینی این خدمات استفاده کرد.

وضعیت کارهای ارسال اعلان (ارسال شده/شکست خورده) و همچنین کانال‌های تحویل (تحویل شده/شکست خورده) در جدول DynamoDB وارد می‌شوند.

متریک های CloudWatch از همه سرویس های قابل اجرا جمع آوری و تجزیه و تحلیل می شود.

نکات زیر برخی از ویژگی‌های سرویس‌های AWS مورد استفاده است که از برآورده شدن الزامات غیرعملکردی پلت فرم اعلان اطمینان می‌دهد.

مقیاس پذیری
● Amazon S3: فضای ذخیره‌سازی نامحدودی را برای گزارش‌ها، داده‌های ردیابی و اعلان فراهم می‌کند
قالب ها، به طور خودکار با افزایش داده ها مقیاس می شوند.
● Amazon SQS/SNS: مقیاسی برای مدیریت میلیون ها پیام در ثانیه.
● AWS Lambda: با ایجاد نمونه‌هایی برای بارهای کاری همزمان بالا مقیاس‌گذاری می‌کند.
● Amazon DynamoDB: مقیاس بندی بر اساس تقاضا برای بارهای کاری غیرقابل پیش بینی.
● Amazon Kinesis: مقیاس بندی افقی مبتنی بر Shard برای جریان های داده در زمان واقعی.

در دسترس بودن بالا
● Amazon S3: طراحی شده برای 99.99٪ در دسترس بودن، با تکثیر داده در چندین AZ.
● SQS، SNS، DynamoDB: تکرار Multi-AZ تحمل خطا را تضمین می کند.
● AWS Lambda: اجراهای ناموفق را به صورت خودکار دوباره امتحان می کند و در چندین AZ عمل می کند.
● Amazon Pinpoint: عملیات Multi-AZ برای تحویل مداوم پیام.

امنیت
ویژگی اخیر دروازه API برای ارائه پشتیبانی از TLS (درگاه API اکنون از TLS 1.3 پشتیبانی می کند) نیاز به رمزگذاری داده ها در حین انتقال را برآورده می کند. ادغام با آمازون Cognito تضمین می‌کند که احراز هویت و مجوز با تأیید دسترسی به سرویس‌هایی که نیاز به دسترسی به پلتفرم با استفاده از فهرست کاربران برنامه (مجموعه کاربر) یا با استفاده از یک ارائه‌دهنده هویت (حوضه‌های هویت) نهادهای IAM حفظ می‌شوند، به‌ویژه نقش‌هایی را نیز می‌توان اختصاص داد. به سرویس های داخلی برای احراز هویت نقش‌های سرویس‌های AWS با خط‌مشی‌های خاص برای ارائه دسترسی محدود برای عملیات‌های خاص و فراخوان‌های API در تلاش برای تقویت وضعیت امنیتی پلت‌فرم مورد استفاده قرار خواهند گرفت.
● رمزگذاری در حمل و نقل:
● همه سرویس‌ها، از جمله S3، SQS، SNS، API Gateway و Lambda، از TLS پشتیبانی می‌کنند
(Transport Layer Security) برای رمزگذاری داده ها در حین انتقال.
● آمازون S3:
● سیاست‌های سطل و IAM: دسترسی به داده‌های حساس مانند گزارش‌ها و الگوها را محدود کنید.
● رمزگذاری در حالت استراحت: از رمزگذاری سمت سرور (SSE-S3، SSE-KMS) یا سمت سرویس گیرنده استفاده می‌کند
رمزگذاری
● نقش/خط مشی های IAM: کنترل دسترسی دقیق، دسترسی ایمن به منابع را تضمین می کند.
● امنیت دروازه API: از مجوزهای Cognito، IAM و سفارشی Lambda برای
احراز هویت
● AWS WAF: از API ها در برابر DDoS، تزریق SQL و سایر تهدیدات محافظت می کند.

نظارت و ثبت
● Amazon CloudWatch:
● معیارها: معیارهای کلیدی مانند عمق صف SQS، موفقیت تحویل SNS را رصد می‌کند
نرخ‌ها، زمان‌های اجرای Lambda، توان عملیاتی DynamoDB و درخواست‌های API Gateway.
● هشدارها: هشدارهایی را برای ناهنجاری‌ها یا مشکلات عملکردی ارسال می‌کند (مثلاً تعداد زیاد صف‌های عقب افتاده،
تحویل ناموفق).
● سرویس لنز: نمای یکپارچه از عملکرد و در دسترس بودن در سراسر ارائه می دهد
خدمات، ترکیب معیارها، گزارش‌ها و ردیابی‌ها برای مشاهده‌پذیری سرتاسر.
● AWS X-Ray:
● ردیابی درخواست ها از طریق سیستم برای شناسایی گلوگاه های عملکرد و
وابستگی ها
● بینش دقیقی در مورد تأخیرها، خطاها و تعاملات سرویس ارائه می دهد.
● گزارش‌های CloudWatch:
● گزارش‌های زمان اجرا را از Lambda، API Gateway و سایر سرویس‌ها جمع‌آوری می‌کند.
● از پرس و جوی دقیق برای اشکال زدایی و تجزیه و تحلیل پشتیبانی می کند.
● CloudTrail:
● همه اقدامات API را برای ممیزی و انطباق ردیابی می کند و از ایمن و قابل ردیابی اطمینان می دهد
سیستم
● صف حروف مرده (DLQ):
● پیام های ناموفق یا غیرقابل تحویل را از SQS یا SNS برای تجزیه و تحلیل و
عیب یابی
● آمازون DynamoDB:
● وضعیت کارهای تحویل اعلان (ارسال/شکست خورده) و همچنین تحویل
کانال ها (تحویل شده/شکست خورده) در جدول DynamoDB وارد می شوند.
● آمازون S3:
● گزارش‌ها، اعلان‌های بایگانی‌شده، و داده‌های ردیابی را برای تجزیه و تحلیل طولانی‌مدت ذخیره می‌کند
گزارش انطباق

سیستم اعلان را می‌توان با ویژگی‌های یادگیری ماشین با استفاده از خدمات AWS ML برای بهینه‌سازی عملیات، بهبود تجربه کاربر و فعال کردن شخصی‌سازی تقویت کرد. در اینجا برخی از ویژگی‌های ML به همراه خدمات AWS که می‌توانند از آن‌ها پشتیبانی کنند، آورده شده است:

الف. شخصی سازی

• ویژگی ML: موثرترین کانال یا زمان تحویل را برای هر کاربر پیش بینی کنید.
• سرویس AWS: شخصی سازی آمازون
  • مدل‌های ML سفارشی را آموزش می‌دهد تا اولویت‌های تحویل را بر اساس رفتار و سابقه کاربر توصیه کند (به عنوان مثال: اولویت کانال، الگوهای پاسخ).

ب. برنامه ریزی هوشمند

• ویژگی ML: رفتار کاربر و داده‌های تعامل تاریخی را برای ارسال اعلان‌ها در بهترین زمان تجزیه و تحلیل کنید (به عنوان مثال: نرخ‌های باز بهینه).
• سرویس AWS: آمازون SageMaker
  • مدل‌هایی برای پیش‌بینی تعامل و زمان‌بندی پویا اعلان‌ها بسازید.
  • استفاده کنید پیش بینی آمازون برای پیش‌بینی‌های سری زمانی، مانند پیش‌بینی بهترین زمان‌ها برای اعلان‌ها.

ج. بهینه سازی محتوا

• ویژگی ML: به طور خودکار آنالیز و کارایی محتوای اعلان را بهبود می بخشد (مثلاً: خطوط موضوع، متن پیام) برای تعامل بیشتر.
• سرویس AWS: آمازون درک
  • تجزیه و تحلیل احساسات و استخراج عبارت کلیدی را در محتوای اعلان انجام دهید.
  • محتوا را متناسب با ترجیحات و احساسات کاربر تنظیم کنید.

د. کشف تقلب

• ویژگی ML: شناسایی و جلوگیری از فعالیت های تقلبی یا اعلان های مخرب (به عنوان مثال: شناسایی هرزنامه یا فعالیت غیرمعمول در سیستم).
• سرویس AWS: ردیاب تقلب آمازون
  • به طور خودکار ناهنجاری ها را در الگوهای ارسال اعلان یا محتوا بر اساس داده های تاریخی شناسایی می کند.

E. تقسیم بندی مخاطب

• ویژگی ML: کاربران را بر اساس رفتار، جمعیت‌شناسی یا سطوح تعامل برای اعلان‌های هدفمند به‌طور خودکار تقسیم‌بندی کنید.
• سرویس AWS: آمازون SageMaker یا آمازون دقیق
  • مدل‌های ML را برای خوشه‌بندی پیشرفته آموزش دهید یا از ویژگی‌های تقسیم‌بندی داخلی Pinpoint برای پیاده‌سازی ساده‌تر استفاده کنید.

F. بینش ردیابی و تجزیه و تحلیل

• ویژگی ML: از مدل‌های ML برای تجزیه و تحلیل معیارهای تحویل و ارائه بینش‌های عملی، مانند گرایش‌ها در تعامل کاربر یا زمینه‌های بهبود استفاده کنید.
• سرویس AWS: آمازون مواظب معیارها
  • به طور خودکار ناهنجاری‌ها را در نرخ تحویل، نرخ باز یا نرخ کلیک شناسایی می‌کند و عیب‌یابی سریع‌تر را امکان‌پذیر می‌کند.

بخش زیر دستورالعمل‌هایی برای پیاده‌سازی شخصی‌سازی با ارسال اعلان‌های تحویل از طریق مؤثرترین کانال برای هر کاربر بر اساس اولویت‌ها و رفتارهای تاریخی ارائه می‌کند.

مراحل پیاده سازی شخصی سازی

1. جمع آوری داده ها

برای آموزش مدل توصیه به یک مجموعه داده نیاز دارید. شامل ویژگی های زیر باشد:

• شناسه کاربری: شناسه منحصر به فرد برای کاربر.
• کانال استفاده شده: کانال تحویل.
• معیارهای تعامل: باز کردن نرخ، نرخ کلیک، یا خواندن رسید.
• مهر زمان: زمانی که اعلان ارسال شد.
• داده های زمینه: نوع دستگاه، مکان، زمان روز و غیره

منبع داده:

• صادرات داده از آمازون دقیق، آمازون S3 (logs)، یا پایگاه داده شما.

2. داده ها را آماده و ذخیره کنید

• استفاده کنید چسب AWS برای تمیز کردن و تبدیل داده های خام
• داده های پردازش شده را در آمازون S3 به عنوان ورودی برای مدل های ML.
• استفاده کنید کاتالوگ داده چسب AWS برای ایجاد ابرداده برای دسترسی ساختاریافته به داده های خود.

3. یک مدل توصیه را آموزش دهید

• استفاده کنید شخصی سازی آمازون:
  1. یک گروه داده ایجاد کنید: داده های خود را در شخصی سازی آمازون (داده های تعامل کاربر).
  2. یک دستور غذا را انتخاب کنید: را انتخاب کنید رتبه بندی شخصی دستور العمل برای این مورد استفاده
  3. مدل را آموزش دهید: از داده های خود برای ایجاد یک مدل یادگیری ماشینی استفاده کنید. Personalize به طور خودکار مدل را با استفاده از AutoML تنظیم می کند.

4. مدل را مستقر کنید

• مدل آموزش دیده را در شخصی سازی آمازون به عنوان یک موتور توصیه بلادرنگ.
• با ارائه پیشنهاد برای هر کاربر پیشنهادی ایجاد کنید شناسه کاربری و اختیاری داده های زمینه .

5. با سیستم اطلاع رسانی یکپارچه شوید

1. استنتاج بلادرنگ:

   • استفاده کنید Amazon Personalize Runtime API برای پرس و جو از توصیه ها (به عنوان مثال: از کدام کانال استفاده کنید).
   • ورودی مثال: شناسه کاربری + زمینه (به عنوان مثال: زمان روز، مکان).
   • خروجی مثال: فهرست رتبه بندی کانال ها (به عنوان مثال، ایمیل > پیامک > فشار).

2. تابع لامبدا برای تصمیم گیری:

   • ماشه AWS Lambda از دروازه اطلاع رسانی شما
   • تابع Lambda را فراخوانی می کند API را شخصی کنید، کانال با رتبه برتر را انتخاب می کند و اعلان را به طور مناسب هدایت می کند.

6. حلقه نظارت و بازخورد

• استفاده کنید آمازون CloudWatch برای ردیابی عملکرد معیارهای کلیدی سیستم توصیه.
• جمع آوری بازخورد: پیگیری کنید که آیا کاربران با کانال پیشنهادی درگیر هستند و این داده ها را دوباره در آن ذخیره کنید آمازون S3.
• به طور منظم مدل را دوباره آموزش دهید شخصی سازی آمازون با داده های تعامل به روز شده برای بهبود مستمر.

امیدوارم این سند مفید باشد. لطفا اگر سوال دیگری دارید در قسمت نظرات با من در میان بگذارید. برای مشاهده اختیاری این ارائه در YouTube می توانید از پیوند زیر استفاده کنید:https://www.youtube.com/watch?v=xiz5psps4CQ