网易云音乐数仓团队：数据治理上的实践-轻识

导读：

本篇来自于网易云音乐数仓团队。将分享他们近一年在数据治理上的实践，具体内容将从数据背景、治理思路，项目方案、治理实践、项目成果及未来展望几个方面展开。

数据背景

1.1 业务背景

云音乐目前发布了9款独立的产品，国内产品有6款，除了云音乐本身之外、还有5款社交娱乐产品，分别为look直播、心遇、声波、音街和mus；海外的社交娱乐产品有海外心遇heatup，海外直播kaya，游戏社交产品ruffgo。

1.2 数据现状

规模上

承载了9款产品
线上调度任务数有2万以上
表数量在5W以上
数据项目有12个
目前数据服务的人群有，算法、分析师、数据产品、业务服务端、业务中台、客户端等，服务的对象在600以上
数据成本方面，存储日费用合计有19w+，计算成本日费用在27w+

质量上

一方面任务稳定性较差，核心任务和报告不能稳定产出
队列资源使用方面粒度比较粗、运维成本较大

效率方面

历史原因有大量任务仍然运行在hive引擎和spark2引擎上，这类任务耗资源、执行慢、小文件问题较多。下游引用比较随意，存在大量任务直接读取ods表的情况，特别是涉及到日志数据，小需求耗大资源。

环境方面

目前包含了国内环境和海外环境，国内环境目前有5个集群，海外环境当前包含了阿里云和aws。

总体来讲，针对目前的数据现状，治理面临的问题是体量大、环境杂、缺规范、存在大量的资源浪费。

治理思路

2.1 找问题

针对当前的数据现状，数据治理可以从哪些方面来找到治理方向呢？我们从技术视角对问题进行了分类。目前大数据环境下数据相关内容的分布情况如图中所示：

首先我们所有的数据都是存储在hadoop的hdfs文件系统之上的，在hdfs之上我们会建立一系列hive库和表用来管理数据；基于库表的管理，数据开发会在上面进行模型设计和数据分层设计；再往上则是数据处理方面的内容，包括任务调度、执行引擎等。

随着业务的快速发展，数仓的不断迭代，每块内容可能或者必然存在着哪些问题呢？

先来看一下hdfs这个模块，此前的情况是hdfs文件缺乏有效的管理监控内容，无效文件无法探查和处理，这种无效文件越多必然影响hadoop集群的稳定性。
库表方面，此前数据库扩展没有严格限制，滋生了非常多的数据库，迭代下来很多库的用途不详。建表方式也比较凌乱，有众多以用户名字命名的表，为之后的移交和管理工作带来了较大困扰。
模型设计方面，早期设计比较粗暴混乱，众多任务直接依赖ods层数据，cdm层复用率较低，也存在大量闲置任务和表。引起资源的过度浪费，在数仓的改造重构过程中也制造了不少困难。
任务调度执行引擎方面也有众多任务是跑在hive和spark2引擎上的，存储、计算、小文件问题都存在较大提升空间。

2.2 问题解法

针对以上存在的问题，如何来更有效的找到问题所在；

在hdfs文件上，我们把一直存在于集群中又脱离管控、不被使用却占用着资源的文件称之为“游离hdfs文件”。如何定位到这些文件，这里就需要获取到hdfs文件的元数据信息进行分析。
库表的使用现状上，云音乐主集群的库有70多个，表的数量达到了5w以上，实际上常用的库表是非常有限的；库方面我们实际常用的库在20个左右，表方面我们也存在着大量的临时表和无效表，正规表的生命周期覆盖度也比较低。这方面我们需要用到库表元数据信息进行梳理和分析。
模型设计的合理性衡量，我们引入了“三度”指标来衡量整个模型设计的健康情况，“三度”指标的计算需要用到数据血缘的信息。
任务信息的执行调度情况，我们这里也缺乏一个宏观的视图进行分析。计算治理这块需要有一个比较全面的执行元信息进行分析和监控，更直观的看到可优化的空间。

以上这些问题的解决方案都指向了元数据信息，拥有了完整的元数据，我们才具备了放手去干的基础。

项目方案

3.1 构建整个治理方案

要解决问题找到问题，我们第一步就是获取完整的元数据内容

22年年初开始，从网易数帆大数据团队拿到了比较完备的元数据内容，涵盖了表粒度的元数据信息、任务粒度元数据信息、hdfs文件元数据信息等。

基于获取的元数据内容进行元数据建模。通过对元数据和云音乐内部数据的一系列的处理，产出了丰富的元数据cdm层的宽表和维表。通过模型产出的报告可实现从更多的视角观测数据现状和任务现状，可以分析的粒度有：整体平台数据，数据使用团队、数据业务域、个人、表。整个建模内容支撑了体系化的治理方案。

3.2 治理体系

云音乐的整个数据治理体系中，我们遵循的原则是治理有依据、权责有归属、机制可持续、效果可回收、方法可沉淀。

治理的依据是元数据；权责有归属是定位谁的问题谁来治理；机制可持续是在治理的过程中沉淀出一套可推行的机制和原则；效果可回收是每一项都能拿到相应的结果；方法可沉淀整个治理方案可以进行横向复制推广。

治理的动作可归纳为建监控、定规范、搭工具、做治理。上面三个动作都是为了最后一个动作做铺垫的。在规范、监控、工具都做好了的前提下，治理的动作才能更有效的推进落地；做治理的过程中也可以逐步丰富规范内容，同时也可以进一步沉淀和落地监控及工具。

上面讲到的治理原则中，权责有归属和机制可持续是治理事项推进的两个基本点，所以在推进其他治理事项前要先落地这两项原则。

治理实践

4.1 权责有归属

所有要推进的治理项都是要人来治理的。所有的数据、任务、表都需要有责任人对其进行负责，云音乐的所有ods的dump任务是在云村平台上实现的，dump任务的配置都是由云村平台的开发统一配置的，表和任务的责任人都是归在配置任务的开发身上，n个业务几千个任务都是有平台开发来运维管控，表和任务的生命周期管理基本上是没有管制的。另外一些历史原因，存在大量的表归属在离职人员和项目账号下，这些表及相关的任务也是出于脱管的状态。针对这几种情况分别做了ods治理、离职人员表任务归属治理、项目账号表归属治理。

ods治理项，这里先是数仓按业务承接云村平台所有dump任务和表。第二是推动产品功能落地，用户按业务划分提交dump任务，数仓审批并负责相关的任务和表的管理。
离职人员表任务归属，通过拉取离职人员组织关系、拉专项群对任务和表进行认领。
项目账号表归属，通过定制表推荐归属规则，计算出表的推荐归属责任人。并实现表批量归属工具，实现批量表的归属。

4.2 机制可持续

在进行实际治理项目执行的过程中，每个治理事项所面临的问题、治理的内容和治理步骤都是差异且多元化的；治理项都面临着跨部门，多团队协作，在人力精力投入比较分散；在这些问题的背景下我们建立了统一的推进机制以及推进原则。

4.3 hdfs层面-游离hdfs文件治理

在游离hdfs文件的治理，通过hdfs元数据和hive元数据的关联匹配逻辑和文件的访问情况，进一步计算出游离的hdfs文件；通过找到游离文件的生产方进一步确认文件是否还有存在的必要，并推进无效文件下线动作。现阶段通过这种方式梳理出来的游离文件有计算引擎遗留数据、未清理的临时目录数据、删表未删文件的数据，算法和工程任务的无效应用数据、实时任务无效归档数据等。通过对这些游离数据的清理，目前拿到的效果是非常显著的，释放了7p+以上的逻辑存储空间，清理掉了450w以上的文件和目录。

4.4 库表层面-数据库治理

云音乐数据目前服务的角色比较广泛，除了数仓、分析师、算法、我们还服务了所有和技术挂钩的角色，包括客户端、业务服务端、安全中台、曲库业务、广告、业务中台等等。

由于之前对数据库申请的审核比较随意，云音乐主项目下已经存在了70多个库，其中大部分库的用途是不详的，有一些库映射的hdfs目录是非法的，在数据库的用法上也存在比较多不规范的地方。所以在这个背景下启动了对数据库的一波治理，整个治理流程是通过元数据，梳理库的使用现状，根据现状进一步定制数据库使用规范；确定出可下线库明细，制定下线方案，通过专项、数据迁移，公示下线等手段推进数据库的下线。并回收数据库的审批权限来规范库的使用。目前已经下线了27个无效库，数据库使用规范中明确了库的最终态，之后新增的数据都会归在目前的22个数据库中。

4.5 库表层面-表治理

表治理主要是针对表的存储治理的过程，这里介绍一下四个比较有代表的存储治理专项。

第一个是临时表治理，早期临时表面临着存量大，增速快的问题，经过一期的的治理解决了大量存量的问题，增速快的问题后面通过元数据建模产出的报表，推进线上任务改造的方式较好的解决了增速快的问题。

第二个是生命周期管理的推进，早期面临的问题是缺乏规范，生命周期覆盖低，设置随意。在出台了生命周期管理设置规范之后，生命周期覆盖上获得了较好的成果。

第三个是巨型表的治理，这里定义出日费用在100以上的表为巨型表，总共涉及163张表，存储占比却达到了80%，,单独把巨型表拉出来治理是居于二八原则，拉大头重点治理，获得的收益是显著的。

第四个是abtest专项治理，abtest任务的特点是实验数据量大，任务复杂耗资源。当前正在推进ab系统的升级改造，天秤系统将会代替掉老的ab系统，正好趁着这个机会把老的任务和存储进行下线。当前这个治理事项正在推进过程中，还有其他类似的这种产品换代的事项也会按专项进行推进。

4.6 模型设计层面-“三度”指标治理

22年我们在模型设计层面引入了“三度”指标的概念，通过一系列指标在进度健康度价值度上通过数值化来衡量我们模型建设的一个合理度。

覆盖率和闲置率是针对ods表利用率的一个衡量。通过对ods层表的治理可以进一步提升覆盖率，降低闲置率。这个过程中我们可以下线大量的无效ods表以及相应的任务。

复用率和穿透率是用来反馈我们cdm层表引用健康度情况，目前通过一系列的治理。复用率已经又30%提升到了60%，穿透率由20%下降到了10%。

资产规范率和资产引用率是针对我们cdm层表的规范化情况的一个衡量，这两个指标我们是保持在85%以上，并且通过一系列的规范落地，指标会逐步提升。

通过三度指标的一个治理，可以清理掉大量无效的任务和表，在存储资源和计算资源上可以减少不少成本。

4.7 数据处理层面-计算治理

计算治理当前阶段主要是针对计算引擎升级做治理。

云音乐集群是在21年年中上线了spark3执行引擎，经过大半年的使用，我们确实在spark3上体验到了非常棒的效果，网易数帆大数据团队的同学也在spark3上进一步做了大量的优化，例如AQE增强优化、zorder功能以及shuffle阶段采用zstd压缩算法。为了能够更好的兼容升级过程，大数据团队也在spark引擎上内置了大量优化参数。当前spark3引擎在计算资源、存储资源、小文件问题上获得了大幅的提升。在这个背景下我们在22年Q2阶段开始任务迁移至spark3的专项。涉及的迁移事项有