火山引擎DataLeap的数据血缘用例与设计概述

更多技术交流、求职机会，欢迎关注字节跳动数据平台微信公众号，回复【1】进入官方交流群

数据血缘描述了数据的来源和去向，以及数据在多个处理过程中的转换。数据血缘是组织内使数据发挥价值的重要基础能力。本文从字节的数据链路概况开始，介绍了数据血缘在字节的应用场景，总体设计，数据模型以及衡量指标。

为了明确问题的讨论范围，我们首先介绍一下字节的数据链路。

• 字节的数据的来源分为两种：

  • 端数据：APP和Web端通过埋点SDK发送的，经过LogService，最终落入MQ
  • 业务数据：APP，Web和第三方服务所进行的业务操作，通过各种应用的服务，最终落入RDS，RDS中的数据，经过Binlog的方式，汇入MQ

• MQ中的数据，在MQ之间有分流的过程，做转换格式，流量拆分等

• 离线数仓的核心是Hive，数据通过各种手段最终汇入其中，使用主流的HiveSQL或SparkJob做业务处理，流入下游Clickhouse等其他存储

• 实时数仓的核心是MQ，使用主流的FlinkSQL或通用FlinkJob做处理，期间与各种存储做SideJoin丰富数据，最终写入各种存储

• 典型的数据出口有三类：

  • 指标系统：业务属性强烈的一组数据，比如“抖音日活”
  • 报表系统：以可视化的形式，各种维度展示加工前或加工后的数据
  • 数据服务：以API调用的形式进一步加工和获取数据

在字节， 数据血缘 的系统边界是：从 RDS 和 MQ 开始，一路途径各种计算和存储，最终汇入指标、报表和数据服务系统。

在讨论技术细节之前，需要先讲清楚血缘的应用场景与业务价值，进一步明确数据血缘需要解决的问题。不同的应用场景，对于血缘数据的消费方式，血缘的覆盖范围，血缘的质量诉求，都会有所差别。

领域	场景举例	场景描述	场景特点
数据资产	引用热度计算	资产被频繁消费和广泛引用，是对自身权威性的有利佐证，类似网页引用中的PageRank值，我们根据资产的下游血缘情况，定义了资产定义引用热度值。热度高的资产，更值得被信任。	离线方式批量消费血缘数据；覆盖范围越广越好；少量错误不会造成恶劣影响
理解数据上下文	在找数据时，通过查看一份数据资产的血缘，来更多的了解它的“前世今生”，可以更好的判定当前资产是不是自己需要的，或者是不是值得信赖的。就像了解一个人，可以从他周围的朋友中得到很多信息一样，是对这个人“生平”很好的补充。	实时方式获取血缘数据；覆盖范围越广越好；少量错误不会造成恶劣影响
数据开发	影响分析	当处于血缘上游的研发同学修改任务前，通过查看自己的下游，通知对应资产或任务的负责人，进行相应的修改，否则会造成严重的生产事故	实时方式获取血缘数据；覆盖范围越广越好；血缘错误可能会造成严重事故
归因分析	当某个任务出现问题时，通过查看血缘上游的任务或资产，排查出造成问题的根因是什么	实时方式获取血缘数据；覆盖范围越广越好；血缘错误会影响效率
数据治理	链路状态追踪	事先挑选已知的核心任务，通过血缘关系，自动化的梳理出其所在的核心链路，并做重点的治理与保障	离线方式批量消费血缘数据；覆盖核心链路；血缘错误可能会造成严重事故
数仓治理	数仓规范化治理，包括但不限于：数仓分层中不合理的逆向引用；数仓分层不合理；冗余的表与链路等	离线方式批量消费血缘数据；覆盖离线和实时数仓；少量错误不会造成恶劣影响
数据安全	安全合规检查	资产本身具有安全等级，资产的安全等级不应该低于上游资产的安全等级，否则会有权限泄露风险。基于血缘，通过扫描高安全等级资产的下游，来排除安全合规风险	离线方式批量消费血缘数据；覆盖离线和实时数仓；错误可能会造成安全风险
标签传播	首先根据规则自动识别（或人工）部分资产的安全标签，基于血缘，将标签自动传播到下游更广泛的资产	离线方式批量消费血缘数据；覆盖离线和实时数仓；少量不准确不会造成恶劣影响

概览

通过对字节血缘链路和应用场景的讨论，可以总结出血缘整体设计时需要考虑的两个关键点：

• 可扩展性：在字节，业务复杂而庞大，整条数据链路中，使用到的各种存储有几十种，细分的任务类型也是几十种，血缘系统需要可以灵活的支持各种存储和任务类型
• 开放的集成方式：消费血缘时，有实时查询的场景，也有离线消费的场景，还有可能下游系统会基于当前数据做扩展

字节数据血缘系统的整体架构可以分为三部分：

• 任务接入：以某种方式，从任务管理系统中获取任务信息
• 血缘解析：通过解析任务中的信息，获取到血缘数据
• 数据导出：负责将血缘数据存储到Data Catalog系统中，并供下游系统消费

任务接入

有两个关键的设计考虑：

• 提供两种可选的链路，以应对不同下游系统对于数据实时性的不同要求：

  • 近实时链路：任务管理系统将任务的修改的消息写入MQ，供血缘模块消费
  • 离线链路：血缘模块周期性的调用任务管理系统的API接口，拉取全量（或增量）任务信息，进行处理

• 定义统一的Task模型，并通过TaskType来区分不同类型任务，确保后续处理的可扩展性：

  • 不同任务管理系统，可能管理相同类型的任务，比如都支持FlinkSQL类型的任务；同一任务管理系统，有时会支持不同类型的任务，比如同时支持编写FlinkSQL和HiveSQL
  • 新增任务管理系统或者任务类型，可以添加TaskType

血缘解析

有两个关键的设计考虑：

• 定义统一的血缘数据模型LineageInfo，将在下一章节中展开讨论

• 针对不同的TaskType，灵活定制不同的解析实现，也支持不同TaskType可服用的兜底解析策略。比如：

  • SQL类任务：比如HiveSQL与FlinkSQL，会调用SQL类的解析服务
  • Data Transfer Service（DTS）类：解析任务中的配置，建立源与目标之间的血缘关系
  • 其他类任务：比如一些通用任务会登记依赖和产出，报表类系统的控制面会提供报表来源的库表信息等

数据导出

• 血缘解析所产出的LineageInfo，会首先送入DataCatalog系统

• 支持三种集成方式：

  • 对于Data Catalog中血缘相关API调用，实时拉取需要的血缘数据
  • 消费MQ中的血缘修改增量消息，以近实时能力构造其他周边系统
  • 消费数仓中的离线血缘导出数据，做分析梳理等业务

血缘数据模型的定义，是确保系统可扩展性和方便下游消费集成的关键设计之一。

概览

我们以图的数据模型来建模整套血缘系统。图中包含两类节点和两类边：

• 数据节点：对于存储数据的介质的抽象，比如一张Hive表，或者是Hive表的一列
• 任务节点：对于任务（或链路）的抽象，比如一个HiveSQL脚本
• 从数据节点指向任务节点的边：代表一种消费关系，任务读取了这个数据节点的数据
• 从任务节点指向数据节点的边：代表一种生产关系，任务生产了这个数据节点的数据

将任务节点和数据节点统一到一张图上的2点优势：

• 将血缘的生命周期与任务的生命周期统一，通过更新任务关联的边来更新血缘关系
• 可以灵活的支持从任务切入和从数据节点切入的不同场景。比如数据资产领域从数据节点切入的居多，而数据开发领域从任务切入的场景居多，不同的应用场景可以在一张大图上灵活遍历

字段（Column)级血缘

字段血缘是血缘模型中的边界情况，单独拿出来简单讨论。

在实现时，有两种可供选择的思路：

方案	优势	劣势	备注
1：复用任务节点，为字段之间的关系添加特殊定义的边	直观上更容易理解	边类型数量可能爆炸，写入与遍历复杂	上下游的Column之间映射关系多时，劣势明显
2：在字段之间添加冗余的任务节点，复用边的语义	统一了数据模型与遍历过程。	冗余了任务节点	通常字段之间的任务节点没有实际意义，如果想知道由什么任务引入的关联关系，可以多查询一次虚拟节点与任务节点之间的边。

我们最终采用了第2种方案。

实际推广血缘时，最常被用户问到的问题就是，血缘质量怎么样，他们的场景能不能用。面对这种灵魂拷问，每个用户都单独评估一遍的开销过大，所以我们花了很多精力讨论探索出了最常用的三个技术指标，以佐证血缘质量。用户可以根据这些指标，判断自己的场景是否适用。

准确率

定义：假设一个任务实际的输入和产出与血缘中该任务的上游和下游相符，既不缺失也不多余，则认为这个任务的血缘是准确的，血缘准确的任务占全量任务的比例即为血缘准确率。

准确率是用户最关注的指标，像数据开发的影响分析场景，血缘的缺失有可能会造成重要任务没有被通知，造成线上事故。

不同类型的任务，血缘解析的逻辑不同，计算准确率的逻辑也有区别：

• SQL类任务：比如HiveSQL和FlinkSQL任务，血缘来源于SQL的解析，当SQL解析服务给出的质量保证是，成功解析的SQL任务，产生的血缘关系就一定是准确的，那么这类任务的血缘准确率，就可以转化成SQL解析的成功率。
• 数据集成（DTS）类任务：比如MySQL->Hive这类通道任务，血缘来源于对用户登记上下游映射关系的配置，这类血缘的准确率，可以转化成对于任务配置解析的成功率。
• 脚本类任务：比如shell，python任务等，这些血缘来源于用户登记的任务产出，这类血缘的准确率，可以转化成登记产出中正确的比例。

注意一个问题，上面所讲的准确率计算，转化的时候都有一个前提假设，是程序按照我们假定的方式运行，实际情况并不一定总是这样。其实这件事情没必要特别纠结，血缘就像我们在运行的其他程序一样，都可能因程序bug，环境配置，边界输入等，产生不符合预期的结果。

作为准确率的补充，我们在实践中通过三种途径，尽早发现有问题的血缘：

• 人工校验：通过构造测试用例来验证其他系统一样，血缘的准确性问题也可以通过构造用例来验证。实际操作时，我们会从线上运行的任务中采样出一部分，人工校验解析结果是否正确，有必要的时候，会mock掉输出，持续运行校验。
• 埋点数据验证：字节中的部分存储会产生访问埋点数据，通过清洗这些埋点数据，可以分析出部分场景的血缘链路，以此来校验程序中血缘产出的正确性。比如，HDFS的埋点数据可以用来校验很多Hive相关链路的血缘产出。
• 用户反馈：全量血缘集合的准确性验证是个浩瀚的过程，但是具体到某个用户的某个业务场景，问题就简化多了。实际操作中，我们会与一些业务方深入的合作，一起校验血缘准确性，并修复问题。

覆盖率

定义：当至少有一条血缘链路与资产相关时，称为资产被血缘覆盖到了。被血缘覆盖到的资产占关注资产的比例即为血缘覆盖率。

血缘覆盖率是比较粗粒度的指标。作为准确率的补充，用户通过覆盖率可以知道当前已经支持的资产类型和任务类型，以及每种覆盖的范围。

团队内部，我们定义覆盖率指标的目的有两个，一是圈定出我们比较关注的资产集合，二是寻找系统中缺失的整块的任务类型。

以Hive表为例，字节生产环境的Hive表已经达到了几十万级别，其中有很大一部分，是不会被长期使用与关注的。计算血缘覆盖率时，我们会根据规则圈选出其中的部分，比如，过去7天有数据写入的，作为分母，在这之上，看血缘覆盖率是多少。

当血缘覆盖率低时，通常说明我们漏掉了某种任务类型或者圈选的资产范围不合理。举个例子，在初期时，我们发现MQ的血缘覆盖率只有个位数，分析后发现，我们漏掉了以另外一种格式定义的流式数据集成任务。

时效性

定义：从任务发生修改，到最终反应到血缘存储系统的端到端延时。

对于一些用户场景来说，血缘的时效性并没有特别重要，属于加分项，但是有一些场景是强依赖。不同任务类型的时效性会有差异。

数据开发领域的影响分析场景，是对血缘实时性要求很高的场景之一。用户在圈定修改的影响范围时，如果只能拉取到昨天为止的状态，是会产生严重业务事故的。

提升时效性的瓶颈，通常不在血缘服务方，而是任务管理系统是否可以近实时的将任务相关的修改，以通知形式发送出来。

部分数据血缘技术已经通过火山引擎大数据研发治理套件DataLeap对外开放。接下来，字节数据血缘方面的工作，会主要集中在三个方向：

首先，是持续提升血缘的准确性。当前我们的血缘准确性已经提升到了可用的状态，但是依然需要人工的校验与修复。如何持续稳定的提升准确性，是探索的重要方向。

其次，是血缘的标准化建设。除了数据血缘之外，应用级别的血缘其实也很重要，在解决方案上，我们希望做到通用与标准。当前业务方会基于数据血缘拼接一些自己业务领域的链路，完成标准化后，这部分用例可以复用整套基础设施，定制产品层面的展现就好了。

最后，是加强对外部生态的支持。细分下来有两个方向，一是探索通用的SQL类血缘解析引擎，当前，新接入一种SQL类的引擎血缘，成本是比较高的；二是支持开源或公有云上产品的端到端血缘。

点击跳转大数据研发治理套件DataLeap了解更多