本文旨在探讨字节跳动数据平台在处理计算治理过程中所面临的问题及其解决方案，并展示这些解决方案带来的实际收 益。 主要内容包 括：
探讨面临的痛点和挑战、 提供自动化的解决方案、 分析实践效果和收益、 提出结论和未来展望。
在分析业务痛点和挑战之前，先要清楚业务现状。
1.现状概览:
字节跳动数据平台目前使用了 1 万多个任务执行队列，支持 DTS、HSQL、Spark、Python、Flink、Shell 等 50 多种类型的任务。
自动计算治理框架目前已经完成了离线任务的接入，包括 HSQL、Hive to X 的 DTS任务、AB test 和底层通过 Spark 引擎执行的任务，涉及到上千个队列，国内可优化的任务的任务优化覆盖率达到 60% 以上。另外实时任务的优化也在同步推进。
2.痛点：手动调参常⻅问题
在手动调参的过程中，我们常常面临以下困境：
● 系统复杂度：
大数据计算系统与数据处理架构涵盖多种技术和组件，对其参数的调整需深刻理解各组件的运作机制及其相互依赖。以 Spark 为例，其拥有上百个适用于不同场景的参数，而这些参数可能互相影响，增加了调优的难度。过去，我们通常依赖单一任务模板进行少量参数调整，虽然此法能让单项任务抢占资源，却难以保证整体业务的及时性和稳定性。
● 动态变化：
计算环境、数据量和业务需求可能随时变动，这要求调优工作需具备高度的灵活性和适应性，以迅速应对各种变化。
● 专业知识缺乏：
通常由数据分析师来执行优化任务，但他们更侧重于业务场景而非底层逻辑。因此，我们希望通过自动化方案沉淀专业知识，提供一站式解决方案。
● 一致性与可重复性缺失：
不同人员操作可能导致不一致的结果，手动调优往往难以复现。例如，昨天的分区调优效果良好，但明天可能因数据量增加而导致内存溢出（OOM），后续运维包括复盘将需要投入大量时间成本。
3.挑战：复杂的优化场景和目标
针对业务方的优化需求，通常包括提高系统稳定性、降低运营成本、解决任务阻塞及提升系统健康度等多个方面。为选择最适合的优化策略，需深入理解以下几个常见场景：
● 稳定性与健康度：
提高稳定性通常意味着需要牺牲一些资源利用率以保障运行效率；而提升健康度则旨在追求较高的资源利用率，尽管可能会对运行效率产生一些影响。
● 成本优化：
主要包括回收无效成本和最大化资源利用率两个方向。由于业务方常存在大量未被充分利用的资源，我们需要协助他们提升任务的运行效率和缩短产出时间。
● 解决阻塞：
通过调整算力和内存等参数来缓解阻塞。若参数调优无法完全解决阻塞问题，就需要与用户协作，优化任务的调度时间。
4.业务优化场景需求分析
针对之前提及的优化场景，以下是一些具体的解决策略：
● 稳定性优化:
推荐资源配额应基于任务的实际使用量，同时为保障稳定性，将近 7 天的波动和失败指标纳入权重计算，确保推荐参数能适应业务的波动和增长。
● 队列阻塞解决：
在 CPU 阻塞而内存正常时，维持总算力不变，减少物理核、增加虚拟核，并相应调整内存配额。
在 CPU 正常而内存阻塞时，降低总算力，从而降低任务申请的物理内存总量。
当 CPU 和内存同时阻塞时，适度降低算力或减少虚拟核，以保任务运行性能在预期范围内。
注意：如参数调优未能解决阻塞问题，需与调度系统协同，将任务调度至合适时段，以彻底解决阻塞问题。
● 计算健康分提升：
CPU 利用率 ： 对于小任务，可减少物理核、增加虚拟核。对普通和大任务，需评估是否调整算力，进而确定调优方向。
内存利用率 ： 通常不宜将内存利用率设置过高以避免 OOM，首先按需分配资源，然后根据内存利用率调整虚拟核。例如，当利用率低于 50% 时，提升虚拟核。后期将支持 1/1000 核的微调以逼近理想的内存利用率阈值。内存调优涵盖多个阶段如 map、shuffle 和 reduce 等，每阶段的处理性能和参数配置有所差异。遇到内存调优瓶颈时，可考虑进行 shuffle 优化。
● 成本优化：
Quota 回收型 ：实际使用量应低于申请量，如需回收 20%，则需确保空闲量超过 30% 的时间占比维持在 95% 以上，同时保有 10% 的可用余量。
Quota 充分利用型 ：
CPU 型优化：可增加虚拟核或物理核，但由于增加虚拟核可能导致超发，为保障队列稳定性，建议增加物理核。
内存型优化：增加算力、减少物理核、增加虚拟核，以释放更多内存资源，确保内存得到充分利用。
接下来讲解针对上述场景的自动化解决方案。
1.解决方案：实时规则引擎
首先，给大家介绍实时规则引擎及其功能：
● 参数实时推荐与应用：
该引擎能够实时收集 Yarn container、Spark event 和 Dtop status 等数据，通过基于 app ID 的聚合，统计所有核心与观测指标，并将数据记录至历史数据库中。在连续的 3-7 天观测期内，引擎会根据收集到的数据进一步优化参数推荐，最终将推荐参数推送到 Spark 等执行引擎，并实时监控任务的执行情况。
● 启发式规则的应用：
利用基于规则树的启发式规则，针对不同的场景，我们可以设定不同的优化目标和阈值，为优化过程提供指导。
● 资源使用评估：
通过分析最近 3-7 天的资源使用累积指标，实时规则引擎可以评估整体的资源波动情况，为进一步的优化提供数据支持。
● 稳定性与健康分策略：
普通策略 ： 旨在保障系统的稳定性，通过分析实际的资源使用量来提供参数推荐。
激进策略 ： 着眼于提高资源利用率，不断探索任务的性能边界，同时能自适应地应对OOM 风险，保障系统的运行效率。
为确保系统的稳定运行，一旦任务实例失败，实时规则引擎会自动将参数回滚至上一个稳定版本。若连续失败多次，则暂停该任务的优化过程，直至任务恢复稳定运行。我们每周会对失败案例进行复盘分析，以持续优化和改进实时规则引擎的性能和准确性。
2.解决方案：实时监控 & 自适应调整
研发团队还实施了一系列实时监控和自适应调整方案，以增强 Spark 等底层引擎的性能和稳定性：
● OOM自适应处理：
针对易发生 OOM 的任务，我们将其调度至独立的 executor，让其独享 container 资源，从而在不增加总资源的前提下，减缓 OOM 的发生，保障任务的稳定运行。
● Shuffle 溢写分裂管理：
我们设定了每个容器的 Shuffle 磁盘写入量阈值。一旦写入量超过阈值，系统会自动分裂出新的容器，避免单个容器的溢写，同时减轻 ESS 的压力。
● Shuffle 分级限流机制：
根据任务的优先级，分配不同的查询处理速率（QPS*()*）。高优先级任务将获得更多的 QPS，而低优先级任务的 QPS 会相应限制，以防止 ESS 服务过载，确保高优先级任务的顺利执行。
● 节点黑名单优化：
为了降低任务失败率，我们实现了节点黑名单机制。当节点因特定失败原因被标记时，任务会尽量避免在该节点上执行。我们还提供了设置黑名单节点数量上限的功能，防止过多节点被拉黑，影响整个集群的可用性。
●
失败回滚与参数管理：
当任务实例失败时，系统会自动将参数回滚至上一个稳定版本。若连续失败两次，系统会自动抹除推荐参数并暂停优化，以避免对任务造成进一步的干扰。这种机制有助于降低业务波动对执行的风险，同时减少人工干预的成本。
3.DataLeap 一站式的治理解决方案
最后还有产品侧的一站式解决方案，用户可以快速发起治理。系统界面可以看到每个用户当前可治理的资源量等信息，可以批量或者单个开启优化，可以选择激进或普通策略，支持小文件优化，系统会根据业务场景自动适配。在做优化方案的同时，系统就会预估出成本和收益。
接下来复盘一个具体的优化案例。
1.优化实践：队列优化前后效果
本例的队列在优化前的每天 10 点前都处于超发状态，导致任务阻塞非常严重，很多任务长期处于等待状态。优化后的资源申请量明显降低，申请量和使用量之间的 gap 趋向理想范围，由于减轻了内存超发，使 OOM 问题得到改善，让平台使用更少的成本和资源做了更多的事情。
2.收益分析：队列优化收益指标
由于每个用户对于底层的理解程度不同，如果按单个任务、单个用户去优化，很难保障人力成本和时间成本。而通过平台的自动化解决方案，就可以保证所有业务、队列都可以达到一个非常好的预期效果。
如上图所示，该队列一共有 1900 多个任务，优化完成后，CPU 申请量减少 3.5%、使用量减少 6.2%、利用率提升 46.3%，内存申请量减少 30.6%、使用量减少 21.8%、利率提升 24%，所有任务的平均运行时长减少了 1.7 分钟，每 PB 数据 CPU 节约近百元、内存节约百元以上。
3.收益概览：业务队列普通策略优化效果
稳定策略对于内存使用率的目标是 75%-80%，已完成优化的 TOP20 队列普遍提升了20%，CPU 使用率普遍达到了 70%-80%，整体运行时长也有提升。
另外还有一些激进策略、深度优化和成本优化策略，可以帮助大部分业务在资源利用率和运行效率之间寻求平衡。
4.收益概览：增量小文件合并
增量小文件合并是在 reduce 阶段，会把产出不合理的文件进一步合并，这个操作导致线上 2000 多个任务的平均运行时间增加了 18%，对当前任务来说是负向收益。但是合并完成后下游任务读取数据性能比之前提高很多，对整个队列、集群来说是长期正向收益。后续研发团队会争取把小文件合并的性能损耗从 18% 降到 10% 以内。
1.自动化方案优势 & 局限性
自动化方案的优势包括：
● 效率提升：
通过运用先进的算法和实时监控机制，自动化方案能够迅速锁定最优参数组合，从而提升调优效率。
● 准确性增强：
能够妥善处理参数间复杂的相互影响，为复杂系统呈现更为精准的调优结果，进一步提高调优的准确性。
● 人力成本节省：
自动化方案减少了人力的投入，有助于降低企业及组织的运营成本。
● 实时监控与自适应调整：
实时监控系统的状态和性能，根据数据的变化自动做出调整，确保系统始终运行在最佳状态。
然而，自动化方案也存在一些局限性：
● 算法依赖：
方案的效果高度依赖于所选用的算法，选取合适的算法和优化策略成为关键。
● 可解释与可控性的局限：
自动化方案可能会在可解释性和可控性方面显示出一些限制，增加了在特定情况下对系统理解和调整的难度。
● 特定场景的应对困难：
在某些特定的场景下，自动化方案无法完全取代人工调优，仍需专业人员的参与和经验。
2.自未来发展与挑战
最后来看一下未来的发展规划和可能面对的挑战。
发展重点：
（1）元数据闭环多产品化：
● 分级保障：
实现内部数据工具之间的元数据通信，针对服务等级协议(SLA)和核心链路节点，确保高优先级的稳定性和及时性。
● 队列管理：
明确在 Megatron 侧为各业务配置的资源使用规则：
回溯管理：设定指定时段内回溯任务所能使用的资源上限。
用户资源管理：通过设定单个用户可使用的资源比例上限，以控制该用户名下任务的可用计算力。
Ad-hoc资源控制：在系统高负载时段，自动调整 adhoc 查询的资源使用管控。
（2）用户干预参数推荐：
提供固定值、最大/最小阈值、参数屏蔽等选项，允许用户根据实际需求调整参数。
（3）结合 规则引擎 与 算法 优化：
通过集成规则引擎和算法优化，实现更为高效且准确的参数调优。
预见挑战：
（1）适应变化的数据环境：
面对大数据领域的快速进展，持续优化自动化解决方案以适应不断变化的数据环境。
（2）提升算法性能：
为实现更高效的自动化解决方案，持续研究和提升算法性能。
（3）保障系统的 可解释性 和可控性：
在推进自动化的过程中，确保系统的可解释性和可控性，以便用户能够理解并进行调整。
产品介绍
火山引擎大数据研发治理套件DataLeap
一站式数据中台套件，帮助用户快速完成数据集成、开发、运维、治理、资产、安全等全套数据中台建设，帮助数据团队有效的降低工作成本和数据维护成本、挖掘数据价值、为企业决策提供数据支撑。 后台回复数字“2”了解产品。
--推荐阅读--
