企業(yè)如何找到數(shù)據(jù)、了解數(shù)據(jù)以及使用數(shù)據(jù)？

這離不開數(shù)據(jù)目錄的能力。數(shù)據(jù)目錄有著類似于“字典”的作用，能夠幫助數(shù)據(jù)生產(chǎn)者和使用者快速定位數(shù)據(jù)、解釋數(shù)據(jù)、找到數(shù)據(jù)，并從中提取業(yè)務價值。

【資料圖】

對以研發(fā)人員為代表的數(shù)據(jù)生產(chǎn)者來說，他們利用數(shù)據(jù)目錄來組織、梳理各類元數(shù)據(jù)。例如，數(shù)據(jù)生產(chǎn)者會將元數(shù)據(jù)以目錄等形式編排到一起，方便維護，并通過打業(yè)務標簽、添加應用場景描述、字段解釋等豐富業(yè)務相關屬性。

對于數(shù)據(jù)分析師、產(chǎn)品、運營等數(shù)據(jù)使用者來說，他們通過數(shù)據(jù)目錄來查找和理解數(shù)據(jù)，例如通過關鍵字檢索，或目錄瀏覽，來查找業(yè)務場景數(shù)據(jù)，并瀏覽詳情介紹、字段描述、產(chǎn)出關系等，進一步理解并利用數(shù)據(jù)決策。

在字節(jié)跳動，也有這么一套被內(nèi)部廣泛使用的數(shù)據(jù)目錄系統(tǒng)。目前，該系統(tǒng)已通過火山引擎DataLeap數(shù)據(jù)地圖平臺對外輸出。外部用戶也可以在DataLeap數(shù)據(jù)地圖平臺，收集、組織、訪問和補充元數(shù)據(jù)信息，為自身數(shù)據(jù)建設和治理提供支持。

火山引擎DataLeap數(shù)據(jù)地圖平臺-數(shù)據(jù)目錄

要構建一套擴展性強、易維護且易用的數(shù)據(jù)目錄系統(tǒng)并非易事。在大數(shù)據(jù)領域，各類計算和存儲系統(tǒng)百花齊放，概念和原理又千差萬別，對于元數(shù)據(jù)的采集、組織、理解、信任等，都帶來了很大挑戰(zhàn)。

在調(diào)研各個開源軟件及技術體系基礎上，火山引擎DataLeap選擇基于Apache Atlas改造，而這套數(shù)據(jù)目錄系統(tǒng)主要依賴五大關鍵技術：

第一，數(shù)據(jù)模型統(tǒng)一。一方面，DataLeap通過充分復用各種元數(shù)據(jù)類型間的相似能力，獲得數(shù)據(jù)模型定制靈活性；另一方面，DataLeap將數(shù)據(jù)源關聯(lián)的能力進行收斂到一起，以降低后續(xù)的維護成本。

第二，數(shù)據(jù)接入標準化。當用戶接入新的元數(shù)據(jù)時，只需要重新編寫Source和Diff Operator，而其他組件可直接復用，以標準化的connector節(jié)省接入和運維成本。

第三，搜索優(yōu)化。在數(shù)據(jù)目錄中，搜索是用戶最廣泛使用的功能，也是用戶找數(shù)主要的手段。搜索優(yōu)化可分為離線部分和在線部分。離線部分負責匯集各類與搜索相關的數(shù)據(jù)，完成數(shù)據(jù)清洗或者模型訓練，再根據(jù)不同的用途，寫入不同的存儲，供給在線搜索模塊使用。在線部分則分為搜索理解、召回、精排三個主要階段，步驟和概念與通用搜索引擎對齊。

第四，血緣能力。完備的血緣能力，既可以幫助數(shù)據(jù)生產(chǎn)者梳理、組織元數(shù)據(jù)，也可以幫助數(shù)據(jù)消費者找數(shù)、理解數(shù)據(jù)上下文。火山引擎DataLeap在設計上充分考慮血緣鏈路的多樣性和復雜性，并在血緣質量上，通過定義有效的血緣準確率、覆蓋率和時效性，確保血緣信息準確、全面和實時性。

第五，存儲層優(yōu)化。當業(yè)務中有越來越多的元數(shù)據(jù)接入數(shù)據(jù)目錄，圖存儲中的點和邊將分別到達百萬和千萬量級，造成讀寫性能出現(xiàn)問題。在讀優(yōu)化和寫優(yōu)化層面，火山引擎DataLeap分別通過開啟MutilPreFetch 能力、去除Guid全局唯一性檢查，最終實現(xiàn)小表性能小于100ms、中表性能2~5s、大表性能0.5~1min。

據(jù)介紹，火山引擎DataLeap能幫助企業(yè)快速完成數(shù)據(jù)集成、開發(fā)、運維、治理、資產(chǎn)、安全等全套數(shù)據(jù)中臺建設，其中數(shù)據(jù)目錄能力主要涵蓋在數(shù)據(jù)地圖平臺，該平臺通過提供數(shù)據(jù)檢索、元數(shù)據(jù)詳情查看、數(shù)據(jù)理解等功能，解決找數(shù)難、理解數(shù)據(jù)難的痛點，同時支持數(shù)據(jù)專題、血緣圖譜、數(shù)據(jù)發(fā)現(xiàn)、庫表管理等特色功能。

目前，火山引擎DataLeap的數(shù)據(jù)地圖平臺已接入全鏈路核心元數(shù)據(jù)，包括LAS、MySQL、ByteHouse CE、ByteHouse CDW、TOS、LasFS、EMR hive等，提供可視化的血緣關系展示能力，幫助用戶全面的探查了解數(shù)據(jù)，支持表、字段級別血緣可視化查詢，以及按層級、范圍篩選展示，為用戶提供靈活、易用的數(shù)據(jù)服務。（作者：田軒棋）

關鍵詞：