火山引擎DataLeap数据血缘架构演进之路
分享嘉宾｜罗以亮 火山引擎 DataLeap 研发工程师
编辑整理｜马慧 北京汇丰达
联合出品｜DataFun & 字节跳动技术团队
导读： DataLeap 是火山引擎数智平台 VeDI 旗下的大数据研发治理套件产品，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，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。数据血缘是帮助用户找数据、理解数据以及使数据发挥价值的基础能力。基于字节跳动内部沉淀的数据治理经验，火山引擎 DataLeap 具备完备的数据血缘能力，本文将从数据血缘应用背景、发展概况、架构演讲以及未来展望四部分，为大家介绍数据血缘在字节跳动进化史。
--
01 /背景介绍
1. 数据血缘是数据资产平台的重要能力之一
在火山引擎 DataLeap 中，数据资产平台主要提供元数据搜索、展示、资产管理以及知识发现能力。在数据资产平台中，数据血缘是帮助用户找数据、理解数据以及使数据发挥价值的重要基础能力。
2. 字节跳动的数据链路情况
（1）数据来源
在字节跳动，数据主要来源于以下两部分：
埋点数据：
主要来自 APP 端和 Web 端。经过日志采集后，这类数据最终进入到消息队列中。
业务数据：
该类数据一般以在线形式存储，如 RDS 等。
中间部分是以 Hive 为代表的离线数仓：
该类数据主要来自消息队列或者在线存储，经过数据集成服务把数据导入离线数仓。经过离线数仓的数据加工逻辑，流转到以 ClickHouse 为代表的 OLAP 引擎。
另外，在消息队列部分，还会通过 Flink 任务或者其他任务对Topic 分流，因此上图也展现了一个回指的箭头。
（2）数据去向
主要以指标系统和报表系统为代表。指标系统包含重要且常用的业务指标，如抖音的日活等。报表系统是把指标以可视化形式展现出来。
（3）数据服务
主要通过 API 提供数据，具体而言，从消息队列、在线存储、下游消费以及上图右侧所示的数据流转，都涵盖在数据血缘范围内。
（4）血缘发展概况
接介绍血缘在字节跳动的三个发展阶段。
第一阶段：2019 年左右开始
第一阶段主要提供数据血缘基础能力，以 Hive 和 ClickHouse 为代表，支持表级血缘、字段血缘，涉及10+元数据。
第二阶段：从 2020 年初开始
第二阶段引入了任务血缘，同时支持的元数据类型进行扩充，达到15+。
第三阶段：从 2021 年上半年至今
在这一阶段，我们对整个元数据系统（即前文提到的资产平台）进行了 GMA 改造，同步对血缘架构进行全面升级，由此支持了更丰富的功能，具体包括：
首先， 元数据种类扩充到近 30 种且时效性提升。之前以离线方式更新血缘数据，导致数据加工逻辑变化的第二天，血缘才会产生变化。目前，基于近实时的更新方式，数据加工逻辑在 1 分钟内即在血缘中体现。
其次，新增血缘消费方式的变更通知。由于该版本支持实时血缘，业务方产生及时了解血缘变化的需求，变动通知功能就是把血缘变化情况以消息队列的形式告知业务方。
再次，支持评估血缘质量。新增一条链路，专门服务于血缘数据质量。
最后，引入标准化接入方式。为了减少重复工作、降低血缘接入成本，我们制定了详细的血缘接入标准，业务方数据均以标准化方式接入。
以上就是整体的发展情况，目前处于第三个版本当中。
--
02/数据血缘架构的演进
1. 第一版血缘架构：建立血缘基本能力，初探使用场景
（1）血缘架构
- 在数据来源方面，目前血缘主要包括两个数据来源（见上图左上角）：
- 第一，数据开发平台： 用户在开发平台写任务，并对数据加工，由此产生血缘数据。
- 第二，追踪数据： 第三方平台（即任务平台）对用户埋点等数据进行计算，也会产生血缘信息。
- 在血缘加工任务方面（见上图中间部分）：
这部分会对任务进行血缘解析，产生血缘快照文件。由于第一版采用离线方式运行，每天该血缘任务均会生成对应的血缘快照文件。我们通过对比前后两天的血缘快照文件，来获取血缘的变更情况，然后把这些变更加载到图中。
除此之外，血缘中涉及的元数据会冗余一份，并存储到图里。
-
在血缘存储方面（见上图右边部分），除了应用于图数据库之外，血缘本身也会依赖元数据的存储，如 Mysql 以及索引类存储。
-
在血缘消费层面，第一版只支持通过API 进行消费。
最后总结该版本的三个关键点：
- 血缘数据每天以离线方式全量更新。
- 通过对比图来判断血缘更新操作，后面将为大家详细解答为什么要通过对比的方式。
- 冗余一份元数据存储到图数据库中。
（2）存储模型
图中上半部分为表级血缘，只包括一种类型节点，即表节点，如说 Hive 表、 ClickHouse 表以及其他表。
图中下半部分为字段血缘图，第一版主要是提供构建血缘的基本能力，因此用彼此分离的两张图来实现。由于血缘中元数据进行了冗余，每个图里面的每个节点里面都存储表相关的元数据，包括业务信息以及其他信息。
除此之外，我们会预先计算一些统计信息，保存到图的节点中，如当前节点下游总节点数量、下游层级数量等。
采用预先计算的目的是为了"用空间换时间"，在产品对外展示的功能上可能要露出数据信息，如果从图里实时查询可能影响性能，因此采用空间换时间的方式来支持产品的展示。
2. 第二版血缘架构：血缘价值逐步体现，使用场景拓宽
（1）血缘架构
经过1年的使用，血缘在数据资产中的价值逐步体现，且不断有应用场景落地，由此我们进行了第二版本升级。升级点具体包括：
第一，去除第一版本中元数据冗余。元数据冗余在图提升了性能，但是可能导致 Metadata Store 的元数据不一致，给用户带来困扰。
第二，去掉了预计算的统计信息。随着血缘的数据量增多，预计算的信息透出不能给很好辅助用户完成业务判断，且导致任务负担重。比如，即使知道某一节点的下游数据量，还是要拉出所有节点才能进一步分析或决策。
第三，支持一条全新链路，在新增链路上，我们把血缘快照文件导入离线数仓，主要应用于两个场景：
- 离线分析场景或全量分析场景。
- 基于离线数仓的血缘数据实现数据监控，尽早发现血缘异常情况。
因此，从第二版开始，数据血缘新增了很多离线消费方式。
（2）存储模型
第二个版本引入了全新血缘存储模型（如上图所示），并将第一个版本两张图融合成一张图，解决了无法通过表遍历字段血缘的问题。
除此之外，第二个版本还引入了任务类型节点，服务于以下三种遍历场景：
- 单纯遍历数据血缘，即从数据节点到数据节点。
- 数据血缘和任务血缘混合方式。
- 单纯任务之间血缘关系。
3. 第三版血缘架构：血缘成为数据发挥价值的重要基础能力
（1）血缘架构
2021年初，火山引擎DataLeap数据血缘迭代到第三版，也成为公司内部数据发挥价值的重要基础能力。
服务于业务方对数据高质量要求，第三版升级点如下：
血缘数据来源： 除了支持两个平台之外，还支持包括报表、第三方用户画像等其他平台 。
血缘任务： 之前版本只支持每天定时运行的离线调度方式，第三版引入实时消费方式，支持实时解析血缘，并提取通用逻辑，复用离线血缘任务和实时血缘任务。
血缘解析：不同类型任务需要使用不同解析逻辑。在之前版本中，Hive SQL 任务和Flink SQL任务的解析逻辑是集成到血缘任务中。从第三版开始，我们把解析服务拆解成可配置的插件，实现了插件化。当某一种任务类型的血缘解析逻辑需要调整的时候，只用改动其中一个解析服务，其他解析服务不受影响，同时也让血缘任务更好维护。
元数据存储统一：只依赖图数据库和索引存储，同时支持从系统中把所有相关的数据导出离线数仓。
实时消费： 血缘发生变更的信息会被同步到消息队列。
血缘的验证模块： 使用方对血缘数据质量有高要求，因此第三版引入新的血缘的验证模块。
- 验证的前提是要有引擎埋点数据，该埋点数据能清楚知道某一个任务具体读取数据情况、写入数据情况
- 在离线数仓中，通过埋点数据与血缘数据中对比，生成血缘数据质量报表。
- 数据质量报表对血缘消费者开放，消费者能够清晰了解每个血缘链路准确性和覆盖情况。
- 血缘标准化接入： 即让用户快速接入数据，不用每一种血缘接入都重复写逻辑。
（2）存储模型
第三版血缘存储模型相对于前两版的升级点如下：
- 以任务为中心。黄色圆圈为任务节点，数据加工逻辑产生血缘，因此我们把数据加工逻辑抽象为任务节点，血缘的建立则以任务为媒介，任务成为血缘中心。也就是说，表1、表2、表3之间的血缘，是通过任务 a 完成构建。假设没有任务 a，则三个表之间的血缘也不存在。
- 表血缘和字段血缘模型统一，在字段血缘之间没有具体任务的情况下，我们会抽象出虚拟的任务来统一模型。由此，任务和任务之间的血缘采用新的边来表示依赖关系。
4. 重要特性
（1）增量更新
在实时血缘基础上，我们还支持增量更新能力，即当某一个任务的加工逻辑发生变化时，只需要更新图中一小部分。
血缘创建： 数据加工逻辑上线或开始生效，将被抽象为图数据库的操作，即创建一个任务节点和对应的数据节点，并创建两者之间的边。上图例子为表1、表2和任务的边，以及任务和表3之间的边。
血缘删除：数据的加工逻辑发生了下线、删除或不生效。 先在图里面查询该任务节点，把任务节点以及关联血缘相关的边删除。血缘存储模型以任务为中心，因此表1、表2和表3之间的血缘关系也同步消失，这部分血缘即被删除。
血缘更新：任务本身没有发生上线或下线，但计算逻辑发生变化。 例如，原本血缘关系是表1、表2生成表3，现在变成了表2、表4生成表3。我们需要做的如下：
- 解析出最新血缘状态，即表2、表4到表3的血缘关系，与当前血缘状态做对比（主要对比该任务 a 相关的边），上图例子是入边发生变化，那么删除其中一条边，构建另外一条边，即可完成该任务节点的血缘更新。
- 如果面临以上血缘关系变化，但是没有该任务节点，应该执行哪些操作来更新血缘？由于只有血缘最新状态和当前状态，没有任务节点去获取最小单位的血缘关系，所以只能进行全量血缘或全图对比，才能得出边的变化情况，再更新到图数据库中。如果不进行全量血缘或全图对比，无法知晓如何删除条和创建条，导致血缘无法更新。这也是前两个版本需要进行血缘快照对比的原因。
（2）血缘标准化
在火山引擎DataLeap中，通常把血缘数据接入抽象成一个 ETL 。
首先，血缘数据来源，即第三方平台血缘相关的数据，通常是一个数据加工逻辑或者称为任务。接着，对这些任务完成 KeyBy 操作，并与数据资产平台的任务信息做对比，确定如何进行任何创建、删除和更新。
在再完成过滤操作之后， 由Lineage Parser 对创建、更新等任务进行血缘解析，得出血缘结果之后会生成表示图相关操作的Event，最终通过Sink 把数据写入到数据资产平台中。
上图绿色和蓝色分别表示：
- 蓝色：对不同血缘接入过程的逻辑一致，可抽象出来并复用。
- 绿色：不同血缘的实现情况不一样。例如，某一个平台为拉取数据，另外一个平台通过其他方式获取数据，导致三个部分不一样，因此我们抽取特殊部分，复用共同部分。除此之外，我们还提供通用 SDK，串联整个血缘接入流程，使得接入新的血缘时，只需要实现绿色组件。
目前，字节跳动内部业务已经可以使用 SDK 轻松接入血缘。
（3）数据血缘质量-覆盖率
当血缘发展到一定阶段，业务方不止关心血缘覆盖情况、支持情况，还关心血缘数据质量情况。因此，第三版本透出血缘质量相关指标------覆盖率和准确率。
覆盖率：血缘覆盖的数据资产数占关注的资产数量占比。
关注的数据资产一般指，有生产任务或有生产行为的资产。上图虚线圆圈，如 Table 9，用户创建该表后没有生产行为，因此也不会产生血缘，在计算中将被剔除掉。上图实线圆圈，表示有生产行为或有任务读取，则被认为是关注的资产。关注的数据资产被血缘覆盖的占比，即覆盖率。
以上图为例，在10张表中，由于有任务与Table 1 ~ 8关联，因此判定有血缘。Table 10，它与Task-D之间的连线是虚线，表示本来它应该有血缘，但是实际上血缘任务没把这个血缘关系解析出来，那么我们就认为这个 Table 10是没有被血缘覆盖的。整体上被血缘覆盖的资产就是表1 ~ 8。除了Table 9之外，其他的都是关注的资产，那么血缘覆盖的资产占比就是8/9。也就是图上蓝色的这第8个除以蓝色的8个加上 Table 10，就是9个，所以这个覆盖率就是88%。
（4）数据血缘质量-准确率
覆盖血缘不一定是正确的，所以我们还定义了准确率指标，即血缘准确的任务数/同类型的任务数。
举个例子，假设任务 c的血缘应该是 Table 5、Table6生成 Table 7，但实际上被遗漏，没有被解析（虚线表示），导致任务 c 的血缘不准确。也存在其他情况缺失或多余情况，导致血缘不准确。
在上图中，同类型任务包含4个，即 a、b、c、d。那么，准确的血缘解析只有 a、b，因此准确率占比为2/4 = 50%。
在火山引擎DataLeap中，由于血缘来源是任务，因此我们以任务的视角来看待血缘准确率。
（5）血缘质量-字节现状
在覆盖率部分，目前 Hive 和 ClickHouse 元数据覆盖度较高，分别达到98%、96%。对于实时元数据，如Kafka ，相关 Topic覆盖70%，其他元数据则稍低。
在准确率部分，我们区分任务类型做准确性解析。如 DTS 数据集成任务达到99%以上，Hive SQL 任务、 Flink SQL 任务是97%、81% 左右。
--
03/血缘架构对比
上图为三个版本对比情况：
- 血缘的消费方式：第一版只支持 API 的方式，用户需要在数据资产平台上查看血缘信息；第二版支持离线数仓，让用户可以全量分析血缘；第三版支持消息队列，使用户可以获取血缘增量的变化。
- 增量更新：第三版开始支持增量更新。
- 血缘任务：第二个版本开始支持任务血缘，第三个版本支持数据质量。
- 元数据存储统一：第三版进行了元数据架构升级，使得元数据和血缘存储在同一个地方。
- 新血缘接入耗时：前两个版本大概需要花费 7-10 天左右。第三版本引入标准化，外部业务方或字节内部用标准化流程，实现 3、4 天左右完成开发、测试、上线。
--
04/未来展望
第一，持续对架构和流程进行精简。 目前，血缘任务分为离线和实时两部分，但没有完全统一。在插件化、横向扩展等方面也需要加强。
第二，生态化支持。 目前支持公司内部的元数据，未来计划拓展对开源或外部元数据的支持。在血缘标准化方面，提供一站式数据血缘能力，作为基础能力平台为业务方提供服务。
第三，提升数据质量。 除了血缘数量，还需要持续提升质量。同时由于数据链路复杂，导致链路问题排查异常困难，未来我们也会支持快速诊断。
最后，支持智能化场景。 结合元数仓等数据，提供包含关键链路梳理在内的智能化能力。目前，当业务方发现数据有问题之后，主要通过按照血缘数据一个一个排查方式解决，导致效率低下。未来，我们将考虑透出血缘关键链路，提升排查效率。
以上介绍的数据血缘能力和实践，目前大部分已通过火山引擎 DataLeap 对外提供服务，欢迎大家点击阅读原文体验。
▌2023数据智能创新与实践大会
第四届DataFunCon数据智能创新与实践大会将于⏰ 7月21-22日在北京召开，会议主题为新基建·新征程，聚焦数据智能四大体系：数据架构 、数据效能 、算法创新 、智能应用 。在这里，你将领略到数据智能技术实践最前沿的景观。
欢迎大家添加微信 点击下方链接获取大会门票～
DataFunCon2023（北京站）：数据智能创新与实践大会
