苏宁数据治理实战方法论和三字经

随着移动互联网和大数据的蓬勃发展，“数据即资产”的理念深入人心。大数据已发展成为具有战略意义的生产资料，在各行各业发挥着极其重要的作用，而大数据也给很多企业带来了前所未有的自豪感和自信感。

但是，大数据真的是越“大”越好吗？大数据到达一定的规模，其所需承载的集群资源成本、数据开发维护成本和数据管理成本，将会呈几何式增长，同样也将会带来一笔巨额的开销。

如果缺少科学有效的治理管控，就会出现大量的“负”数据资产，这不仅会吞噬公司的利润，还会极大影响数据业务的发展以及平台运行的稳定。

很多大数据公司都会面临这样一些窘境：

• 新开发的数据任务，赶紧上，却发现集群资源不够了。
• 早上要跑完的任务，上午还没跑完，报表什么时候能看到？
• 上个月刚删了很多数据，存储又快满了，每天还有大量的数据在增长。
• 小文件数量这么多，集群 NameNode 内存快要爆了……

一个个头疼的问题接踵而至，面对这些问题我们是不是得换一个视角，给大数据集群资源来一场瘦身，取其精华、去其糟粕，让大数据集群资源环境更加健康，数据开发工作更加高效，公司投入产出比更加合理。

所以，大数据集群资源治理（以下简称“治理”）的工作亟待开展。

治理为何难以推动？

大多数公司在大数据发展初期都是野蛮生长的，它们更关注的是拥有更多的数据，更快速的完成数据业务开发，即使集群资源不够了，增加机器远比开展治理来得更快。

治理工作涉及众多的职能线与部门，角色不同，立场不同，治理投入度也不同。

即使集群资源达到一定规模，不得不治理时，各组织仍会以开发业务为核心，治理工作对他们来说优先级并不高，这也直接影响着治理效果。

治理工作如何开展？

苏宁认为，治理工作需要从组织保障和治理工具两方面协同推进。公司的支持至关重要，有助于建设统一的数据文化，推进成立数据治理委员会，明确各组织的职责，制定治理制度、标准和流程等，以专职的治理团队负责治理工具建设和整体运营推进。

不同于传统数据资产管理，大数据集群资源治理聚焦计算资源和存储资源的缩容，在保障平台性能和稳定性的同时，又需要考量数据资产管理的赋能。

大数据集群资源的治理工作应结合公司现状，集中精力解决当前最大痛点，优先治理紧急的、投入产出比高的治理项。

对于紧急的治理项，如果涉及的部门和用户较少，能够通过面对面、邮件、社交媒体进行沟通，在短时间内解决的，采用线下手工治理方式。

对于非紧急治理项，涉及的部门和用户较广，并且需要长期治理的，则采用线上工具辅助治理，以减少人力投入成本。

为此，苏宁启动了“巡湖工程”、“千迁工程”等专项治理工程：

• 巡湖工程，主要任务是对大数据集群资源进行全面的巡检和治理。
• 千迁工程，是对高算力的 Hive 任务，进行分批次迁移至 SparkSQL 计算平台，同时保障治理工作的全面性和聚焦性。

在治理工作方式的演进上，苏宁采用了四个步骤：线下手工治理、半工具化治理、工具化治理和自驱动治理，最终实现各组织自我驱动型的治理常态。

典型治理场景和方案

大数据集群资源治理是一项庞大且复杂的工程，苏宁结合自己的治理经历，从计算治理、存储治理、性能和稳定性治理三个方面，分享一下典型的治理场景和解决方案。

计算治理

毫无疑问，CPU 和内存是集群的稀缺资源，保障集群资源算力是首要任务。

一旦计算资源缺乏，将面临数据采集、数据存储、数据加工、数据稽核等一系列数据作业的延误，甚至崩溃。

如何降低计算资源的消耗，提高任务执行的性能，缩短任务产出的时间，是计算治理的核心目标。

以下主要从任务复算治理、任务异常治理、任务削峰平谷治理、任务资源配置治理、计算框架优化几个角度，分别介绍计算治理优化。

①任务复算治理

数仓建设过程中，往往存在事实表与维度表多次关联、事实表与事实表多次关联的现象，造成数据的重复计算。

任务复算治理，是面向大数据离线任务 Hive、SparkSQL 等 SQL 类的任务，通过对表与表关联的 union、join、子查询复杂关联等语法进行解析，识别重复计算的任务及其读取的关联表（源表）数据，并以此推动公共模型建设，减少任务重复计算。

其中，表关联 union 方式识别比较简单，示例如下：

②任务异常治理

任务出错率是衡量任务是否需要治理的重要指标，出错率过高意味着这个任务是没有价值的，一般可以被清除。如果任务确实需要使用，则必须进行优化。

以下作为一个参考，阈值可根据实际情况进行调整：

另外，当任务的目标表在一个或多个调度周期内未作更新，可认定为该任务未产出数据，任务清除下线的可能性很大。

③任务削峰平谷治理

从全天来看，任务执行会有明显的忙闲时之分。大部分公司的忙时主要集中在凌晨 0 点至 8 点，其余时间段相对为闲时，这就造成了忙时计算资源严重紧缺。

大家都想在早上 8 点前跑完任务，但是不是每个忙时任务都有这个必要呢？通过对忙时任务产出表的被读时间进行分析，可以识别出不合理调度执行的任务。

比如，如果任务在早上 8 点跑完，其写入的目标表在中午 12 点才被读取，是否可以将该任务避开忙时执行？

④任务资源配置治理

这里主要谈一下 Spark Streaming 实时任务资源治理。Spark Streaming 和 Spark 处理逻辑是相同的，都是收到外部数据流之后按照时间切分。

“微批”处理一个个切分后的文件，往往会存在资源分配过多的现象，这很容易被识别。

由上图可见，将数据按照时间划分成 N 等分。假设每批次 A 的间隔时长：batch_time；处理 B 的时长：total_delay；等待 C 的时长：wait_time。

当出现 batch_time>>total_delay 时，当前任务占用的资源会浪费 wait_time。

通过缩减任务资源或多个任务合并成一个任务的方式来治理，都可以提升资源利用率。

虽然 total_delay 会加长，只要整体处理时间还在原定计划内，即可满足业务需求。

⑤计算框架优化

计算框架越来越多，也越来越成熟完善，选择适合自己的计算框架是关键。比如，由 Hive 任务迁移至 SparkSQL 任务、Storm 任务迁移至 Flink 任务，会带来性能上的明显提升。

但是，在海量数据任务的前提下，任务迁移绝非易事，需要综合考虑迁移的方案以及涉及的成本和风险。

存储治理

在数据爆发式增长的今天，存储资源的有效使用也面临着一系列的挑战。如何降低存储资源的消耗，节省存储成本，是存储治理的目标。

以下主要从生命周期管理、数据压缩治理、数据复存治理、数据价值治理几个角度介绍存储治理优化。

①生命周期管理

根据表生命周期对表进行清理删除，是最常见有效的存储治理方式。为降低数据丢失风险，可以先对表进行 rename 或通过 ranger 禁止表读写权限（相当于逻辑删除），7 天观察期过后删除至回收站，回收站默认保留 3 天后进行最终删除。

如果表的生命周期设置不合理（过长），也可以根据表的类型、业务情况进行稽核整改。

②数据压缩治理

数据压缩治理是最简单有效的存储治理方式。数据压缩的好处显而易见，可以直接节省磁盘空间，提升磁盘利用率，并且加速网络传输。

但同时数据的压缩和解压，需要消耗计算资源。如果集群计算资源紧缺，并且数据经常被读，则建议根据实际场景选择合适的数据压缩方式。

在不同的存储格式和压缩算法下，简单查询、大宽表查询和复杂查询的执行表现均有差异，具体需结合实际场景选择使用。

③数据复存治理

比较简单的方式是通过解析 Hive 任务、SparkSQL 任务的代码逻辑，分析代码中的读表、写表、条件、字段函数，识别读表和写表是否重复存储。

另外，也可以通过表名、字段名的相似度进行识别，并结合某些周期产出数据，抽样进行相似度对比分析和识别。

如果表数据出现重复存储，还需要根据链路血缘关系找出上游任务，对整个链路上的表及上游任务实施“一锅端”治理。

④数据价值治理

梳理当前业务价值，从数据应用层（包括报表、指标、标签）源头分析投入产出比，对整体链路资源进行“从上至下”的价值治理。

如果表长时间未作更新（如 32 天）或未被读取，往往表明这张表价值很低，甚至没有价值，则可对表进行清理删除，这时可以优先考虑治理大表、分区表、高成本表。

性能和稳定性治理

集群的性能和稳定性治理涉及众多方面，这里重点谈一下小文件治理和数据倾斜治理。

①小文件治理

HDFS 虽然支持水平扩展，但是不适合大量小文件的存储。因为 NameNode 将文件系统的元数据存放在内存中，导致存储的文件数目受限于 NameNode 内存大小。当集群到了一定规模，NameNode 内存就会成为瓶颈。

小文件治理需要根据当前集群的文件数量，定义合适的小文件大小，比如小于 1M。

治理方式需要考虑从源头控制，在任务中配置文件合并参数，在 HDFS 存储之前进行小文件合并，但这又会延长任务执行时间。

所以，可选择在闲时进行周期性的小文件合并。另外，也可以设置小文件占比阈值，根据阈值触发小文件合并。

②数据倾斜治理

很多时候，我们在用 Hive 或 Spark 任务取数，只是跑了一个简单的 join 语句，却跑了很长时间，往往会觉得这是集群资源不够导致的，但是很大情况下，是出现了“数据倾斜”的情况。

数据倾斜，在 MapReduce 编程模型中十分常见，大量的相同 key 被 partition 分配到一个分区里，造成了“某些任务累死，还拖了后腿，其他任务闲死”的情况，这并不利于资源最大化的有效利用。

由上图可见，通过对任务执行的监控日志分析，可以很方便的找出数据倾斜任务。

结合具体产生原因、数据分布和业务变化，有针对性的优化任务，任务执行时间能缩短几十倍以上，效果非常明显。

治理工具需要具备哪些能力？

面向治理责任人、项目主管、公司领导及治理运营人员，苏宁构建了统一的集群资源治理平台，全局把控集群计算资源、存储资源、性能和稳定性的整体情况，通过平台“识别通知、治理优化、监督考核”的支撑能力，实现一站式治理服务和闭环流程，降低治理投入的工作量，提升治理成效。

后记

苏宁建设了较为成熟的数据治理体系和标准流程，多项治理工作同步推进，均取得了显著的成果，为公司节约了可观的服务器资源投入成本。

并且，随着治理工作的推进，各组织也更主动的开展源头治理，大大减轻了事后治理的工作量。

治理工作不会一蹴而就，也不如前端业务那么容易出彩，显得“朴实无华”。每一位治理工作者都在背后默默的坚守付出，孜孜不倦地保障着大数据集群资源的最大化有效利用。

未来，苏宁大数据治理团队仍将持续推进治理工作，进一步提升治理工具产品支撑能力，赋能治理工作常态化、工具化和智能化。

我们崇尚科技与艺术的结合，最后赋诗一首，希望能帮助有需要的同仁更好的理解这项工作，更快的实现治理目标。

《苏宁数据治理 三字经》

--韦真

数之初，量本小。猛增长，遇瓶颈。

缺管理，实难控。若不治，随可崩。

若广治，惧其繁。治之道，贵以专。

高层挺，强执行。定职责，齐协作。

察现状，诊问题。能识别，准定位。

控增量，降存量。摊成本，明方向。

始源头，理价值。视场景，择平台。

宜压缩，需清理。去冗余，平峰谷。

治理急，线下先。累经验，建工具。

能优化，可评估。须考核，纳监督。

体系化，智能化。一站式，闭环式。

存储易，算力难。若有方，皆可成。