重磅发布，阿里云全链路数据湖开发治理解决方案

Posted 2022-08-18 阿里云大数据AI技术

阿里云重磅更新全链路数据湖解决方案，主要包含开源大数据平台E-MapReduce(EMR) + 一站式大数据数据开发治理平台DataWorks + 数据湖构建DLF + 对象存储OSS等核心产品。

近日，阿里云EMR重磅推出新版数据湖Datalake，100%兼容社区大数据开源组件，具备极强的弹性能力，支持D数据湖构建DLF，数据湖存储OSS和OSS-HDFS，支持Delta Lake、Hudi、Iceberg三种湖格式。同时新版本Datalake对接阿里云一站式大数据开发治理平台DataWorks，沉淀阿里巴巴十多年大数据建设方法论，为客户完成从入湖、建模、开发、调度、治理、安全等全链路数据湖开发治理能力，帮助客户提升数据的应用效率。

另外，解决方案提供了“统一元数据管理、数据入湖、数据存储、缓存加速、弹性计算、容器、数据分析、任务编排、运维管理，以及安全”等全面数据湖能力。通过了工业和信息化部中国信息通信研究院大数据能力专项评测，荣获“云原生数据湖基础能力专项评测证书”。

阿里云全链路数据湖开发治理解决方案架构

阿里云全链路数据湖开发治理解决方案使用OSS/OSS–HDFS作为数据湖存储，DLF作为数据湖构建和管理工具，JindoFS进行湖缓存加速，EMR作为弹性计算引擎进行湖计算，DataWorks进行数据开发和治理。DataWorks各模块与DataLake深度集成，从而实现一站式数据湖开发治理。

EMR新版数据湖集群

核心运维管控能力介绍

弹性能力

1. 弹性伸缩支持按集群负载和按时间2种模式
2. 弹性伸缩组支持多种实例规格
3. 支持抢占式实例（相较按量付费成本降低80%以上）
4. 支持成本优化模式（弹性比例的按量付费+包年包月）

集群管控能力

1. 分钟级别创建和扩容集群，无需手动部署和启动服务
2. 完善的集群监控和告警体系，覆盖硬件和引擎服务，支持配置告警模板

新版数据湖对比Hadoop集群优势

性能更优

• 速度加快

新版数据湖集群节点组扩容速度得到明显提升，单批次大规模节点扩容速度提升80%

	Hadoop	DataLake
弹性扩容 10 节点	4分钟	1分10秒
弹性扩容 50 节点	8分钟	1分30秒
弹性扩容 100节点	10分钟	1分50秒

• 支持并发

支持任务节点（task节点类型）多节点组并行扩缩容，能够覆盖多种使用场景，业务效率成倍提升。

功能更全

• 弹性伸缩能力更强

可以同时配置按时间伸缩和按负载伸缩；支持优先下线负载低的节点；配置规则不依赖于是否运行弹性伸缩活动，可灵活修改配置（仅影响下一次触发）。

• 执行逻辑更贴近使用场景

多方位调研用户真实使用场景，功能执行逻辑设计更贴近业务实际。如：

1）弹性伸缩扩容策略支持多实例选择并按顺序弹出（兜底库存不足场景），弹性伸缩缩容支持配置优雅下线并默认按负载选择目标节点下线（减少缩容时对集群任务影响）

2）同一节点组多个弹性规则同时触发时，默认按照用户规则排序依次生效（灵活应对多种使用场景）

• 操作体验优化

更丰富的配置提示和操作引导，并新增配置项预校验逻辑，降低用户学习成本和操作失败概率。

成本更省

• 弹性伸缩性能更优，功能覆盖更广泛的场景

弹性伸缩生效更快，支持功能更全。可以帮助用户更快更好地对硬件资源进行敏捷管理，根据业务需要设置相关策略，自动变更集群规模，减少硬件资源浪费。

• 通过灵活配置抢占式实例进一步压缩成本

在新增节点组时，提供完善的抢占式实例配置策略和兜底策略供用户配置，用户可以根据其业务诉求灵活配置，通过配置抢占式实例能够进一步压缩成本。

与Hadoop集群全面对比

模块	功能项	新版数据湖集群	Hadoop集群
集群	集群创建时间	平均时间小于5分钟。	平均时间小于10分钟。
	集群节点组新增节点	平均时间小于3.5分钟。	平均时间小于10分钟。
	开放API	支持。	支持。
	域名支持	Private Zone。	hosts地址映射。
	磁盘扩容	支持热扩容，无需重启集群服务。	不支持热扩容，需重启集群服务生效。
节点组	交换机	可以在新建节点组时选择交换机。	仅支持在集群创建时选择，集群创建后不可更改。
	挂载公网	可以在创建集群的硬件配置页面的实例区域，选择是否为节点组开启公网。 没有节点组类型的限制。	仅支持在集群创建时选择是否开启公网，创建后如果您需要使用公网IP地址访问，请在ECS上申请开通公网IP地址，详情请参见弹性公网IP中的申请EIP的内容。 仅支持Master节点组挂载公网。
	附加安全组	支持。	不支持。
	部署集	可以在创建集群硬件配置页面的实例区域，选择是否开启部署集开关。 可以在新增Core节点组时，选择是否开启部署集开关。	功能受限。
	节点组状态	支持。	不支持。
	混合节点	支持同规格的不同机型混合。	仅支持同规格机型。 弹性伸缩节点支持混合节点。
弹性伸缩	弹性伸缩	弹性伸缩与节点组解耦，从独立的功能模块转为节点组操作，使用更加便捷。	需要专用的弹性伸缩组，该节点组不可进行手动扩缩容。
	伸缩规则	配置规则不依赖于是否运行弹性伸缩活动，可灵活修改配置（仅影响下一次触发）。 同一节点组多个规则同时触发时，会按照用户规则排序依次生效。	配置规则受到弹性伸缩状态限制，修改后无法立即生效。 同一节点组多个规则同时触发时，随机生效。
	伸缩记录	丰富了弹性伸缩记录信息。在查看详情页面新增了触发规则快照和执行结果参数，能够快速查看触发原因和变更节点信息。	提供基础的伸缩记录列表。
	指标采集频率	每30秒采集一次。	每30秒采集一次。
	伸缩活动生效时间	规则应用后1~30秒。	规则应用后1~2分钟。
扩缩容	扩缩容活动	弹性伸缩活动与手动扩缩容活动运行机制相同。区别仅在于触发条件不同： 弹性伸缩需要弹性伸缩规则触发。 手动扩缩容需要人为触发。 支持暂停弹性伸缩活动。 多个Task节点组的扩缩容活动彼此独立，互不影响。 弹性缩容根据节点负载和创建时间，智能选中目标节点，减少业务影响。	弹性伸缩活动和手动扩缩容活动是两套机制，互不兼容。 弹性伸缩活动不支持暂停状态。 同时仅支持一个节点组进行（弹性）扩缩容。 弹性缩容节点选择具有随机性。
高可用与软件应用	高可用	不再支持本地mysql作为Hive Metastore数据库。	支持本地MySQL作为Hive Metastore数据库。
		支持部署集，3台Master分布在不同底层硬件以降低硬件风险。	默认不支持部署集。
		NameNode与Resource Manager部署于3节点，并不再支持2 Master模式。	Namenode与Resource Manager仅部署于2节点，支持2 Master模式。
	集群应用组件	支持可选	必选 + 可选。
	Spark2与Hadoop3组合	支持。	不支持。
	Spark3与Hadoop2组合	支持。	EMR-3.38.0之后版本支持同时部署。

DataWorks全链路开发治理能力介绍

DataWorks基于EMR-Datalake、EMR-Clickhouse、CDP等大数据引擎，为数据湖/数据仓库/湖仓一体等解决方案提供统一的全链路大数据开发治理平台。作为阿里巴巴数据中台的建设者，DataWorks从2009年起不断沉淀阿里巴巴大数据建设方法论，通过智能数据建模、全域数据集成、高效数据开发、主动数据治理（数据质量、数据地图等）、全面数据安全、快速分析服务六大全链路数据治理的能力，与数万名政务/金融/零售/互联网/能源/制造等客户携手，助力产业数字化升级。

智能数据建模

DataWorks智能数据建模沉淀阿里巴巴数据中台建模方法论，以维度建模为基础，从数仓规划、数据标准、维度建模、数据指标四个方面，以业务视角对业务的数据进行诠释，让数据仓库的建设向规范化，可持续发展方向演进。针对Datalake的智能数据建模能力将在2022年8月份正式发布。

全域数据集成

DataWorks数据集成是开源DataX的商业化团队，在数据湖场景下支持50+种数据源之间的离线同步，包含数据湖常见的HDFS、Hive、HBase、OSS、Kafka等数据源，MySql、Oracle、SQLServer等数据库。同时，针对IDC>>云上、云厂商>>云厂商、云产品>>云产品、云账号>>云账号等各种同步场景，提供网络连通的解决方案，让客户在复杂网络环境、丰富的异构数据源之间，依旧保持高速稳定的数据移动能力。

高效数据开发

DataWorks数据开发（DataStudio）与运维中心面向EMR-Datalake、EMR-CK、CDH等引擎，提供可视化开发的主界面，赋予用户智能代码开发、多引擎混编工作流、规范化任务发布的强大能力，帮助用户轻松构建数据湖、离线数仓、实时数仓与即席分析系统，保证数据生产的高效与稳定。

数据开发-核心开发调度能力

• 支持EMR Hive、EMR MR、EMR Spark SQL、EMR Spark、EMR shell、EMR Presto、EMR Impala、EMR Spark Streaming共八种节点。
• 远超开源的超大规模调度稳定能力（双11单日千万级任务实例）
• 分钟/小时/天/周/月多种调度周期
• 业务流程全局参数/节点上下文传参

数据开发-多种可视化数据对象管理及控制节点

• 可视化资源文件上传（HDFS/OSS）
• 可视化管理UDF（Java）
• 可视化建表（支持HDFS/OSS）
• 归并、赋值、顺序、循环、分支等控制节点。
• 多种调度周期混合编排
• 可视化业务流程编排

数据开发-智能SQL编辑器

• 语法高亮
• 关键词自动补全
• 表/字段信息提示
• 函数信息提示

任务运维-运行诊断

运行诊断可帮助用户快速定位任务出错原因，例如

• 上游依赖未完成
• 调度资源不足
• 数据质量规则拦截
• 基线破线

同时拥有补数据相关能力，方便用户快速处理运维情况。在告警方面，运维中心支持多种告警方式

• 支持Webhook（钉钉、微信、飞书）、电话、短信、邮件等多渠道告警
• 支持基于值班表配置告警人员，

任务运维-智能基线

智能基线是DataWorks独创的监控技术，具备国家专利，用户无需配置每个任务的告警时间，仅需配置最终产出节点的告警时间，智能基线会基于历史的任务运行情况，在核心任务可能无法准时产出时，做提前告警，保障核心任务的生产稳定。

主动数据治理

DataWorks数据治理包含数据治理中心、数据质量、数据地图等多个产品，覆盖事前、事中、事后的数据生命周期，通过数据治理健康分、质量规则、数据大血缘等能力，将书面的数据治理规范落地成平台化的产品能力，让数据治理不再一个 “阶段性项目”，而是一个“可持续的运营项目”。

数据质量

EMR HIVE节点支持DataWorks数据质量规则，内置37种数据质量规则模板，可以进行可视化、批量数据质量规则配置，提高数据质量规则配置效率。同时该模块与数据开发调度深度集成，可通过调度触发规则运行，节省计算资源，及时发现问题。

• 支持37种内置数据质量模板规则
• 支持批量配置规则、规则模板
• 支持绑定调度引擎并在质量报警时阻塞业务流程
• 支持动态阈值（顶会论文技术，算法自动判定告警阈值）
• 支持SQL自定义规则
• 支持短信、邮件、钉钉告警
• 支持自定义数据质量报告
• 支持质量问题处理记录

同时，数据质量支持强弱规则设置，进行灵活的运维控制。

• 强规则，直接阻塞下游任务运行，防止问题数据污染下游，浪费下游执行的计算资源
• 弱规则，只告警，不阻塞任务运行，针对一些非核心任务。

数据地图

数据地图支持完整的EMR-Datalake元数据体系，可以针对表名、字段名进行快速搜索，基于表、字段血缘浏览上下游关系快速找表，包括：

• 支持表基础信息、业务描述信息、产出信息等
• 支持分区、字段的明细信息与变更记录
• 支持表的产出信息解析（包括对表写入数据 或者 创建分区的调度任务）
• 支持表、字段的血缘信息解析（实时解析）
• 支持对表进行分级分类、收藏等操作
• 支持全局检索、按类目导航检索、按类目过滤

表基础信息：

表血缘信息：

全面数据安全

在数据安全方面，DataWorks支持Datalake引擎数据全生命周期的安全管理。包括以下5个方面：

数据传输安全

• 数据源访问控制

数据存储安全

• 存储加密
• 数据备份

数据处理安全

Ranger精细化数据授权管控

规范化开发流程，开发环境、生产环境执行身份独立管理

数据交换安全

数据脱敏

通用数据安全

RBAC权限模型

操作行为审计

LDAP认证管理

快速分析服务

SQL查询：完善的SQL查询编辑器，支持即席查询Hive、SparkSQL、Impala

电子表格：即席分析数据，Web类型的Excel

数据服务：低代码快速搭建ClickHouse API

开通购买

快速开通使用

快速入门：​​https://help.aliyun.com/document_detail/445672.html​​

使用须知：​​https://help.aliyun.com/document_detail/441120.html​​

迁移助手

调度任务迁移

为了帮助客户快速将原有的调度任务迁移到DataWorks上使用，我们提供了迁移助手，支持以下任务迁移能力：

• 支持Airflow，Oozie，Azkaban工作流迁移
• 支持EMR数据开发一键迁移至DataWorks
• 工作空间之间各种数据对象迁移