数据质量

Posted 2023-04-04

参考技术A 浅谈数据质量管理：为了更清醒的数据

数据质量管理的一些思考

大数据Clouder认证：使用MaxCompute进行数据质量核查

度量的两个方面：

1、设计质量度量

数据资产目录 数据标准 数据模型 数据分布

2、执行质量度量

完整性 准确性 唯一性 一致性 及时性 有效性  （单列、跨列、跨行、跨表）

数据质量设计原则

1、关键环节注入监控流程 比如数据源接入、多维模型等

2、重要数据：事务数据、主数据、基础数据（数据字典）要进入监控流程；持续稳定的数据可以退出监控流程；价值密度低可以退出监控流程；

数据质量四部曲

策划、控制、度量、改进

打分机制：

指定表的质量KPI，针对表的故障率进行数据质量运营。

最主要的数据质量度量：

1、完整性：空值，数据量（是否漏传）等；

2、一致性：各层前后结果是否一致；

3、是否重复性：数据在单层是否重复

工具：

Griffin 功能有Bug 

Shell+Hive 建议（通过Web界面化）

各层校验规则：

ods层：

- 增量数据记录数（短期）设置合理值

- 全量数据记录数（长期）设置合理值

- 空值：

-重复值：使用不为空的字段校验

dwd层：

- 一致性 将需要一致性检测的字段，与ods层做关联join

- 重复性 使用不为空的字段校验

- 空值不需要检验：因为已经做了一致性校验了

dws/dwt层：

- 思路跟ods层一样

ads层:

- 判定指标是否在合理范围内，需设置合理值，与之对比，如超预期，展现层不体现该指标，并触发质量问题排查追踪（atlas追踪血缘关系，触发ETL流程）

数据质量修复：

1、数据丢失：按DT分区，重新导入

2、数据重复：分区表：按DT分区，删除分区所有数据，重新导入；全量表：重导一次

3、指标不符合正常规律：atlas追踪血缘关系，触发ETL流程

数据质量分析

数据质量分析
一、引言
1.1 项目背景
数据质量监测是大数据处理中最重要的一个环节，是数据服务、数据分析、数据挖掘等活动的必备支持条件。

1.2 项目概述
提出了一个基于大数据平台的数据质量管理服务Qualitis，提供统一的流程来定义和检测数据集的质量并及时报告问题。

1.3 术语表
术语 含义
项目(project) 一系列规则的集合，决定告警人和告警级别，是任务调度的单位之一。
规则(rule) 数据源的数据质量模型的定义，决定是否告警，是任务调度的基础单位。
任务(application) 数据质量检测任务，通过运行数据质量任务，可以查看数据质量校验结果。
二、总体设计
2.1 总体架构设计

2.2 灰度功能设计
由于每个Qualitis后端服务是幂等的，要灰度只需要对单个后端服务进行隔离，让其无法接受用户请求。

2.3 高可用及性能设计
Qualitis各个服务之间是幂等的，可以通过同时起多个Qualitis服务，对Qualitis服务进行负载均衡进行实现。如下图所示： 负载均衡
负载均衡这一策略，不仅实现了高可用，并且也实现了性能的提升。

性能方面的设计，考虑以下方案。但目前暂未实现。

1.查询缓存
使用分布式缓存，将查询结果缓存起来，就不必查询的时候，每次都查询数据库，大大的减少了数据库的压力，并且提升了查询的速度。

2.4 多线程同步设计
1.进程同步
由于存在多个Qualitis实例，多个实例之间可能会存在同时刷新监控任务状态的情况，所以需要解决进程同步的问题。

Qualitis系统采用Zookeeper协调多进程，多个Qualitis实例会争抢在Zookeeper中建立临时节点，建立临时节点成功的，会作为Monitor角色，由Monitor角色对监控任务，并刷新任务的状态。

2.线程限流
当触发监控任务提交时，需要连接hive meta store，判断保存未通过校验的数据的数据库是否存在。

当提交任务量上来是，可能会对hive meta store造成巨大压力，所以需要对任务提交进行限流。

Qualitis系统使用线程池的方式，对连接hive meta store进行限流，如果从线程池中拿不到线程，任务会等待，直到拿到线程，才连接hive meta store。

三、 模块设计
3.1 总体模块设计图

3.2 用例图

四、 接口设计
4.1 内部接口
内部接口主要分为两类接口：
1.管理员接口
2.用户接口

管理员接口设计: /qualitis/api/v1/admin/*
用户接口设计: /qualitis/api/v1/projector/*
通过两种不同的接口定义方式，将用户的权限区分开。

4.2 外部接口
外部接口url定义:/qualitis/outer/api/v1/*
此类接口调用需要在query中增加如下参数:

参数名 必选 类型 说明
app_id 是 string 系统分配的授权应用APP_ID.
timestamp 是 string 时间戳。毫秒级的时间戳，时效性：7天
nonce 是 string 随机数，长度为5
signature 是 string 加密签名。md5(md5(appId + nonce + timestamp) + appToken)，其中md5生成32长度，小写
其中app_id和appToken需要管理员授予外部系统。

五、系统工程结构设计
系统的工程结构可以分为2层，Web层和Core层。

Web层主要包括Controller和Service，主要包含对外提供服务的服务层，Core层主要包括核心代码逻辑和存储层。