火山引擎DataLeap：五个关键技术，帮助企业搭建“数据目录”

企业如何找到数据、了解数据以及使用数据?

这离不开数据目录的能力。数据目录有着类似于“字典”的作用，能够帮助数据生产者和使用者快速定位数据、解释数据、找到数据，并从中提取业务价值。

对以研发人员为代表的数据生产者来说，他们利用数据目录来组织、梳理各类元数据。例如，数据生产者会将元数据以目录等形式编排到一起，方便维护，并通过打业务标签、添加应用场景描述、字段解释等丰富业务相关属性。

对于数据分析师、产品、运营等数据使用者来说，他们通过数据目录来查找和理解数据，例如通过关键字检索，或目录浏览，来查找业务场景数据，并浏览详情介绍、字段描述、产出关系等，进一步理解并利用数据决策。

在字节跳动，也有这么一套被内部广泛使用的数据目录系统。目前，该系统已通过火山引擎DataLeap数据地图平台对外输出。外部用户也可以在DataLeap数据地图平台，收集、组织、访问和补充元数据信息，为自身数据建设和治理提供支持。

火山引擎DataLeap数据地图平台-数据目录

要构建一套扩展性强、易维护且易用的数据目录系统并非易事。在大数据领域，各类计算和存储系统百花齐放，概念和原理又千差万别，对于元数据的采集、组织、理解、信任等，都带来了很大挑战。

在调研各个开源软件及技术体系基础上，火山引擎DataLeap选择基于Apache Atlas改造，而这套数据目录系统主要依赖五大关键技术：

第一，数据模型统一。一方面，DataLeap通过充分复用各种元数据类型间的相似能力，获得数据模型定制灵活性;另一方面，DataLeap将数据源关联的能力进行收敛到一起，以降低后续的维护成本。

第二，数据接入标准化。当用户接入新的元数据时，只需要重新编写Source和Diff Operator，而其他组件可直接复用，以标准化的connector节省接入和运维成本。

第三，搜索优化。在数据目录中，搜索是用户最广泛使用的功能，也是用户找数主要的手段。搜索优化可分为离线部分和在线部分。离线部分负责汇集各类与搜索相关的数据，完成数据清洗或者模型训练，再根据不同的用途，写入不同的存储，供给在线搜索模块使用。在线部分则分为搜索理解、召回、精排三个主要阶段，步骤和概念与通用搜索引擎对齐。

第四，血缘能力。完备的血缘能力，既可以帮助数据生产者梳理、组织元数据，也可以帮助数据消费者找数、理解数据上下文。火山引擎DataLeap在设计上充分考虑血缘链路的多样性和复杂性，并在血缘质量上，通过定义有效的血缘准确率、覆盖率和时效性，确保血缘信息准确、全面和实时性。

第五，存储层优化。当业务中有越来越多的元数据接入数据目录，图存储中的点和边将分别到达百万和千万量级，造成读写性能出现问题。在读优化和写优化层面，火山引擎DataLeap分别通过开启MutilPreFetch 能力、去除Guid全局唯一性检查，最终实现小表性能小于100ms、中表性能2~5s、大表性能0.5~1min。

据介绍，火山引擎DataLeap能帮助企业快速完成数据集成、开发、运维、治理、资产、安全等全套数据中台建设，其中数据目录能力主要涵盖在数据地图平台，该平台通过提供数据检索、元数据详情查看、数据理解等功能，解决找数难、理解数据难的痛点，同时支持数据专题、血缘图谱、数据发现、库表管理等特色功能。

目前，火山引擎DataLeap的数据地图平台已接入全链路核心元数据，包括LAS、MySQL、ByteHouse CE、ByteHouse CDW、TOS、LasFS、EMR hive等，提供可视化的血缘关系展示能力，帮助用户全面的探查了解数据，支持表、字段级别血缘可视化查询，以及按层级、范围筛选展示，为用户提供灵活、易用的数据服务。(作者：于宇灿)