一、閱讀目的

目前不管是數(shù)倉、Lakehouse、數(shù)據(jù)湖都把開放數(shù)據(jù)湖中數(shù)據(jù)的分析作為當下的一個能力突破點。前面有看過論文“Data lake management: Challenges and opportunities”主要分析數(shù)據(jù)湖管理領域趨勢和挑戰(zhàn)，里面有提到google的Goods在元數(shù)據(jù)管理方面做了不錯的工業(yè)實踐。

二、解決的核心問題(場景/技術)

1、Goods在Google元數(shù)據(jù)體系的位置

從Google bigquery相關資料可以看出google有一套統(tǒng)一的Data catalog，Goods可以理解是基于這套Data catalog基礎服務提供的面向數(shù)據(jù)湖場景元數(shù)據(jù)管理的完善能力。另外googole還有一篇論文“Big Metadata: When Metadata is Big Data”則是講在large scale表的元數(shù)據(jù)及統(tǒng)計信息管理的創(chuàng)新，也是基于Data catalog的工作，這篇文章的解析可以參考本公眾號的“Delta Lake&Hudi很火！Google更是Lakehouse的領跑者”文章。

2、Goods的場景定位

面向數(shù)據(jù)湖場景避免數(shù)據(jù)孤島，需要對數(shù)據(jù)進行統(tǒng)一的管理，而統(tǒng)一管理的可落地方式就是把元數(shù)據(jù)統(tǒng)一管理起來。Goods的定位不只做統(tǒng)一元數(shù)據(jù)服務，而是在元數(shù)據(jù)服務之上解決元數(shù)據(jù)上下游的處理，并支持用戶高效的從大量數(shù)據(jù)中找到自己需要的數(shù)據(jù)集。核心技術難點在于準確發(fā)現(xiàn)、大規(guī)模存儲、提供元數(shù)據(jù)查詢能力。

產(chǎn)生很多dataset的原因是為了快速的使用數(shù)據(jù)，來驅動他們的競爭優(yōu)勢，但是在存儲數(shù)據(jù)的時候沒有進行統(tǒng)一的元數(shù)據(jù)管理，這樣就只能事后進行元數(shù)據(jù)的管理。不改變原有使用元數(shù)據(jù)的方式，goods后臺執(zhí)行并采集元數(shù)據(jù)，并記錄和其他dataset之間的血緣關系，從而對外提供高效的元數(shù)據(jù)查詢服務。

三、論文內幕

本文的特點是方向新穎、問題開放，因此行文邏輯和其他論文有一些不同，側重在問題的定義。主要包括幾方面：挑戰(zhàn)、數(shù)據(jù)發(fā)現(xiàn)能力、后端存儲計算服務、查詢服務、相關工作及未來

1、挑戰(zhàn)

下面是整體的架構，可以看到goods支持多種數(shù)據(jù)源的元數(shù)據(jù)發(fā)現(xiàn)、對外提供豐富的數(shù)據(jù)管理能力。挑戰(zhàn)包括下面的：

• 海量dataset的元數(shù)據(jù)發(fā)現(xiàn)：支持google所有依賴的26 billion datasets的發(fā)現(xiàn)，未來加速需要做dataset關聯(lián)的元數(shù)據(jù)推斷
• dataset多樣性：不同的數(shù)據(jù)源有不同的類型系統(tǒng)，怎么做一套統(tǒng)一的元數(shù)據(jù)管理很有挑戰(zhàn)。比如bigtable的表需要按照列簇進行表的拆分
• dataset的TTL能力：因為元數(shù)據(jù)會有版本，全部保留數(shù)據(jù)量很大，因此需要有TTL的能力
• 后置元數(shù)據(jù)發(fā)現(xiàn)具有一定不確定性：利用dataset自包含的content和dataset本身的隱藏關系
• 計算dataset的重要性：通過比如計算訪問頻率，主動推理dataset對用戶的重要性
• 恢復dataset的語義：dataset的語義對于后續(xù)的查詢、搜索、描述更有意義

2、Goods數(shù)據(jù)發(fā)現(xiàn)能力

存儲的元數(shù)據(jù)包括從不同系統(tǒng)獲取的，goods彌補自由度和統(tǒng)一視圖之間的gap，同時具備對多個版本進行聚合處理的能力。

• 元數(shù)據(jù)

多種方式來爬取元數(shù)據(jù)并進行組裝，獲取的這些元數(shù)據(jù)不僅支持元數(shù)據(jù)恢復，同時能夠滿足數(shù)據(jù)的血緣和流動管理。goods支持構建一個圖來描述元信息之間的關系。發(fā)現(xiàn)元數(shù)據(jù)的手段包括：結構化的元數(shù)據(jù)都是使用pb來存儲、讀取一部分的數(shù)據(jù)來識別schema、使用一種算法識別潛在的key關鍵字、通過注釋來消除語義的歧義。

• 對數(shù)據(jù)進行聚集處理

按照邏輯集群級別進行聚集分類，分類后可以進行一些智能的schema推斷和傳播，從而減少schema推斷的開銷。

3、后端存儲計算服務

• Catalog storage：有特點的是支持dataset添加描述、以及一些維度的標簽信息

• 批處理作業(yè)性能及調度

后臺有分析生成元數(shù)據(jù)的作業(yè)、schema識別可能會比較久，做了一些同質元數(shù)據(jù)比如分區(qū)的元數(shù)據(jù)發(fā)現(xiàn)的數(shù)據(jù)裁剪

• 容錯：status的metadata里面存儲作業(yè)的運行狀態(tài)，做了執(zhí)行作業(yè)的隔離
• 元數(shù)據(jù)的垃圾收集：這里主要是有一些TTL

4、查詢服務

• Dataset profile pages：支持dataset添加profile級別的配置，為了防止通過壓縮來減少使用空間。
• dataset 搜索：這里主要是一些索引相關
• 團隊報表：可以監(jiān)控dataset的屬性的變化

5、相關工作

業(yè)界工作：Goods的特點是管理海量數(shù)據(jù)湖的元數(shù)據(jù)，不需要元數(shù)據(jù)再創(chuàng)建的時候就進行預處理。與現(xiàn)有比如hive管理元數(shù)據(jù)，核心的區(qū)別就在與數(shù)據(jù)湖場景，以及事后的元數(shù)據(jù)發(fā)現(xiàn)。

未來工作包括：

• 對dataset的重要性進行標記還沒有完全做好
• 區(qū)分生產(chǎn)、測試、開發(fā)的datasets
• 整合更多的信息來做dataset的推理和管理
• 語義發(fā)現(xiàn)和識別

四、學習感悟

goods對于數(shù)據(jù)湖場景海量的數(shù)據(jù)集，進行元數(shù)據(jù)做事后的發(fā)現(xiàn)提取、收集、管理、查詢。這個和筆者前面在阿里云云原生數(shù)據(jù)湖分析做的數(shù)據(jù)湖管理的元數(shù)據(jù)發(fā)現(xiàn)工作基本是一致的，這塊工作對于數(shù)據(jù)湖場景有很大的價值，可以看出goods在數(shù)據(jù)集血緣、發(fā)現(xiàn)的規(guī)模、模糊數(shù)據(jù)集的準確性做了更加體系化的思考。