写点什么

重磅发布!阿里云全链路数据湖开发治理解决方案

  • 2022 年 8 月 17 日
    浙江
  • 本文字数:3555 字

    阅读完需:约 12 分钟

阿里云重磅发布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%



  • 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

  • 伸缩能力更强大

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




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




欢迎钉钉扫码加入 EMR 产品交流群


用户头像

还未添加个人签名 2020.10.15 加入

分享阿里云计算平台的大数据和AI方向的技术创新和趋势、实战案例、经验总结。

评论

发布
暂无评论
重磅发布!阿里云全链路数据湖开发治理解决方案_大数据_阿里云大数据AI技术_InfoQ写作社区