全球热头条丨数据治理如何做？火山引擎DataLeap帮助这款产品3个月降低计算成本20%

本文讲述字节跳动一款 App产品的数据治理故事。该产品随着用户体量和数据体量不断增长，数仓的任务量、数据量也不断攀升，运维难、成本贵、稳定性等问题在不断凸显。通过使用火山引擎DataLeap的数据治理能力，3个月时间将计算成本大幅缩减20%。

该产品是一款近千万级DAU的产品，疫情3年，催生了大量的线下需求转型至线上，海量的数据虽然为产品创造了巨大的价值，但是也增高了计算成本和存储成本。“成本治理专项”成为了这个产品的重要工作之一，为了解决数据治理的问题，产品接入了火山引擎自研的大数据开发套件——DataLeap，主要围绕下述两个场景进行成本治理：

(相关资料图)

1. 快速启动并获得收益

大数据场景下计算资源的重要价值和昂贵成本，需要每个任务都按需使用。而在实际的业务开发过程中，存在大量的异常计算任务，浪费了大量的计算资源。计算场景也因此成为该产品数仓团队成本治理的关键切入点。

通过DataLeap，数仓团队可以设置明确治理目标，并配置治理域，通过选定各种规则的任务治理，比如关闭/下线无效任务、优化高耗时并且占用资源 TopN 任务、优化资源申请不合理 TopN 任务、优化表产出小文件 TopN 任务等，由此对队列阻塞情况进行改善，完成阶段性进行缩容。

DataLeap 还支持对任务执行进行全链路监控，自动发现这些异常的计算任务，并在工作台进行展示，让数据研发人员可以查看相应任务，并采取治理措施。

2. 按季度持续治理

数据治理是一项长期性、系统性的工作，通过DataLeap平台，该产品优先实现了数据按季度持续治理。

DataLeap 平台提供一系列任务圈选规则，可以圈选出无效、高耗时、资源申请不合理、小文件异常、近7天内无更新、写入数据、近90天无访问表等规则，进行定期扫描，由此实现周期性成本治理。除此之外，DataLeap还提供通知、一键拉群等治理运营操作，支持查看治理效果，沉淀治理经验，有效推动数仓团队成本推动进展。

其次，为了能更直观监测到数仓健康度、量化治理效果，产品团队还引入了DataLeap「健康分」体系。一旦出现健康分不达标情况，会及时限制产品使用资源比例、资源申请等。DataLeap还支持繁忙和闲置时段队列资源利用率的监测，可以帮助飞书数仓团队优化任务调度措施。

最终，该产品的数仓团队主要从YARN和HDFS切入，在引入DataLeap的三个月内，快速落地成本治理项目。在计算治理场景，实现YARN 队列成本降低 20%；在存储治理场景，已释放 7PB 存储空间。

随着数据的不断累积和业务的不断发展，大数据的体量将会变得越来越大，而随之而来的庞大成本，也成为了大数据建设中越来越无法忽视的问题。火山引擎DataLeap基于字节跳动业务场景和实践经验，沉淀有一套完整的数据质量、SLA治理、资源优化、告警优化的能力，可以为业务提供流畅顺滑的数据治理体验；在流程上，覆盖规划式、响应式的用户数据治理双路，同时与各业务密切配合，落地和沉淀多项治理规则。(作者：邵苗）