汪源：数据分析热词迭出，“三个统一”值得关注
从流批一体、湖仓一体、NoETL、数据中台到DataOps，现代数据分析领域热词迭出，企业如何抓住本质，经营数据生产力以提质增效？
9月26-27日，ArchSummit全球架构师峰会杭州站举办，网易副总裁、网易杭州研究院执行院长、网易数帆总经理汪源受邀在会上发表主题演讲，深入浅出地剖析了现代化数据分析架构中最值得关注的三条主线，包括统一的基础设施、统一的中间层和统一的数据资产，并介绍了国内外的相关技术实现。
统一的基础设施：流式湖仓，Iceberg+Arctic将成核心
统一的基础设施要解决四大问题：湖仓一体、流批一体、标准格式和存算分离——不仅是文件格式，还包括表格式。汪源表示，理想的统一基础设施是流式湖仓的基础设施，即湖仓和流批都做到一体。除了最底层的对象存储，目前已有可用的开源实现。
统一的基础设施包括六层架构。最底层是存储层，往上是Parquet文件格式层，中间加了缓存加速层，用来弥补上层需求和底层对象存储之间的性能差距，现在出现的有Alluxio、JuiceFS、CurveFS，其中CurveFS是网易数帆开源的一个文件存储系统。
最核心的是最近两三年出现了两个新的层次，一个是表格式（table format），如Iceberg、Hudi，一个是表服务（table service），如Arctic。这两个层次能够让底层大数据体系支持湖仓一体、实时更新、版本一致性、ACID等等，之前的大数据没有这些功能，所以它无法做一些实时的分析服务，只能做T+1的分析。最上层是分析引擎层。
汪源认为Iceberg是最有希望成为table format标准的项目。Iceberg从数据层面提供了ACID的能力，并且可以读到任何时间点的数据；第二个从元数据层面解决了HMS性能瓶颈，把原来集中式的元数据变成了分布式的元数据，并且相当于给数据构建了一个多级的索引，能够支持高级过滤，这能解决很多问题。比如大数据场景常见千万甚至亿级文件的查询，基于Hive的查询启动可能要花20分钟，而Iceberg可以做到一分钟以内，这是一个非常夸张的进步。
Arctic由网易数帆于2022年8月宣布开源，但在网易数帆内部研发已经将近三年。Arctic主要用来帮助Iceberg把整体的技术体系构建完整，因为Iceberg只是一种格式，无法单独形成面向分析性能最优化的状态。Arctic首先提供了基于Iceberg的自优化的能力，以及upsert的功能，支持高效的数据更新。其次支持流批一体，流表和批表定义一致，可以复用。最后是兼容Hive和Iceberg，从而可以快速落地。
汪源认为，今天由Iceberg和Arctic共同构建的这一层会成为一个新的事实的标准，在它下面有不同的存储，在它上面有不同的计算体系。“这个中间基本上胜出的只有一家，不可能有多家，否则这个技术栈就混乱了。”
统一的中间层：数据仓库+HeadlessBI
数据分析的过程，理想的状态是理论大师们规划的路线：在数据仓库里面做好了所有的数据转化，每一个团队用很好的BI工具只做数据的展现和交互，所有的计算逻辑应该都在数仓里面完成。但实际上每一个团队都会在自己的BI里面去做很多的计算逻辑，这是数据仓库的计算逻辑不够用，导致计算逻辑分散的问题。汪源指出，大家在不同的BI产品中看到的数据口径和结果的差异，就是由分散的计算逻辑带来的。
解决该问题的“中国方案”是数据中台，通过OneData、OneService、OneID，解决指标口径不一致的问题，所有的口径定义、计算逻辑都在中台做好。数据中台包括了数据仓库，在数据仓库定义了一套规范的指标层，包括原始指标、派生指标、复合指标。上面是数据服务层，提供所有对外的数据。同时又引入了数据治理来保证中台输出的数据符合质量和安全要求。
国际方案包括三个核心概念：Semantic Layer、HeadlessBI和Metric Layer。汪源认为最贴切的描述是HeadlessBI，以国外的Cube产品设计为例，数据输入来自左边的各种数仓，中间HeadlessBI要做的是数据建模、安全相关的访问控制、性能加速，最后以API的方式提供给右边的下游消费者，主要是BI工具以及嵌入式的分析。
在这个方向上，网易数帆强调的是开发和治理一体化，在建数仓、建指标等开发活动的过程中把数据治理同步完成，让指标、模型等持续保持高质量。此前，网易数帆发现很多客户先找开发的方案来做开发，做完之后发现数据质量不佳，又去做数据治理的项目。汪源表示，在开发环节同时把开发治理做好了，就不会有这样的后遗症。
汪源对统一的中间层的期待，包括数据仓库和HeadlessBI两层，后者能做建模，包括指标，做权限、加速和服务，同时把开发和治理一体化，通过统一的模型指标计算逻辑和口径，实现事前事中事后的持续治理。这样BI层可以真正聚焦在展现和交付上，汪源将其命名为“NecklessBI”，与HeadlessBI对应。
汪源还强调，在此过程中，ETL不会被消除，它只能被转移或隐藏，因为从数据源到分析所需要的数据一定是有很多不匹配的，比较现实的是做ETL的自动化，即AutoETL。
统一的数据资产：Data Fabric已落地
数据资产管理面临的问题，是数据找不到，找到了看不懂，看了之后信不过、不敢用，管不牢等。汪源认为比较可行的思路就是分析机构提出的Data Fabric，它的目的是实现数据的整合利用，它是一个架构思想或者设计理念，并不绑定一个特定的技术实现。
Data Fabric和其他数据整合利用的方式有明显的区别：数据仓库或者数据中台，比较强调数据的集中，同时也强调数据比较深度的预加工。数据湖强调数据的集中，但是它强调数据不要做太多的预加工，应该按照原始的数据格式都存在湖里面，需要的时候再把它拿出来处理。Data Fabric则强调元数据的集中。
Data Fabric的实际落地需要构建四个方面的核心能力，包括连接数据源、主动元数据（active metadata）、数据虚拟化和逻辑数据湖。汪源认为数据虚拟化能最大程度发挥Data Fabric的能力，因为它能够在数据没有完成集中之前就能够做一定程度的利用，但并非所有的数据分析都可以基于数据虚拟化来做。网易数帆已经落地的逻辑数据湖，也是Data Fabric的一种实现，它从逻辑上看是一个湖，但是从物理实现上数据还是分散存储在Hadoop、Oracle、MySQL等系统里面。
总结
总体来说，现代数据分析技术的三大主题，第一个是构建一个统一的基础设施，能够支撑实时数据更新与消费，并且是开放、低成本的流式湖仓基础设施。第二个是统一的中间层，包括数据仓库和HeadlessBI两个层次，要做到统一的模型、指标、计算逻辑和口径，并实现事前事中事后持续的数据治理。第三个是统一的数据资产，目的是企业全域数据资产的高效的发现、整合和管理，它在实现上能够兼容各种风格的数据处理技术。
“我希望整个行业能够往这些方向去聚焦，不要产生太多的相互割裂的概念。”汪源说。
