?本文從計算資源治理實踐出發(fā)，帶大家清楚認識計算資源治理到底該如何進行，并如何應(yīng)用到其他項目中。

01前言

由于數(shù)據(jù)治理層面可以分多個層面且內(nèi)容繁多（包括模型合規(guī)、數(shù)據(jù)質(zhì)量、數(shù)據(jù)安全、計算/存儲資源、數(shù)據(jù)價值等治理內(nèi)容），因此需要單獨拆分為6個模塊單獨去闡述其中內(nèi)容。

筆者作為數(shù)倉開發(fā)經(jīng)常會收到大量集群資源滿載、任務(wù)產(chǎn)出延時等消息/郵件，甚至下游數(shù)分及其他同學也會詢問任務(wù)運行慢的情況，在這里很多數(shù)倉同學遇到這類問題第一想到的都是加資源解決，但事實真不一定是缺少資源，而是需要優(yōu)化當前問題任務(wù)。所以本期從團隊做計算資源治理視角出發(fā)，帶大家清楚認識計算資源治理到底該如何進行。

02問題出現(xiàn)

在做計算治理之前（2022.12）我們團隊盤點了下當前計算資源存在的幾個問題：

（1）30+高消耗任務(wù)：由于數(shù)倉前中期業(yè)務(wù)擴張，要覆蓋大量場景應(yīng)用，存在大量問題代碼運行時數(shù)據(jù)傾斜，在消耗大量集群計算資源下，產(chǎn)出時間也久；

（2）200w+的小文件：當前任務(wù)存在未合并小文件、任務(wù)Reduce數(shù)量過多、上游數(shù)據(jù)源接入（尤其是API數(shù)據(jù)接入）會造成過多小文件出現(xiàn)，小文件過多會開啟更多數(shù)據(jù)讀取，執(zhí)行會浪費大量的資源，嚴重影響性能；

（3）任務(wù)調(diào)度安排不合理：多數(shù)任務(wù)集中在凌晨2-5點執(zhí)行且該區(qū)間CPU滿載，導(dǎo)致該時間段資源消耗成了重災(zāi)區(qū)，所有核心/非核心任務(wù)都在爭搶資源，部分核心任務(wù)不能按時產(chǎn)出一直在等待階段；

（4）線上無效DQC（數(shù)據(jù)質(zhì)量監(jiān)控）&監(jiān)控配置資源過小：存在部分歷史任務(wù)沒下線表及DQC場景，每日都在空跑無意義DQC浪費資源，同時DQC資源過少導(dǎo)致DQC需要運行過長時間；

（5）重復(fù)開發(fā)任務(wù)/無用任務(wù)：早期協(xié)助下游做了較多煙囪數(shù)據(jù)模型，因為種種原因，部分任務(wù)不再被使用，煙囪模型分散加工導(dǎo)致資源復(fù)用率降低；

（6）任務(wù)缺少調(diào)優(yōu)參數(shù)&部分任務(wù)仍然使用MapReduce/Spark2計算引擎：任務(wù)缺少調(diào)優(yōu)參數(shù)導(dǎo)致資源不能適配及動態(tài)調(diào)整，甚至線上仍有早期配置MapReduce/Spark2計算引擎導(dǎo)致運行效率較低。

03思考與行動

3.1 治理前的思考：?

在治理之前我想到一個問題，切入點該從哪里開始最合適？

經(jīng)過與團隊多次腦暴對當前治理優(yōu)先級/改動成本大小/難度做了一個排序，我們先選擇從簡單的參數(shù)調(diào)優(yōu)&任務(wù)引擎切換開始->小文件治理->DQC治理->高消耗任務(wù)治理->調(diào)度安排->下線無用模型及沉淀指標到其他數(shù)據(jù)資產(chǎn)，同時在初期我們完成各類元數(shù)據(jù)接入搭建治理看板以及團隊治理產(chǎn)出統(tǒng)計數(shù)據(jù)模型，并通過網(wǎng)易數(shù)帆提供的數(shù)據(jù)治理平臺解決具體細節(jié)問題。

（數(shù)據(jù)治理平臺截圖）

3.2 治理行動：

（1）大部分任務(wù)切換至Spark3計算引擎&補充任務(wù)調(diào)優(yōu)參數(shù)

補充Spark調(diào)優(yōu)參數(shù)（參數(shù)內(nèi)容詳見文末），任務(wù)統(tǒng)一使用Spark3引擎加速，并充分利用Spark3的AQE特性及Z-Order排序算法特性。

AQE解釋：Spark 社區(qū)在 DAG Scheduler 中，新增了一個 API 在支持提交單個 Map 階段，以及在運行時修改 shuffle 分區(qū)數(shù)等等，而這些就是 AQE，在 Spark 運行時，每當一個 Shuffle、Map 階段進行完畢，AQE 就會統(tǒng)計這個階段的信息，并且基于規(guī)則進行動態(tài)調(diào)整并修正還未執(zhí)行的任務(wù)邏輯計算與物理計劃（在條件運行的情況下），使得 Spark 程序在接下來的運行過程中得到優(yōu)化。

Z-Order解釋：Z-Order 是一種可以將多維數(shù)據(jù)壓縮到一維的技術(shù)，在時空索引以及圖像方面使用較廣，比如我們常用order by a,b,c 會面臨索引覆蓋的問題，Z-Order by a,b,c 效果對每個字段是對等的

（2）小文件治理

在這里我們使用內(nèi)部數(shù)據(jù)治理平臺-數(shù)據(jù)治理360對存在小文件較多表提供內(nèi)容展示（本質(zhì)采集HDFS對應(yīng)路徑下文件數(shù)的日志去顯示）

當前小文件處理：

對于分區(qū)較多使用Spark3進行動態(tài)分區(qū)刷新，（Spark3具備小文件自動合并功能，如未使用Spark3可配置Spark3/Hive小文件合并參數(shù)刷新，參數(shù)詳見文末），代碼如下：

set hive.exec.dynamic.partition.mode=nonstrict;
insert overwrite table xxx.xxx partition (ds)
select column
,ds
from xxx.xxx

對于分區(qū)較少或未分區(qū)的表采用重建表，補數(shù)據(jù)方法回刷。

小文件預(yù)防：

• 使用Spark3引擎，自動合并小文件
• 減少Reduce的數(shù)量(可以使用參數(shù)進行控制)
• 用Distribute By Rand控制分區(qū)中數(shù)據(jù)量
• 添加合并小文件參數(shù) 
• 將數(shù)據(jù)源抽取后的表做一個任務(wù)（本質(zhì)也是回刷分區(qū)合并小文件任務(wù)）去處理小文件保障從數(shù)據(jù)源開始小文件不向下游流去

（3）DQC治理

無效DQC下線：難點在于需要查找所有DQC對應(yīng)的線上任務(wù)，查看該DQC任務(wù)是否與線上任務(wù)一一匹配，從而找到無效DQC任務(wù)下線，內(nèi)容繁雜耗時較多。

DQC資源：由于之前DQC配置資源為集群默認參數(shù)，效率極低導(dǎo)致所有DQC運行時長均超過10min，從而使得整體任務(wù)鏈路運行時長過久，調(diào)整Driver內(nèi)存為2048M，Executor個數(shù)為2，Executor內(nèi)存為4096M

（4）高消耗任務(wù)調(diào)優(yōu)

這里存在2個難點：優(yōu)化效果不可控、高消耗任務(wù)調(diào)整到何種程度算合適，針對這個這個難點我們?nèi)∷泻诵臄?shù)據(jù)資產(chǎn)任務(wù)均值，保障單個任務(wù)消耗小于平均消耗，同時我們針對當前高消耗任務(wù)列舉出如下可優(yōu)化的方式：

• 關(guān)聯(lián)表過多，需拆分
• 關(guān)聯(lián)時一對多，數(shù)據(jù)膨脹
• 資源配置過多，運行時資源嚴重浪費，需要將配置調(diào)?。ò―river內(nèi)存、Executor個數(shù)、Executor內(nèi)存）
• 代碼結(jié)尾添加Distribute By Rand（），用來控制Map輸出結(jié)果的分發(fā)
• 查詢中列和行未裁剪、分區(qū)未限定、Where條件未限定
• SQL中Distinct切換為Group by（Distinct會被hive翻譯成一個全局唯一Reduce任務(wù)來做去重操作，Group by則會被hive翻譯成分組聚合運算，會有多個Reduce任務(wù)并行處理，每個Reduce對收到的一部分數(shù)據(jù)組，進行每組聚合（去重））
• 關(guān)聯(lián)后計算切換為子查詢計算好后再關(guān)聯(lián)
• 使用Map Join（Map Join會把小表全部讀入內(nèi)存中，在Map階段直接拿另外一個表的數(shù)據(jù)和內(nèi)存中表數(shù)據(jù)做匹配，由于在Map是進行了Join操作，省去了Reduce運行的效率也會高很多）可用參數(shù)代替

（5）任務(wù)調(diào)度合理優(yōu)化

對于調(diào)度優(yōu)化一開始會無從下手，統(tǒng)計凌晨2-5點區(qū)間下大概600+任務(wù)難梳理，同時存在任務(wù)依賴，修改起來可能會對下游整體有大的影響，因此我們選擇循序漸進先梳理再改善。

• 找到所有表的輸出輸入點即啟始ODS與末尾ADS
• 劃分其中核心表/非核心表，及對應(yīng)任務(wù)開始時間與結(jié)束時間
• 按照梳理內(nèi)容把非核心的任務(wù)穿插在當前集群資源非高峰時期（2點前與5點后），同時把核心任務(wù)調(diào)度提前，保障CDM層任務(wù)及時產(chǎn)出
• 對實踐后內(nèi)容再度調(diào)優(yōu)，達到資源最大利用率

（6）煙囪任務(wù)下沉&無用任務(wù)下線

煙囪表過多，需下沉指標到DWS中提升復(fù)用性，對于無用任務(wù)也需要及時下線（這里需要拿到元數(shù)據(jù)血緣最好到報表層級的數(shù)據(jù)血緣，防止任務(wù)下線后導(dǎo)致可視化內(nèi)容問題產(chǎn)生），減少開發(fā)資源消耗。

04治理效果

（1）Hive與Spark2任務(wù)升級Spark3.1，總計升級任務(wù)137個,升級任務(wù)后總體任務(wù)執(zhí)行效率提升43%，cpu資源消耗降低41%，內(nèi)存資源消耗降低46%

（2）治理小文件數(shù)大于10000+以上的數(shù)倉表總計30+張，小文件總數(shù)由216w下降至67w

（3）下線無效DQC任務(wù)總計50+，修改DQC配置資源降低運行時長，由原來10min優(yōu)化至3min內(nèi)

（4）完成線上20+個任務(wù)優(yōu)化及10+個任務(wù)下線及10+表指標下沉，優(yōu)化后節(jié)省任務(wù)耗時146分鐘，減少CPU損耗800w+，降低內(nèi)存消耗2600w+（相當于節(jié)省了8個200+字段1億數(shù)據(jù)量任務(wù)消耗）

（5）調(diào)度重新分配后2-5點資源使用率由90+%降低至50+%，保障日用資源趨勢圖無大突刺波動

05小結(jié)

計算資源治理核心在于降本增效，用有限資源去運行更多任務(wù)，通過一系列治理操作也讓數(shù)倉同學積累技術(shù)經(jīng)驗同時規(guī)范化自身開發(fā)標準，讓治理反推進組內(nèi)技術(shù)進步。

計算資源治理是一件長久之事，并不能因為資源緊張才去治理，而要將計算治理常態(tài)化，可通過周/月資源掃描內(nèi)容及時推送給每個同學，并為之打分，讓每個任務(wù)都有源可循，有方法可優(yōu)化。

參數(shù)內(nèi)容

參數(shù)并不是設(shè)置越多任務(wù)性能越好，根據(jù)數(shù)據(jù)量、消耗、運行時間進行調(diào)整達到合理效果。

Hive：

（1）set hive.auto.convert.join = true; （是否自動轉(zhuǎn)化成Map Join）

（2）set hive.map.aggr=true; （用于控制負載均衡，頂層的聚合操作放在Map階段執(zhí)行，從而減輕清洗階段數(shù)據(jù)傳輸和Reduce階段的執(zhí)行時間，提升總體性能，該設(shè)置會消耗更多的內(nèi)存）

（3）set hive.groupby.skewindata=true; （用于控制負載均衡，當數(shù)據(jù)出現(xiàn)傾斜時，如果該變量設(shè)置為true，那么Hive會自動進行負載均衡）

（4）set hive.merge.mapfiles=true;  （用于hive引擎合并小文件使用）

（5）set mapreduce.map.memory.mb=4096;      （設(shè)置Map內(nèi)存大小，解決Memory占用過大/小）

（6）set mapreduce.reduce.memory.mb=4096;（設(shè)置Reduce內(nèi)存大小，解決Memory占用過大/小）

（7）set hive.exec.dynamic.partition.mode=nonstrict;（動態(tài)分區(qū)開啟）

Spark：

（1）set spark.sql.legacy.parquet.datetimeRebaseModeInRead=LEGACY;（用于spark3中字段類型不匹配（例如datetime無法轉(zhuǎn)換成date），消除sql中時間歧義，將Spark .sql. LEGACY . timeparserpolicy設(shè)置為LEGACY來恢復(fù)Spark 3.0之前的狀態(tài)來轉(zhuǎn)化）

（2）set spark.sql.adaptive.enabled=true;（是否開啟調(diào)整Partition功能，如果開啟，spark.sql.shuffle.partitions設(shè)置的Partition可能會被合并到一個Reducer里運行。平臺默認開啟，同時強烈建議開啟。理由：更好利用單個Executor的性能，還能緩解小文件問題）

（3）set spark.sql.hive.convertInsertingPartitinotallow=false;（解決數(shù)據(jù)無法同步Impala問題，使用Spark3引擎必填）

（4）set spark.sql.finalStage.adaptive.advisoryPartitinotallow=2048M;（Spark小文件合并）?