数据治理（五）：元数据管理

​元数据管理

一、大数据中为什么要元数据管理

元数据（Metadata），通常的定义为"描述数据的数据"。元数据打通了源数据、数据仓库、数据应用，记录了数据从产生到消费的全过程。元数据管理是数据治理的核心。

数据的真正价值在于数据驱动决策，通过数据指导运营。通过数据驱动的方法判断趋势，帮住我们发现问题，继而推动创新或产生新的解决方案。随着企业数据爆发式增长，数据体量越来越难以估量，我们很难说清楚我们到底拥有哪些数据，这些数据从哪里来，到哪里去，发生了什么变化，应该如何使用它们。因此数据治理中的元数据管理成为企业级不可或缺的重要组成部分。元数据治理可以提供数据源管理、分析数据血缘关系、分析数据影响等，实现对复杂的数据环境监控管理，为企业提供安全可信的数据，为数据仓库的运行与维护提供有效支撑。

简单来说，数据是公司中非常有价值的资产，这些数据包含各种数据源，各种业务，各种处理层次，对于这些资产需要有序、高效、统一的管理，这就需要一个元数据管理系统，元数据管理是数据治理中非常重要的一个核心，元数据的一致性、可追溯性是实现数据治理非常重要的一个环节。

二、元数据管理工具-Atlas

在大数据时代，目前最成熟的与 Hadoop 体系兼容比较好的元数据治理平台就是 Apache Atlas。为寻求数据治理的开源解决方案，2015 年，Hortonworks 公司联合其他厂商与用户于发起数据治理倡议，然后，包含数据分类（资产目录及数据字典）、集中策略引擎、数据血缘、安全和生命周期管理功能的 Atlas 应运而生。

Apache Atlas 是一个可伸缩和可扩展的核心基础治理服务集合，使企业能够有效地和高效地满足 Hadoop 中的合规性要求，并允许与整个企业数据生态系统的集成。为组织提供开放式元数据管理和治理功能，用以构建其数据资产目录，对这些资产进行分类和管理，并为数据科学家，数据分析师和数据治理团队提供围绕这些数据资产的协作功能。

Atlas 官网地址：Apache Atlas – Data Governance and Metadata framework for Hadoop

三、Atlas 架构原理

关于 Atlas 的架构原理，我们只需要了解由哪些部分组成即可，Atlas 的架构核心组件如下：

• Metadata Sources:

• Atlas 支持与许多元数据源的集成，将来还会添加更多集成。目前，Atlas 支持从 Hive、Sqoop、Storm、HBase 获取和管理元数据。

• Integration:

• 用户可以使用两种方法管理 Atlas 中的元数据：

• API：Atlas 的所有功能都可以通过 REST API 提供给最终用户，允许创建，更新和删除类型和实体。它也是查询和发现通过 Atlas 管理的类型和实体的主要方法。

• Messaging：除了 API 之外，用户还可以选择使用基于 Kafka 的消息接口与 Atlas 集成。这对于将元数据对象传输到 Atlas 以及从 Atlas 使用可以构建应用程序的元数据更改事件都非常有用。如果希望使用与 Atlas 更松散耦合的集成，这可以允许更好的可扩展性，可靠性等，消息传递接口是特别有用的。

• Apps:

• Ranger Tag Based Policies: Apache Ranger 是针对 Hadoop 生态系统的高级安全管理解决方案，与各种 Hadoop 组件具有广泛的集成。通过与 Atlas 集成，Ranger 允许安全管理员定义元数据驱动的安全策略，以实现有效的治理。

• Atlas Admin UI: 该组件是一个基于 Web 的应用程序，允许我们发现和注释元数据。Admin UI 提供了搜索界面和 类 SQL 的查询语言，可以用来查询由 Atlas 管理的元数据类型和对象。Admin UI 使用 Atlas 的 REST API 来构建其功能。

• Business Taxonomy:从元数据源获取到 Atlas 的元数据对象主要是一种技术形式的元数据。为了增强可发现性和治理能力，Atlas 提供了一个业务分类界面，允许用户首先定义一组代表其业务域的业务术语，并将其与 Atlas 管理的元数据实体相关联。业务分类法是一种 Web 应用程序，目前是 Atlas Admin UI 的一部分，并且使用 REST API 与 Atlas 集成。

• Core:

• Atlas Core 包含以下几个部分：

• Ingest/Export：Ingest 组件允许将元数据添加到 Atlas。类似地，Export 组件暴露由 Atlas 检测到的元数据更改，以作为事件引发，消费者可以使用这些更改事件来实时响应元数据更改。

• Type System: Atlas 允许用户为他们想要管理的元数据对象定义一个模型。该模型由称为 "Type" 的定义组成。"类型" 的 实例被称为 "实体" 表示被管理的实际元数据对象。类型系统是一个组件，允许用户定义和管理类型和实体。由 Atlas 管理的所有元数据对象（例如 Hive 表）都使用类型进行建模，并表示为实体。

• Graph Engine：在内部，Atlas 通过使用图模型管理元数据对象。以实现元数据对象之间的巨大灵活性和丰富的关系。图引擎是负责在类型系统的类型和实体之间进行转换的组件，以及基础图形模型。除了管理图对象之外，图引擎还为元数据对象创建适当的索引，以便有效地搜索它们。

• JanusGraph：目前，Atlas 使用 JanusGraph 图数据库来存储元数据对象。 JanusGraph 使用两个存储：默认情况下元数据存储配置为 HBase ，索引存储配置为 Solr

四、Atlas 特性

1、元数据类型 & 实例

• 各种 Hadoop 和非 Hadoop 元数据的预定义类型。

• 能够为要管理的元数据定义新类型。

• 类型可以具有原始属性，复杂属性，对象引用;可以继承其他类型。

• 类型(type)实例（称为实体 entities）捕获元数据对象详细信息及其关系。

• 可以更轻松地进行集成用于处理类型和实例的 REST API。

2、分类

• 能够动态创建分类 - 如 PII，EXPIRES_ON，DATA_QUALITY，SENSITIVE。

• 分类可以包含属性 - 例如 EXPIRES_ON 分类中的 expiry_date 属性。

• 实体(entities)可以与多个分类(classifications)相关联，从而实现更轻松的发现和安全实施。

• 通过血缘传播分类 - 自动确保分类在进行各种处理时遵循数据。

3、血缘

• 直观的 UI，用于在数据流转时，通过各种流程时查看数据。

• 用于访问和更新血缘的 REST API。

4、搜索/发现

• 直观的 UI，按类型(type)，分类(classification)，属性值(attribute)或自由文本搜索实体。

• 丰富的 REST API，可按复杂条件进行搜索。

• SQL 搜索实体的查询语言 - 域特定语言（DSL）。

5、安全和数据屏蔽

• 用于元数据访问的细粒度安全性，实现对实体实例的访问控制以及添加/更新/删除分类等操作。

• 与 Apache Ranger 集成可根据与 Apache Atlas 中的实体相关的分类对数据访问进行授权/数据屏蔽。例如：

• 谁可以访问分类为 PII，SENSITIVE 的数据。

• 客户服务用户只能看到分类为 NATIONAL_ID 的列的最后 4 位数字。