大数据环境下，居高不下数据存储和计算成本，是每一个企业数字化转型过程中绕不开的难题。阿里巴巴也遇到过类似的问题，但凭借着一套沉淀下的方法论和产品，每年为阿里巴巴节省下数亿元的存储和计算成本。

本篇，我们就来聊聊阿里巴巴的资源治理方法论和产品Dataphin在这一领域的能力。

资源成本暴涨与阿里巴巴的应对之道

数智时代，海量的数据为业务创造了巨大的价值，但同时也带来了不断上升的计算成本和存储成本，甚至会出现“IT成本增速大于业务增速”，“赚来的每一分钱都用在了购买服务器上”的极端情况。

在阿里巴巴的发展道路上，也遇到过这些问题：

1、数据资源完全黑盒。面对海量数据资源，没有统一的资产地图，不清楚我们有哪些数据资源，也不清楚这些资源用在什么地方。

2、数据资源量大成本极高。阿里巴巴集团的数据量级早就到达了EB量级，如此巨大的数据体量，每年的数据存储和计算成本都高达数十亿元。如此巨大的数据体量，通过人工的方式去治理，往往导致资源治理效率低，人工成本高。

3、数据价值链路断层。这么多的数据，最终被哪些业务使用，服务了哪些客户，也不够清晰。

为了解决以上问题，阿里巴巴创建了数据资源管理平台（隶属于数据中台），用于对整个集团数据计算和数据存储进行成本统计和优化。每年节约数亿元的数据成本，阿里巴巴是怎么做的呢？

为了解决以上三个问题，阿里巴巴采取了以下措施来实现数据资源的管理：

1、做好数据资源的盘点：包括理解数据资源内容，和构建资源类目两部分。需要理解全部数据资源的业务属性，制定规范的资源类目，做好数据的分类分级，总而言之是要摸清数据资源大盘；

2、做好数据资源成本的评估：包括追踪数据应用和剖析成本价值两部分。评估数据价值需要追踪数据应用的全链路，盘点出每一份数据资源的连接度、贡献度；剖析成本价值主要从数据计算和存储两个维度来评估。

阿里巴巴通过以上步骤，将数据成本、业务收益做到清晰透明可评估，从而可以针对性的对数据资源进行运营，降低数据成本，提升数据效益。

阿里巴巴资源治理方法论

首先，我们来看一下，实现资源治理所要遵循的方法论。

要真正实现资源的治理，降低大数据建设的成本，需要以下两个关键步骤：

1、对全域的数据资源进行成本核算，生成全域的成本账单，获得降本目标。

1.1、对全域所有数据，统一按照计算成本和存储成本进行核算，生成每一份数据资源的成本估算

1.2、对全域所有数据，进行治理项检测，识别出不合理的数据资源（如无人访问的废弃表）和数据任务（数据倾斜），并评估浪费的成本，从而在宏观的层面，测算出全局可降本的空间。

2、以开发者个人为核心，推动部门、集团层面的治理优化，落实降本行动。

如果只是算出来了账单，却没有后续的运营手段的话，很难做到降本目标的真正落地。所以需要以技术运营的手段，让人人形成成本意识，真正参与降本。

2.1、对开发者、部门进行账单的汇总，进行总成本、浪费成本的排行并进行通过平台公示，从而能够快速找到最需要优化的个人和部门的数据资源。

2.2、对开发者的个人资产情况进行打分，如果成本意识低，资源浪费严重，就会导致个人资产健康分数低，导致该开发者不能提交新的任务，从而使其必须进行资源的治理和任务的优化，从而在微观执行层面，真正落实降本的行动。

Dataphin资源治理

在方法论的基础上，我们还需要一个成熟的产品，来帮助我们快速建立资源治理体系，真正降低我们在大数据建设中的成本。

Dataphin的治理功能，就是阿里巴巴的数据资源管理平台的商业化版本，具备强大的资源统计分析能力，能智能识别当前系统内低价值的数据资源和数据任务，并进行优化提示。

同时Dataphin提供了「治理工作台」功能， 您可以在「治理工作台」中，一站式的进行资源的优化处理，全局把控计算与存储成本。

首先，我们先看一下资源治理的应用场景，从而对资源治理的价值有一个更直观的认知。以下是通过Dataphin实现资源治理的一些典型的场景：

场景1：存储优化——长期无人使用的表

大数据场景下，一个公司往往有上万张表，随着业务的变更和人员的流动，一些业务表逐渐就无人使用，同时因为多个分区进行存储，会一直占着大量的存储资源。比如一些公司的原始数据，一个分区可能就有1T，但是业务每次都只会用最新的分区，就会导致大量的历史分区的存储浪费，可以设置分区的过期策略，对历史分区进行下线操作。

Dataphin资源治理功能，可以自动发现无人使用的数据表或其他异常数据表，并在「治理工作台」进行提醒和展示。您可以在治理工作台查看相应数据表，并采取相应的措施（如表下线、设置生命周期等）。

场景2：计算优化——异常计算任务

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，如暴力扫描（扫描大量分区）、数据膨胀（数据产出远远大于输入）、数据倾斜（部分节点处理时间过长）等情况。比如发现数据的输出远远大于数据的输入，可能就是存在数据膨胀的问题（比如使用了full join），这时候就需要对任务进行优化，以优化性能。

Dataphin的资源治理功能，对任务的执行进行了全链路的监控，自动发现这些异常的计算任务，并在「治理工作台」进行提醒和展示。您可以在治理工作台查看相应任务，并采取相应的措施（对相应的任务进行代码优化、下线等操作）。

产品能力介绍

1、使用流程

下面我们看一下资源治理模块的详细流程图：

*虚线框的流程为可选流程

可以看到流程主要分为4步：

1、管理员制定治理规则。是正式治理前的一些准备工作，因为Dataphin内置了众多规则，所以这一部分是可选的，包括元数据注册、治理项管理、推送管理等功能。

2、数据负责人执行具体的资源治理。数据负责人登录系统，对具体的存储资源和计算资源进行优化。

3、管理员定期查看治理效果。管理员通过对治理效果进行分析和查看，了解当前的资源现状和治理效果，包括资源分析、治理分析、治理效果等功能。

4、管理员优化治理流程，提升后续治理效果。管理员根据上一步的治理效果，优化整个治理流程，比如增加新的治理项、增加新的推送任务、单独通知重点项目负责人等。

2、产品功能

模块包括主要包括 资源管理、 治理概览、 治理工作台、 治理项管理、 回收站等功能：

· 资源管理主要用于资源分析。资源分析是从全局视角为您展示资源消耗、资源消耗增速、资源消耗分布及资源治理概况。

· 治理概览由治理分析和治理效果组成。治理分析针对全局进行问题诊断、待治理问题点的分析。治理效果助您分析治理后效果，评定治理情况、推动治理优化。

· 治理工作台由我的治理和项目治理组成。我的治理面向当前登录用户，根据其所参与和所负责的项目，为您提供高效快捷的治理入口和能力。项目治理面向当前登录用户，根据其所参与和所负责项目的信息进行管理。

· 治理项管理由元数据注册、治理项管理、推送管理、任务管理组成。您可以自定义创建治理项、发起推送、查看任务执行，也可以使用系统内置的通用治理项。

· 回收站将您在治理工作台中删除或下线的表格暂时存留起来，以防止对数据的误操作，支持对表格的恢复和彻底删除。

3、特点优势

· 内置治理项，开箱即用：Dataphin对其系统内部的数据生产和存储都进行了元数据的采集，同时内置了最常见的存储和计算治理项，确保开箱即用，可以快速看到全局的资源情况，并进行相应的优化分析。

· 治理项支持灵活自定义：Dataphin同时支持客户自定义治理项和治理元数据，实现更加灵活的治理场景，比如想进行小表格的检测，就可以新建治理项【小于1MB的表】，从而自动检验出这部分的数据表，并进行针对性治理。

· 密切结合数据生产场景：Dataphin的治理模块与数据研发模块、数据资源模块进行了紧密的结合。针对检验出来的治理事项，可以直接在治理工作台进行处理，直接在研发任务和资产存储等方面生效，从而做到一站式资源治理工作。

未来展望

随着数据的不断累积和业务的不断发展，数据的体量将会变得越来越大，随之而来的是庞大的成本，也成为了大数据建设中越来越无法忽视的问题。

站在整体功能的角度来看，从新建治理项，到具体资源的优化，再到治理结果的分析，当前Dataphin已经有了比较完善的资源治理体系。但是基于客户资源治理场景的多样性，有了更多的思考。

1、对Hadoop等新引擎的支持。原有的治理模块和阿里云的云上资源紧密结合，仅能对云上环境实现完整的治理操作。对其他引擎，比如Hadoop，当前仅支持部分核心流程，后续版本中逐步实现对Hadoop体系治理需求的完整支持。

2、治理和研发更紧密结合，确保资源治理效果。当前治理只是对负责人进行提示，在团队规模大、数据体量大的条状态下，比较难有较强的约束力。后续会推出严格模式，开启后，当个人资源浪费过多，健康分过低时，会直接跳转到治理模块，完成资源的治理后，才能执行新的开发任务。从而关注每个人的成本意识，让企业实现降本增效。

来源：数据猿