數(shù)字時代，數(shù)據(jù)呈現(xiàn)出了大規(guī)模、多樣性、極速增長的態(tài)勢，同時，企業(yè)對數(shù)據(jù)處理分析的實(shí)時性和融合性提出了更高的要求，數(shù)據(jù)應(yīng)用場景正在向復(fù)雜化、多元化轉(zhuǎn)變，從最初的交易場景，到分析場景，再到混合場景、復(fù)雜分析場景，再到如今的實(shí)時混合場景，隨之而來的是大數(shù)據(jù)架構(gòu)在一直不斷地演進(jìn)。從數(shù)據(jù)庫、數(shù)據(jù)倉庫、數(shù)據(jù)湖，到現(xiàn)在 “湖倉一體（Lake House）”的概念應(yīng)運(yùn)而生。

根據(jù)DataBricks公司的定義，湖倉一體是一種結(jié)合了數(shù)據(jù)湖和數(shù)據(jù)倉庫優(yōu)勢的新范式，在用于數(shù)據(jù)湖的低成本存儲上，實(shí)現(xiàn)與數(shù)據(jù)倉庫中類似的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)管理功能。湖倉一體是一種更開放的新型架構(gòu)，它打通了數(shù)據(jù)倉庫和數(shù)據(jù)湖，將數(shù)據(jù)倉庫的高性能及管理能力與數(shù)據(jù)湖的靈活性融合了起來，底層支持多種數(shù)據(jù)類型并存，能實(shí)現(xiàn)數(shù)據(jù)間的相互共享，上層可以通過統(tǒng)一封裝的接口進(jìn)行訪問，可同時支持實(shí)時查詢和分析，為企業(yè)進(jìn)行數(shù)據(jù)治理帶來了更多的便利性。

目前國內(nèi)外同行將 delta、iceberg 和hudi 作為數(shù)據(jù)湖 table format 的對標(biāo)方案。delta的推出是為了解決傳統(tǒng)數(shù)據(jù)湖在事務(wù)處理、流計(jì)算、BI 分析上的不足。從功能上看，iceberg和delta幾乎一樣，但是iceberg似乎更加符合一個開源項(xiàng)目的氣質(zhì)。早期這個項(xiàng)目更多是為了應(yīng)對 Netflix 對大體量數(shù)據(jù)分析的需求。hudi 開源和孵化的時間線與 iceberg 比較相近，核心功能是在 hadoop 上支持 upsert 和 incremental process。hudi 在三個項(xiàng)目中最早提供 stream upsert 能力 ，如果不做二次開發(fā)，hudi 是開箱即用的數(shù)據(jù)湖 upsert 方案，并且 hudi 社區(qū)對開發(fā)者非常開放。

企業(yè)需要怎樣的數(shù)據(jù)湖？

面對眾多的數(shù)據(jù)湖，企業(yè)究竟需要怎樣的產(chǎn)品？這個問題可以從Delta的身上看出端倪?！?Delta用一套數(shù)據(jù)湖存儲，將批計(jì)算和流計(jì)算融合，將傳統(tǒng)數(shù)倉在數(shù)據(jù)分析上的優(yōu)勢，數(shù)據(jù)湖在 AI，數(shù)據(jù)科學(xué)上的優(yōu)勢結(jié)合起來，基于 Lakehouse 這個存儲底座，實(shí)現(xiàn)數(shù)據(jù)業(yè)務(wù)的全場景覆蓋。總結(jié)起來就是，Delta 給 Databricks 帶來的價(jià)值是用一套基礎(chǔ)數(shù)據(jù)湖軟件，實(shí)現(xiàn)全場景覆蓋。”網(wǎng)易數(shù)帆大數(shù)據(jù)實(shí)時計(jì)算技術(shù)專家、湖倉一體項(xiàng)目負(fù)責(zé)人馬進(jìn)表示。

另一方面，國內(nèi)實(shí)時計(jì)算基本在用 Flink，而絕大多數(shù)企業(yè)不會綁定一個計(jì)算引擎，所以引擎平權(quán)對數(shù)據(jù)湖極為重要。不同引擎的應(yīng)用可以吸收各家優(yōu)勢，但會帶來產(chǎn)品割裂的問題，產(chǎn)品割裂在大數(shù)據(jù)方法論的迭代中被更加放大，比如在數(shù)據(jù)中臺中，指標(biāo)系統(tǒng)，數(shù)據(jù)模型，數(shù)據(jù)質(zhì)量，數(shù)據(jù)資產(chǎn)這一套中臺模塊基本是圍繞離線場景打造，而在強(qiáng)調(diào) CI/CD 的 Dataops 中，流計(jì)算的需求和場景因?yàn)榇鎯陀?jì)算的不統(tǒng)一更加難以被納入考量。

應(yīng)對之策就是實(shí)時數(shù)倉--流計(jì)算對應(yīng)的場景和需求在大數(shù)據(jù)平臺的方法論迭代中被邊緣化，用戶無法在實(shí)時場景下體驗(yàn)到數(shù)據(jù)安全，數(shù)據(jù)質(zhì)量，數(shù)據(jù)治理帶來的收益，很多既需要實(shí)時也需要離線的場景下，用戶需要維護(hù)流表和批表兩套模型，兩套代碼，并且時刻警惕語義和模型的二義性。

立足于開源數(shù)據(jù)湖 Format之上，打造Arctic

過去兩年，網(wǎng)易數(shù)帆的團(tuán)隊(duì)開發(fā)了 Arctic項(xiàng)目，并且在今年7月底開源?！拔覀兊墓ぷ鞑皇橇砥馉t灶，做一個跟 delta/iceberg 競爭的產(chǎn)品，這不符合企業(yè)的需求，Arctic 是立足于開源數(shù)據(jù)湖 Format之上的服務(wù)，基于 iceberg的產(chǎn)品?！瘪R進(jìn)表示?！拔覀兊哪繕?biāo)要將 Dataops 的邊界拓展到流計(jì)算，所以 Arctic 會為用戶提供更加優(yōu)化的流的能力，包括 stream upsert、生產(chǎn)可用的讀時合并技術(shù)、提供分鐘級別新鮮度的數(shù)據(jù)分析能力。”簡而言之，Arctic 是適配多引擎的流式湖倉服務(wù)。

Arctic作為服務(wù)可以適配不同的數(shù)據(jù)湖格式，企業(yè)無需擔(dān)心數(shù)據(jù)湖技術(shù)的選型問題，持續(xù)優(yōu)化數(shù)據(jù)分析能力，也讓數(shù)據(jù)流管理變得簡單；在能力上，Arctic不僅提供了基于主鍵高效地流式更新，數(shù)據(jù)自動分桶、結(jié)構(gòu)自優(yōu)化的特性，還支持將數(shù)據(jù)湖和消息隊(duì)列封裝成統(tǒng)一的表，實(shí)現(xiàn)比傳統(tǒng)方案更低延遲的流批一體，從根本上優(yōu)雅地解決性能問題。另一方面，Arctic還提供流式數(shù)倉標(biāo)準(zhǔn)化的度量，dashboard 和相關(guān)管理工具，并為流批并發(fā)寫入提供事務(wù)性保障；在架構(gòu)上，Arctic設(shè)計(jì)簡潔，只有AMS、optimizer和dashboard三個組件，在數(shù)據(jù)湖和計(jì)算引擎之間提供湖倉一體落地所需的能力，但卻支持Spark和Flink讀寫、Trino查詢，百分百兼容Iceberg/Hive的表格式和語法，這使得它的使用成本很低。

“當(dāng)我們將數(shù)據(jù)湖的能力拓展到實(shí)時場景，成本、性能和數(shù)據(jù)新鮮度三者的關(guān)系將呈現(xiàn)更為復(fù)雜和微妙的狀態(tài)，Arctic的服務(wù)和管理功能，將為用戶和上層平臺理清這個三角關(guān)系?！瘪R進(jìn)強(qiáng)調(diào)。

打造成熟的湖倉管理系統(tǒng)

馬進(jìn)認(rèn)為，流式湖倉未來最終是要在產(chǎn)品上體現(xiàn)，和整個產(chǎn)品上層的方法論結(jié)合在一起。如果只是把流式湖倉當(dāng)成另外一種分析平臺，或者是對標(biāo)像Kudu、Doris對標(biāo)的方案，意義不大，或收益有限，其最終收益應(yīng)該結(jié)合數(shù)據(jù)建設(shè)方法論來看。

對于Arctic的發(fā)展方向，網(wǎng)易數(shù)帆團(tuán)隊(duì)希望其向一個成熟的湖倉管理系統(tǒng)過渡。就像在數(shù)據(jù)庫領(lǐng)域的Oracle、MySQL、DB2等系統(tǒng)，它們不光是數(shù)據(jù)庫，還是一套管理系統(tǒng)，包括information schema、各種各樣標(biāo)準(zhǔn)化管理和度量的工具，共同為上層工具和用戶服務(wù)。比如上層要做數(shù)據(jù)庫的工具，就會用標(biāo)準(zhǔn)化的命令或者SQL，與數(shù)據(jù)庫交互就可以了?！拔艺J(rèn)為這是一個成熟的管理系統(tǒng)需要具備的能力?！瘪R進(jìn)表示。

總之，Arctic的未來一方面要補(bǔ)足底層的短板，包括性能和可靠性，以及持續(xù)優(yōu)化的能力。另一方面，是要提高它在管理上的標(biāo)準(zhǔn)化能力，比如table service能力，optimizing過程管理能力，進(jìn)而形成一個成熟的管理系統(tǒng)。