データリネージについて

データリネージは Dataplex の機能で、システム内でのデータの移動(データの送信元、データの通過先、データに適用される変換)を追跡できます。

データリネージが必要な理由

大規模なデータセットを扱うには、多くの場合、テキスト ファイル、テーブル、レポート、ダッシュボード、モデルという特定のプロジェクトのニーズに合わせてデータをエンティティに変換します。

たとえば、すべての購入を 1 つの SQL テーブルに記録するオンライン ショップがあるとします。アナリストがデータを扱いやすくするために、この単一のテーブルから情報を抽出し、地域、ブランド、販売価格ごとに小さなテーブルを生成するジョブを開始します。アナリストも同様に、変換をさらに実行し、これらの小さなテーブルを他のデータソースと統合して、さらに多くのテーブルを生成します。

これは、関係者にとって大きな課題となる可能性があります。

  • データ コンシューマでは、セルフサービス ツールを使用してデータが信頼できるソースから来ているかどうかを判断できません。
  • データ エンジニアは、すべてのデータ変換を追跡する信頼できる方法がないため、問題の根本原因を特定できません。
  • データ エンジニアとアナリストは、テーブルを変更または削除する前に、考えられる影響を完全に評価することはできません。
  • データ ガバナンスは、組織全体でセンシティブ データがどのように使用されるかを把握することや、規制要件を遵守していることを保証できません。

データリネージは、以下を可能にする実践的な方法を提供するソリューションです。

  • リネージグラフで可視化して、データがどのように収集され、変換されるかを理解します。
  • エントリとデータ処理に関するエラーを根本原因まで追跡します。
  • インパクト分析を通じてチェンジ マネジメントを改善: ダウンタイムや予期せぬエラーを回避し、依存するエントリを理解して、関係者と協力します。

データリネージ情報モデル

基本的な形式で、リネージは、ソースからターゲットに変換されたデータのレコードです。Data Lineage API はその情報を収集し、プロセス、実行、イベントのコンセプトを使用して階層データモデルに整理します。

プロセス

プロセスは、特定のシステムでサポートされているデータ変換オペレーションの定義です。BigQuery リネージのコンテキストでは、processサポート対象のジョブタイプの 1 つです。

実行

プロセスが実行されます。プロセスには複数の実行を指定できます。実行には、開始時刻と終了時刻、状態、追加属性などの詳細情報が含まれます。詳細については、run リソース リファレンスをご覧ください。

イベント

イベントは、データ変換オペレーションが実行され、ソースとターゲットのエンティティ間でデータが移動した時点を表します。

イベントには、特定のイベントの送信元とターゲットを定義するリンクのリストが含まれます。イベントは、リネージの可視化グラフの計算に使用されますが、Google Cloud コンソールに直接公開されることはありません。Data Lineage API を使用して、これらのテーブルの作成、読み取り、削除を行うことができます(更新はできません)。

BigQuery テーブル間でデータがコピーされる次の例について考えてみましょう。

例では、customer_year というテーブルと customer からデータを抽出し、top_customer というテーブルを作成します。
図 1. テーブルデータのソースを示すグラフの例。

テーブル間のデータの移動方法は、リネージ プロセス(グラフで BigQuery のリネージ プロセス アイコン。 アイコンによって示される)で説明されています。これは SQL CREATE TABLE AS SELECT クエリまたは INSERT ステートメントです。

その SQL ステートメントを実行するたびに、個々の実行が構成されます。実行にはイベントが含まれます。これらは、どのテーブルがソースとして使用され、どのテーブルがターゲットとして使用されたかを記録します。この例では、テーブル customer_yearcustomers はどちらも、ターゲット top_customer テーブルのソースです。

リネージ可視化グラフ

リネージグラフは、特定の Data Catalog エントリ用の Data Lineage API によって収集される情報を表します。[ルート] は、リネージを表示しているエントリを指します。

サンプルグラフには、最下部に固定されるSQL コードを表示する詳細パネルを使用して、変換されてから新しいテーブルに統合される 2 つのテーブルからのデータが表示されます。
図 2: Dataplex UI のリネージ可視化グラフの例。

Dataplex は Data Lineage API と連携して、完全修飾名がデータリネージで認識されるエンティティと一致するエントリを特定します。一致した Dataplex エントリについては、詳細ページの [リネージ] タブにアクセスしてグラフを表示できます。

リネージグラフには、次の 2 種類の要素が表示されます。

  • リネージ情報の作成に関連するエンティティを表す横長の長方形のボタン。リネージ イベントのソースまたはターゲットになります。

  • ソース エンティティまたはターゲット エンティティの作成または更新を行うプロセスを表す小さな正方形ボタン。プロセスボタンには、Data Lineage API に報告したソースシステムに固有のアイコンが使用されます。たとえば、BigQuery ジョブは BigQuery のリネージ プロセス アイコン。 アイコンを使用します。

リネージのリスト表示

リネージのリスト表示には、エンティティの詳細なリネージ情報が 1 つのテーブルに表示されます。

リネージ可視化グラフは比較的小規模なリネージグラフの表示に適していますが、リネージのリスト表示では、接続数の多いエンティティのリネージ情報を表示できます。

次の図は、Google Cloud コンソールでのリネージのリスト表示の例を示しています。以下に、画像について詳しく説明します。

Google Cloud コンソールでのリネージのリスト表示の例。
図 3.Google Cloud コンソールでのリネージのリスト表示の例。
  • テーブルの各行は、2 つのエントリ間の単一のリネージリンクを表します。グラフでは、これらの名前は、2 つのエントリ間のリネージリンクとして表示されます(間にプロセスノードがある場合も同様です)。たとえば、SourceTarget はアセットノードであり、間に複数のプロセスノードが存在する場合があります。

  • [方向] オプションでは、ルートアセットを基準として、リストに表示するデータフローの部分を指定します。

    • アップストリーム: 選択したエントリのデータソースであるエントリのリネージ情報を表示します。リネージグラフでは、これらのエントリは選択したエントリの左側に表示されます。

    • ダウンストリーム: 選択したエントリを使用するエントリまたは選択したエントリから派生したエントリのリネージ情報を表示します。リネージグラフでは、これらのエントリは選択したエントリの右側に表示されます。

  • [期間] オプションを使用すると、リネージが発生した時間に基づいてリネージ情報をフィルタできます。

    • 開始時間: 開始時間以降に発生したリネージが表示されます。

    • 終了時刻: 終了時刻以前に発生したリネージが表示されます。

  • 深さは、ソースリソースまたは派生リソースがルートリソースからどの程度離れているかを示します。リスト表示には最大 1,000 個のリネージリンクが表示され、ルートからの最大深さは 10 個のリネージリンクです。この範囲外のリネージがある場合は、通知されます。この範囲外のリネージを表示するには、リスト表示で別のエンティティの名前を選択します。

  • [詳細] パネルには、リンクのソース、リンクのターゲット、このリンクを作成したすべてのプロセスの情報が表示されます。

  • テーブルに表示する列をカスタマイズし、結果をフィルタできます。結果を CSV ファイルにエクスポートすることもできます。

データリネージの自動追跡

Data Lineage API を有効にすると、データリネージをサポートしている Google Cloud システムがデータの移動の報告を開始します。各統合システムは、異なる範囲のデータソースのリネージ情報を送信できます。サポートされているすべてのプロダクトの詳細については、以降のセクションをご覧ください。

BigQuery

BigQuery プロジェクトでデータリネージを有効にすると、Dataplex によって次のリネージ情報が自動的に記録されます。

BigQuery のコピー、クエリ、読み込みジョブは、プロセスとして表されます(リネージの可視化グラフで一括表示アイコン をクリックしてください)。各プロセスでは、最新の BigQuery ジョブの属性リストに BigQuery job_id が含まれています。

その他のサービス

データリネージは、次の Google Cloud サービスとの統合をサポートしています。

カスタム データソースのデータリネージ

Dataplex の Data Lineage API を使用すると、統合システムでサポートされていないデータソースのリネージ情報を手動で記録できます。

既存の Data Catalog エントリの完全修飾名と一致する fullyQualifiedNames を使用すると、Dataplex は手動で記録されたリネージの可視化グラフを作成できます。カスタム データ ソースのリネージを記録する場合は、まずカスタム Data Catalog エントリを作成します。

カスタム データ ソースの各プロセスでは、属性リストに sql キーを含めることができます。このようなキーの値は、データ リネージ グラフの詳細パネルでコードのハイライトをレンダリングするために使用されます。記載のとおりに SQL ステートメントが表示されます。機密情報を除外する責任はユーザーにあります。鍵名 sql では、大文字と小文字が区別されます。

OpenLineage

すでに OpenLineage を使用して他のデータソースからリネージ情報を収集している場合は、OpenLineage イベントを Dataplex にインポートし、Google Cloud コンソールにそれらのイベントを表示できます。詳しくは、OpenLineage との統合をご覧ください。

制限事項

  • すべてのリネージ情報は、システムに30 日間のみ保持されます。
  • リネージ情報は、関連するデータソースを削除しても保持されます。つまり、BigQuery テーブルとその Data Catalog エントリを削除しても、API を使用してそのテーブルのリネージを最大 30 日間読み取ることができます。

データリネージにアクセスする

データリネージ機能にアクセスするには、以下を使用します。

料金

  • Dataplex は、プレミアム処理 SKU を使用してデータリネージに対して課金します。詳細は、料金をご覧ください。

  • Dataplex プレミアム処理 SKU で、データリネージの課金を他の課金と分離するには、Cloud Billing レポートで、ラベル goog-dataplex-workload-type を値 LINEAGE で使用します。

  • CUSTOM 以外の値を指定して Data Lineage API Origin sourceType を呼び出すと、追加料金が発生する可能性があります。

次のステップ