Informazioni sulla visualizzazione della derivazione dei dati in Knowledge Catalog

La tracciabilità dei dati ti aiuta a capire come i dati si spostano nei tuoi sistemi monitorando le relazioni tra gli asset di dati e i processi che li trasformano. Puoi visualizzare queste informazioni sulla tracciabilità come grafici ed elenchi nella console Google Cloud .

Questo documento fornisce una panoramica del modello di informazioni sulla tracciabilità dei dati, dettagli sulla granularità della tracciabilità a livello di tabella e colonna e istruzioni sull'utilizzo delle visualizzazioni a grafo e elenco per esplorare la tracciabilità dei dati.

Modello informativo della derivazione dei dati

La tracciabilità è un record dei dati trasformati dalle origini alle destinazioni. L'API Data Lineage raccoglie queste informazioni e le organizza in un modello dei dati gerarchico che utilizza i concetti di processi, esecuzioni ed eventi.

Concetto	Descrizione
Procedura	Una definizione di trasformazione dei dati.
Corsa	L'esecuzione di un processo.
Evento	Un record del movimento dei dati durante un'esecuzione.

Che cos'è un processo di tracciabilità?

Un processo è la definizione di un'operazione di trasformazione dei dati per un sistema specifico. Per la tracciabilità di BigQuery, un processo è un job di un tipo di prestazione supportato. Tutte le esecuzioni della stessa query SQL sono collegate a un singolo processo, il che ti consente di monitorare ogni istanza in cui viene utilizzata una logica di trasformazione specifica.

Ad esempio, la seguente query SQL è un processo. Questa query crea una tabella contando il numero totale di viaggi per ciascun fornitore da due tabelle di origine.

  CREATE TABLE `dataplex-docs.data_lineage_demo.total_green_trips_22_21`
  AS
  SELECT
      vendor_id,
      COUNT(*) AS number_of_trips
  FROM
      (
          SELECT vendor_id
          FROM `dataplex-docs.data_lineage_demo.nyc_green_trips_2022`
          UNION ALL
          SELECT vendor_id
          FROM `dataplex-docs.data_lineage_demo.nyc_green_trips_2021`
      )
  GROUP BY
      vendor_id;

Il formato del nome della risorsa REST per un processo è projects/PROJECT_NUMBER/locations/LOCATION/processes/PROCESS_ID.

Ad esempio: projects/123456789123/locations/us/processes/sh-0548bbf4ff3c8072a6c7372ba1acafb6

Per saperne di più sulla risorsa process, consulta il riferimento alla risorsa Process.

Che cos'è un'esecuzione della derivazione?

Un'esecuzione è una singola esecuzione di un processo. I processi possono avere più esecuzioni.

Ogni esecuzione è un'operazione unica caratterizzata da un startTime, un endTime e uno stato finale, ad esempio COMPLETED, FAILED o ABORTED.

Ad esempio, l'esecuzione della query SQL dalla sezione Processo alle 9:00 crea un'esecuzione specifica. L'esecuzione della stessa query alle 10:00 crea una nuova esecuzione distinta. Entrambe le esecuzioni sono collegate allo stesso processo principale.

Il formato del nome della risorsa REST per un'esecuzione mostra che è una risorsa secondaria di un processo: projects/PROJECT_NUMBER/locations/LOCATION/processes/PROCESS_ID/runs/RUN_ID.

Ad esempio: projects/123456789123/locations/us/processes/sh-0548bbf4ff3c8072a6c7372ba1acafb6/runs/83dd03a51cd2ac80f465c9e267a950b1

Per saperne di più sulla risorsa run, consulta il riferimento alla risorsa Run.

Che cos'è un evento di tracciabilità?

Un evento rappresenta un momento nel tempo in cui una trasformazione dei dati sposta i dati tra un'entità di origine e una di destinazione. Un evento è un record granulare di uno spostamento di dati specifico che collega le tabelle di origine e di destinazione per un'esecuzione specifica. Un evento può avere anche più origini e destinazioni.

Ad esempio, se l'esecuzione esegue la query SQL descritta nella sezione Procedura, un evento di lineage registra che le tabelle di origine nyc_green_trips_2021 e nyc_green_trips_2022 vengono utilizzate per creare la tabella di destinazione total_green_trips_22_21.

Un evento di tracciabilità contiene un elenco di link che definiscono l'origine e la destinazione. Gli eventi vengono utilizzati per creare grafici di tracciabilità. Sebbene la console Google Cloud mostri questi grafici di tracciabilità, non visualizza direttamente i singoli eventi. Puoi creare, leggere ed eliminare eventi, ma non aggiornarli utilizzando l'API Data Lineage.

Ogni link all'interno di un evento definisce un singolo percorso di flusso di dati da un'entità di origine a un'entità di destinazione. Un'entità è un riferimento a un asset di dati, ad esempio una tabella BigQuery, ed è identificata dal suo nome completo (FQN). Un singolo evento può contenere più link, il che è comune in operazioni come le unioni di tabelle in cui più origini contribuiscono a una destinazione.

Per informazioni dettagliate su come gli eventi supportano la tracciabilità a livello di colonna, vedi Tracciabilità a livello di colonna.

Differenze tra la derivazione a livello di tabella e a livello di colonna

La derivazione dei dati consente di tracciare l'origine e il percorso di trasformazione dei dati a livello di tabella e colonna.

Quando utilizzare la derivazione a livello di tabella

La derivazione a livello di tabella fornisce una panoramica generale delle pipeline di dati mostrando le relazioni tra intere tabelle. Utilizza la derivazione a livello di tabella per attività a livello macro, ad esempio:

• Rilevamento dei dati. Un analista che crea una nuova dashboard può utilizzare la tracciabilità a livello di tabella per risalire a una tabella riepilogativa fino alle sue origini e confermare che i dati provengono da un database autorevole.

• Pianificazione della migrazione.Un amministratore di database che pianifica la migrazione di un database principale può utilizzare la tracciabilità a livello di tabella per identificare ogni report e dashboard downstream che dipende da esso.

• Controllo e governance. Un responsabile della governance dei dati può utilizzare la tracciabilità a livello di tabella e di colonna per verificare il flusso dei dati di una tabella contenente informazioni che consentono l'identificazione personale (PII) in una pipeline.

Quando utilizzare la tracciabilità a livello di colonna

Nota: la tracciabilità a livello di colonna è supportata solo per i job BigQuery e Managed Service for Apache Spark.

La tracciabilità a livello di colonna fornisce una visualizzazione più granulare monitorando il flusso di dati tra le singole colonne. In questa visualizzazione, i link all'interno di un evento di tracciabilità rappresentano la relazione tra una colonna di origine e una colonna di destinazione. Ciascuno di questi link a livello di colonna ha un tipo di dipendenza che descrive la trasformazione:

• Exact copy: i valori vengono copiati tra le colonne.

• Other: altri tipi di dipendenze tra le colonne.

Utilizza la tracciabilità a livello di colonna per attività come le seguenti:

• Analisi delle cause principali. Se un analista dei dati trova un valore errato in una colonna, può utilizzare la tracciabilità a livello di colonna per risalire alle colonne di origine e trovare la causa principale.

• Analisi dell'impatto.Prima che un data engineer ritiri una colonna, può utilizzare la tracciabilità a livello di colonna per trovare ogni colonna downstream che dipende da essa.

• Verifica dell'origine dati per le metriche.Un analista di dati può utilizzare la derivazione a livello di colonna per identificare le colonne di origine utilizzate per calcolare una metrica senza decifrare una query SQL complessa.

La tracciabilità a livello di colonna viene raccolta automaticamente per i seguenti tipi di job BigQuery:

• CREATE TABLE
• CREATE TABLE COPY
• INSERT
• UPDATE
• MERGE
• DELETE
• SELECT con una tabella di destinazione

Per i job Managed Service for Apache Spark, l'assistenza dipende dal tipo e dalla versione della dipendenza Open Lineage utilizzata da Managed Service for Apache Spark. La versione minima supportata è la 1.34. Di seguito sono riportate le versioni minime delle immagini del cluster Managed Service for Apache Spark supportate:

• 3.0.3
• 2.3.22
• 2.2.75
• 2.1.107

Di seguito sono riportate le versioni minime del runtime di Managed Service for Apache Spark supportate:

• 3.0.3
• 2.3.20

Visualizzazioni della tracciabilità nella console Google Cloud

La tracciabilità dei dati nella console Google Cloud ti consente di interagire con le informazioni sulla tracciabilità in due modi: puoi esplorare il grafico della tracciabilità in più regioni disponibili oppure puoi utilizzare il riquadro Esplora tracciabilità per ottenere una visualizzazione più mirata all'interno di una regione specifica. Puoi anche passare dalla visualizzazione Grafico alla visualizzazione Elenco per analizzare il flusso di dati a diversi livelli di dettaglio.

Le visualizzazioni della derivazione sono disponibili solo per le voci di Knowledge Catalog (in precedenza Dataplex Universal Catalog), per gli asset BigQuery e per le risorse Vertex AI (modelli, set di dati, visualizzazioni dello store delle funzionalità e gruppi di funzionalità).

Per visualizzare le diverse visualizzazioni descritte in questa pagina, consulta Utilizzare la tracciabilità dei dati con i sistemi Google Cloud .

Visualizzazione del grafico di derivazione

La visualizzazione Grafico visualizza il flusso e le relazioni degli asset di dati tra sistemi e regioni, aiutandoti a comprendere l'architettura dei dati, tracciare le origini e le destinazioni e identificare i pattern. Questi grafici di genealogia, generati dal servizio API Data Lineage per una specifica voce di Knowledge Catalog, mostrano come i dati vengono trasformati nel tempo, visualizzando i flussi upstream, downstream o entrambi da una voce radice selezionata.

L'API Data Lineage riceve automaticamente le informazioni sugli asset dai sistemi supportati e tramite chiamate API per le origini personalizzate.

Gli elementi chiave del grafico sono descritti di seguito:

• Nodi.Rappresentano le entità di dati. In una visualizzazione a livello di tabella, un nodo mostra il nome della tabella e le relative colonne. In una visualizzazione a livello di colonna, ogni nodo rappresenta una tabella e una colonna specifiche.

• Bordi. Le linee che collegano i nodi e rappresentano i processi che si verificano tra di essi. L'aspetto di un bordo dipende dalla visualizzazione della derivazione:

  • Nella visualizzazione a livello di tabella, i bordi hanno icone che indicano le trasformazioni dei dati.
  • Nella visualizzazione a livello di colonna, i bordi hanno etichette che indicano le trasformazioni dei dati. Ad esempio, un'etichetta del bordo potrebbe indicare Exact copy per descrivere come una colonna di origine è stata copiata in una colonna di destinazione.

• Icone ed etichette di processo. Appaiono sui bordi per fornire maggiori informazioni sulla trasformazione.

  • Icone.Rappresentano il processo di trasformazione. Quando esplori manualmente il grafico, le icone sui bordi rappresentano il sistema di origine del processo (ad esempio BigQuery o Vertex AI). Se sono coinvolti più processi, viene visualizzata un'icona "più processi". Se il sistema di origine del processo è sconosciuto, viene utilizzata un'icona a forma di ingranaggio. Quando applichi i filtri, viene utilizzata un'icona a forma di ingranaggio per tutti i processi.
  • Etichette.Nella visualizzazione della derivazione a livello di colonna, un'etichetta descrive il tipo di dipendenza tra le colonne: Exact copy o Other.

Esplorare il grafico della derivazione

Quando apri la scheda Tracciabilità, viene visualizzata la visualizzazione Grafico predefinita. La visualizzazione predefinita fornisce una panoramica di alto livello su sistemi e regioni, con l'espansione manuale e incrementale del grafico che può caricare cinque nodi alla volta. Le icone dei processi sugli archi rappresentano il sistema di origine o indicano più processi.

Visualizzazione predefinita del grafico di derivazione

Filtrare ed evidenziare le visualizzazioni della derivazione dei dati

Anteprima

Questo prodotto o funzionalità sono soggetti ai "Termini dell'offerta pre-GA" nella sezione dei Termini di servizio generali dei Termini specifici dei servizi. I prodotti e le funzionalità pre-GA sono disponibili "così come sono" e potrebbero avere un supporto limitato. Per ulteriori informazioni, consulta le descrizioni della fase di lancio.

Per i grafici di tracciabilità grandi e complessi, puoi applicare filtri o evidenziazioni per ridurre il rumore visivo e concentrarti sull'esplorazione della tracciabilità all'interno di una regione specifica. Utilizza il riquadro Esplora derivazioni per impostare i criteri. Quando vengono applicati i filtri, nella parte superiore delle visualizzazioni Grafico ed Elenco viene visualizzata una barra dei filtri che mostra i filtri attivi come chip.

Per perfezionare la visualizzazione della tracciabilità, puoi scegliere una delle seguenti modalità:

• Evidenzia: i nodi corrispondenti vengono evidenziati visivamente con colori e bordi, mentre il grafico completo rimane visibile. In questo modo, è più facile individuare asset specifici senza perdere il contesto generale del grafico della derivazione.

• Filtro: i nodi non corrispondenti vengono nascosti e il grafico viene semplificato per mostrare solo i nodi corrispondenti e i percorsi tra loro. Gli asset non corrispondenti che fanno parte di un percorso tra i nodi corrispondenti vengono raggruppati in nodi compressi. Questa modalità è utile per ridurre la complessità e concentrarsi solo sugli asset pertinenti e sulle loro relazioni dirette.

Per filtrare o evidenziare la tracciabilità, utilizza i seguenti criteri

• Progetto: filtra per ID progetto Google Cloud .
• Sistema: filtra in base al sistema in cui si trova l'asset di dati (ad esempio BigQuery o Cloud Storage).
• Nome entità: filtra in base al nome dell'asset. Puoi utilizzare * per le ricerche con caratteri jolly (solo prefisso e suffisso, ad esempio *table o test*).
• Sottotipo: filtra in base al sottotipo di asset (ad esempio, dashboard o model).
• Nome colonna: filtra la tracciabilità in base al nome della colonna per visualizzare i dettagli a livello di colonna.
• Direzione: mostra la tracciabilità upstream o downstream oppure entrambe.
• Intervallo di tempo: filtra la tracciabilità in base a un orario di inizio o di fine specifico.
• Tipo di dipendenza: filtra la tracciabilità a livello di colonna in base al tipo di dipendenza. Esempi di opzioni disponibili includono All o Exact copy.

Per ridurre ulteriormente il disordine, puoi selezionare Nascondi tabelle BigQuery temporanee per nascondere gli asset temporanei creati da BigQuery, ad esempio le tabelle nei set di dati i cui nomi iniziano con _script.

Riquadro della tracciabilità

La visualizzazione mirata nella scheda Grafico espande automaticamente il grafico fino a tre livelli, caricando tutta la derivazione corrispondente ai criteri di filtro. Lineage Explorer recupera fino a 10 livelli del grafico di derivazione, ma solo i primi 3 livelli sono espansi per impostazione predefinita. Puoi espandere il grafico per visualizzare i livelli rimanenti facendo clic sulle frecce.

La visualizzazione mirata supporta la tracciabilità a livello di tabella e di colonna, inclusa la visualizzazione del percorso da qualsiasi nodo selezionato alla radice. In questa visualizzazione mirata, viene utilizzata un'icona a forma di ingranaggio generica per tutti i processi.

Visualizzazione del grafico della tracciabilità a livello di tabella mirata

Per visualizzare la tracciabilità a livello di colonna, utilizza uno dei seguenti metodi:

• In una visualizzazione Grafico mirata, fai clic sull'icona della colonna in una tabella per passare alla tracciabilità a livello di colonna.

  

  Icona della colonna

• Nella visualizzazione Grafico predefinita o in quella Grafico messa in evidenza, applica un nome di colonna nel riquadro Esplora derivazioni.

Visualizzazione della tracciabilità a livello di colonna

Per rimuovere tutti i filtri e tornare alla visualizzazione predefinita, fai clic su Reimposta.

Per passare dalla modalità di evidenziazione a quella di filtro, consulta Perfeziona la visualizzazione della tracciabilità.

Visualizza i dettagli del nodo di derivazione

Per visualizzare i dettagli di un nodo, fai clic sul nodo. Viene visualizzato un riquadro laterale che mostra informazioni dettagliate sull'asset di dati selezionato. Ad esempio, in una visualizzazione della tracciabilità a livello di tabella, se fai clic su un nodo vengono visualizzate informazioni come il nome completo, il tipo e altri attributi pertinenti dell'asset.

Dettagli nodo

Visualizzare la cronologia delle esecuzioni della derivazione

Un grafico della derivazione completo è il risultato di esecuzioni di molti job diversi, con ogni job che crea un collegamento specifico nel grafico. Le esecuzioni multiple vengono registrate come nuove esecuzioni, ma non modificano l'aspetto statico del grafico.

Per visualizzare i dettagli di queste singole esecuzioni, fai clic su un bordo con un processo nel grafico. Nel riquadro Query visualizzato, fai clic sulla scheda Esecuzioni.

Riquadro delle query

Ispeziona la logica di trasformazione dei dati

Per comprendere la logica di business di una trasformazione senza cercare il codice, puoi visualizzare la query SQL esatta che è stata eseguita. Per visualizzare il codice SQL, fai clic su un bordo con un processo nel grafico. Nel riquadro laterale visualizzato, fai clic sulla scheda Dettagli.

Visualizzare un percorso di derivazione dei dati

Nota: la visualizzazione del percorso di tracciabilità è disponibile solo quando hai applicato i filtri nel riquadro Esplora derivazione.

La visualizzazione del percorso di tracciabilità ti aiuta a tracciare il percorso da qualsiasi nodo selezionato nel grafico fino alla voce principale. Quando selezioni un nodo e fai clic su Visualizza percorso, il grafico evidenzia solo i nodi e i processi che formano il percorso di derivazione diretto alla voce principale.

Per visualizzare la visualizzazione del percorso di derivazione, nel riquadro Esplora derivazione, applica un filtro per creare una visualizzazione Grafico mirata. Poi, nella visualizzazione Grafico, seleziona un nodo. Nel riquadro dei dettagli del nodo selezionato, fai clic su Visualizza percorso.

La visualizzazione del percorso di tracciabilità è disponibile per la tracciabilità a livello di tabella e di colonna. Puoi anche utilizzare la visualizzazione del percorso di tracciabilità nella visualizzazione Elenco.

Pulsante di visualizzazione del percorso di tracciabilità nella visualizzazione del grafico di tracciabilità a livello di colonna

Visualizzazione elenco tracciabilità

La visualizzazione Elenco offre una rappresentazione tabellare e strutturata della tracciabilità, sincronizzata con la visualizzazione Grafico. Facilita l'ordinamento, il filtraggio e il download degli asset di dati. Questa visualizzazione è ideale per analizzare le relazioni tra origine e destinazione, descrivere in dettaglio gli asset coinvolti ed esportare i dati di tracciabilità.

La visualizzazione Elenco è disponibile sia per la tracciabilità a livello di tabella sia per quella a livello di colonna. Puoi alternare le seguenti visualizzazioni elenco dettagliate e semplificate.

• Visualizzazione elenco semplificata: questa visualizzazione è utile per ottenere un elenco condensato e univoco di tutti gli asset coinvolti nella tracciabilità. Le colonne come Sistema, Progetto, Entità, FQN (nome completo), Direzione e Profondità ti aiutano a visualizzare tutti gli asset di dati nella tracciabilità, la loro posizione, la loro origine originale e la loro distanza dall'asset centrale analizzato. È ideale per una panoramica di alto livello di tutte le entità che partecipano al flusso di dati. È la visualizzazione predefinita.

• Visualizzazione elenco dettagliato: questa visualizzazione è progettata per analizzare le singole relazioni origine-destinazione. Fornendo colonne separate per Origine e Destinazione, puoi visualizzare ogni collegamento di trasformazione dei dati specifico. Questa visualizzazione è ideale per le attività che richiedono una comprensione approfondita di come si spostano i dati tra coppie specifiche di asset, ad esempio il controllo dei singoli flussi di dati, la comprensione delle dipendenze tra le tabelle o l'esportazione di record di lineage dettagliati per ogni connessione.

Visualizzazione elenco della tracciabilità a livello di tabella

Questa visualizzazione mostra le relazioni tra le tabelle nel loro complesso. Utilizza i filtri forniti per selezionare le colonne che ti servono.

Visualizzazione elenco semplificata a livello di tabella

Espandi le sezioni seguenti per visualizzare le colonne disponibili nelle visualizzazioni elenco a livello di tabella.

Colonne disponibili nella visualizzazione elenco semplificata a livello di tabella

• Sistema: il sistema in cui si trova l'asset di dati. Alcuni esempi sono [BigQuery](/bigquery/docs).
• Progetto: l'ID progetto Google Cloud contenente l'asset di dati.
• Entità: il nome dell'asset di dati. Ad esempio, il nome di una tabella.
• FQN: il nome completo (FQN) dell'entità o della colonna di origine originale.
• Direzione: indica se l'asset elencato è upstream (origine) o downstream (destinazione) nel flusso di tracciabilità.
• Profondità: il numero di passaggi della tracciabilità dall'asset centrale analizzato.

Colonne disponibili nella visualizzazione elenco dettagliata a livello di tabella

• Sistema di origine: il sistema in cui si trova l'asset di dati di origine. Alcuni esempi sono BigQuery.
• Progetto di origine: l'ID progetto Google Cloud contenente l'asset di dati di origine.
• Origine: il nome dell'asset di dati di origine. Ad esempio, il nome di una tabella.
• Nome completo di origine: il nome completo dell'entità di origine.
• Sistema di destinazione: il sistema in cui si trova l'asset di dati di destinazione. Alcuni esempi sono BigQuery.
• Progetto di destinazione: l'ID progetto Google Cloud contenente l'asset di dati di destinazione.
• Target: il nome dell'asset di dati target. Ad esempio, il nome di una tabella.
• Nome completo di destinazione: il nome completo dell'entità di destinazione.
• Direzione: indica se l'asset elencato è upstream (origine) o downstream (destinazione) nel flusso di tracciabilità.
• Profondità: il numero di passaggi della tracciabilità dall'asset centrale analizzato.

Visualizzazione elenco della tracciabilità a livello di colonna

Questa visualizzazione mostra le relazioni tra le singole colonne delle tabelle di origine e di destinazione. Utilizza i filtri forniti per selezionare le colonne che ti interessano.

Visualizzazione elenco semplificata a livello di colonna

Espandi le sezioni seguenti per visualizzare le colonne disponibili nelle visualizzazioni elenco a livello di colonna.

Colonne disponibili nella visualizzazione elenco semplificata a livello di colonna

• Sistema: il sistema in cui si trova l'asset di dati. Alcuni esempi sono BigQuery.
• Progetto: l'ID progetto Google Cloud contenente l'asset di dati.
• Entità: il nome dell'asset di dati. Ad esempio, il nome di una tabella.
• Colonna: la colonna specifica scelta nel riquadro Esplora derivazioni all'interno dell'entità.
• FQN: il nome completo (FQN) dell'entità o della colonna di origine originale.
• Direzione: indica se l'asset elencato è upstream (origine) o downstream (destinazione) nel flusso di tracciabilità.
• Profondità: il numero di passaggi della tracciabilità dall'asset centrale analizzato.

Colonne disponibili nella visualizzazione elenco dettagliata a livello di colonna

• Sistema di origine: il sistema in cui si trova l'asset di dati di origine.
• Progetto di origine: l'ID progetto Google Cloud contenente l'asset di dati di origine.
• Nome completo di origine: il nome completo della colonna di origine.
• Sistema di destinazione: il sistema in cui si trova l'asset di dati di destinazione.
• Progetto di destinazione: l' Google Cloud ID progetto contenente l'asset di dati di destinazione.
• Nome completo di destinazione: il nome completo della colonna di destinazione.
• Direzione: indica se il flusso di dati è upstream o downstream.
• Tipi di dipendenza: descrive la natura della relazione tra le colonne.
• Profondità: il numero di passaggi della tracciabilità dall'asset centrale analizzato.

Passaggi successivi

• Scopri di più sulle origini della derivazione.

• Scopri come monitorare la tracciabilità dei dati per una copia della tabella BigQuery e per i job di query.

• Scopri come utilizzare la derivazione dei dati con i sistemi Google Cloud .