1.数据密集型应用系统设计 2.mysql到底是怎样运行的 这两本书都非常值得多次阅读。读完了会对数据存储，计算，涉及到的分布式问题，有自己的认识和思考。 tidb的论文也非常值得一读，有很多惊奇的思路

关于元数据管理这个问题，目前在数仓中，血缘关系管理是一个很重要的东西，但是如何做好很难，说白了也是把不同表之间的来龙去脉搞清楚。另外为了解决调度和各种任务的定时运行这些，目前阿里云开源的EMR系统,也就是E-MapReduce系统，这个就是把airflow和spark那些封装起来了。 当然更进一步的发展，目前也有了图形化的拖拉拽传统机器学习的工具，以前也给运营商做过一套，简单来说就是封装了spark的mllib库那些，然后把一些算法，如抽样，决策树等封装成一个个图标，接着从hive中导入不同的表等，每一个组件(图表)之间使用连线链接起来，类似今天的阿里云的pi 。