Introduzione al monitoraggio di BigQuery

Il monitoraggio e il logging sono fondamentali per eseguire applicazioni affidabili nel cloud. I carichi di lavoro BigQuery non fanno eccezione, soprattutto se il tuo carico di lavoro ha volumi elevati o è mission critical. Questo documento fornisce una panoramica generale dei dati di monitoraggio disponibili per BigQuery.

Le origini di monitoraggio e logging possono variare in base alla frequenza di campionamento o aggregazione. Ad esempio, i dati dello schema informativo potrebbero essere disponibili a un livello di granularità superiore rispetto ai dati delle metriche di Cloud Monitoring.

Di conseguenza, i grafici delle metriche con granularità inferiore potrebbero sembrare diversi dalle statistiche dello schema delle informazioni comparabili. L'aggregazione tenderà ad appianare le discrepanze. Quando progetti una soluzione di monitoraggio, valuta il tempo di risposta alle richieste, la precisione e l'accuratezza delle metriche in base ai tuoi requisiti.

Metriche

Le metriche sono valori numerici raccolti a intervalli regolari e resi disponibili per l'analisi. Puoi utilizzare le metriche per:

  • Creare grafici e dashboard.
  • Attiva avvisi per condizioni o situazioni che richiedono l'intervento umano.
  • Analizza il rendimento storico.

Nel caso di BigQuery, le metriche disponibili includono il numero di job in esecuzione, il numero di byte analizzati durante una query e la distribuzione dei tempi di query. Le metriche per una query diventano disponibili solo dopo che la query è stata eseguita correttamente e possono essere necessarie fino a sette minuti prima che vengano segnalate. Le metriche per le query non riuscite non vengono segnalate. Per un elenco completo delle metriche disponibili, inclusi i tassi di campionamento, la visibilità e le limitazioni, consulta bigquery nella sezione Google Cloud metriche.

Utilizza Cloud Monitoring per visualizzare le metriche di BigQuery e creare grafici e avvisi. Ogni metrica ha un tipo di risorsa, ovvero bigquery_dataset, bigquery_project o global, e un insieme di etichette. Puoi raggruppare o filtrare ogni metrica utilizzando le etichette.

Ad esempio, per rappresentare graficamente il numero di query interattive in corso, utilizza la seguente istruzione PromQL, che filtra in base a priority uguale a interactive:

{"bigquery.googleapis.com/query/count", monitored_resource="global", priority="interactive"}

L'esempio successivo recupera il numero di job di caricamento in corso, raggruppati in intervalli di 10 minuti:

avg_over_time({"bigquery.googleapis.com/job/num_in_flight",
  monitored_resource="bigquery_project",
  job_type="load"
}[10m])

Per saperne di più, consulta Creazione di grafici e avvisi per BigQuery.

Log

I log sono record di testo generati in risposta a eventi o azioni specifici. BigQuery crea voci di log per azioni come la creazione o l'eliminazione di una tabella, l'acquisto di slot o l'esecuzione di un job di caricamento. Per saperne di più sull'accesso a Google Cloud, consulta Cloud Logging.

Un log è una raccolta di voci di log solo in append. Ad esempio, puoi scrivere le tue voci di log in un log denominato projects/PROJECT_ID/logs/my-test-log. Molti Google Cloud servizi, tra cui BigQuery, creano un tipo di log chiamato audit log. Questi log registrano:

  • Attività amministrativa, ad esempio la creazione o la modifica di risorse.
  • Accesso ai dati, ad esempio lettura dei dati forniti dagli utenti da una risorsa.
  • Eventi di sistema generati dai sistemi Google, anziché dalle azioni dell'utente.

I log di controllo vengono scritti in un formato JSON strutturato. Il tipo di dati di base per le voci di logGoogle Cloud è la struttura LogEntry. Questa struttura contiene il nome del log, la risorsa che ha generato la voce di log, il timestamp (UTC) e altre informazioni di base.

I dettagli dell'evento registrato sono contenuti in un campo secondario chiamato payload. Per gli audit log, il campo payload è denominato protoPayload. Il valore di questo campo è una struttura AuditLog, indicata dal valore del campo protoPayload.@type, che è impostato su type.googleapis.com/google.cloud.audit.AuditLog.

Per le operazioni su set di dati, tabelle e job, BigQuery scrive log di controllo in due formati diversi, anche se entrambi condividono il tipo di base AuditLog.

Nel formato precedente:

  • Il campo resource.type è bigquery_resource.
  • I dettagli dell'operazione vengono scritti nel campo protoPayload.serviceData. Il valore di questo campo è una struttura AuditData.

Nel nuovo formato:

  • Il campo resource.type è bigquery_project o bigquery_dataset. La risorsa bigquery_project contiene voci di log relative ai job, mentre la risorsa bigquery_dataset contiene voci di log relative allo spazio di archiviazione.
  • I dettagli dell'operazione vengono scritti nel campo protoPayload.metadata. Il valore di questo campo è una struttura BigQueryAuditMetadata.

Ti consigliamo di utilizzare i log nel formato più recente. Per saperne di più, consulta la guida alla migrazione degli audit log.

Ecco un esempio abbreviato di una voce di log che mostra un'operazione non riuscita:

{
  "protoPayload": {
    "@type": "type.googleapis.com/google.cloud.audit.AuditLog",
    "status": {
      "code": 5,
      "message": "Not found: Dataset my-project:my-dataset was not found in location US"
    },
    "authenticationInfo": { ... },
    "requestMetadata":  { ... },
    "serviceName": "bigquery.googleapis.com",
    "methodName": "google.cloud.bigquery.v2.JobService.InsertJob",
    "metadata": {
  },
  "resource": {
    "type": "bigquery_project",
    "labels": { .. },
  },
  "severity": "ERROR",
  "logName": "projects/my-project/logs/cloudaudit.googleapis.com%2Fdata_access",
  ...
}

Per le operazioni sulle prenotazioni BigQuery, protoPayload è una struttura AuditLog e i campi protoPayload.request e protoPayload.response contengono ulteriori informazioni. Puoi trovare le definizioni dei campi nell'API BigQuery Reservation. Per ulteriori informazioni, consulta Monitoraggio delle prenotazioni BigQuery.

Viste INFORMATION_SCHEMA di BigQuery

Le visualizzazioni INFORMATION_SCHEMA sono un'altra fonte di approfondimenti in BigQuery, che puoi utilizzare insieme a metriche e log.

Queste viste contengono metadati su job, set di dati, tabelle e altre entità BigQuery. Ad esempio, puoi ottenere metadati in tempo reale sui job BigQuery eseguiti in un periodo di tempo specificato e poi raggruppare o filtrare i risultati per progetto, utente, tabelle a cui viene fatto riferimento e altre dimensioni.

Puoi utilizzare queste informazioni per eseguire analisi più dettagliate sui tuoi carichi di lavoro BigQuery e rispondere a domande come:

  • Qual è l'utilizzo medio degli slot per tutte le query negli ultimi 7 giorni per un determinato progetto?
  • Quali utenti hanno inviato un job di caricamento batch per un determinato progetto?
  • Quali errori di streaming si sono verificati negli ultimi 30 minuti, raggruppati per codice di errore?

In particolare, esamina i metadati dei job, i metadati di streaming e i metadati delle prenotazioni per ottenere informazioni sul rendimento dei tuoi carichi di lavoro BigQuery.

Puoi trovare query INFORMATION_SCHEMA di esempio su GitHub che mostrano l'utilizzo di slot e prenotazioni, l'esecuzione dei job e gli errori dei job di un'organizzazione. Ad esempio, la seguente query fornisce un elenco di query in attesa o in esecuzione. Queste query sono ordinate in base al tempo trascorso dalla loro creazione nella regione us:

SELECT
    creation_time,
    project_id,
    user_email,
    job_id,
    job_type,
    priority,
    state,
    TIMESTAMP_DIFF(CURRENT_TIMESTAMP(), start_time,second) as running_time_sec
 FROM
   `region-us`.INFORMATION_SCHEMA.JOBS_BY_PROJECT
 WHERE
    creation_time BETWEEN TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 1 DAY) AND CURRENT_TIMESTAMP()
    AND state != "DONE"
ORDER BY
    running_time_sec DESC

Per saperne di più, consulta Risolvere i problemi di prestazioni di BigQuery con queste dashboard.

Oltre a scrivere le tue query, puoi utilizzare gli strumenti di monitoraggio di BigQuery nella console Google Cloud :

  • Monitora l'integrità e l'utilizzo delle risorse. Visualizza le dashboard sull'integrità operativa e i grafici delle risorse che monitorano l'utilizzo degli slot, la capacità e la concorrenza dei job nel tempo nella tua organizzazione e nelle tue prenotazioni.
  • Monitora i job. Cerca, filtra e raggruppa le singole esecuzioni di query nella tua organizzazione per esaminare i grafici di esecuzione delle query, identificare i principali consumatori di slot e risolvere i problemi dei job problematici.

Passaggi successivi