Concepts et fonctionnalités clés

Comportement et cas d'utilisation

Datastream permet aux utilisateurs d'importer des données sources depuis un système de gestion de base de données relationnelle (SGBDR) et d'autres sources vers des destinations telles que BigQuery, les tables BigLake Iceberg et Cloud Storage en temps quasi réel. Cela permet des cas d'utilisation en aval, comme le chargement des données dans BigQuery pour l'entreposage et l'analyse de données, ou l'exécution de tâches Spark sur les données pour des cas d'utilisation d'intelligence artificielle et de machine learning.

Concepts

Cette section décrit les principaux concepts que vous devez comprendre pour utiliser Datastream efficacement.

Capture des données modifiées

La capture des données modifiées (CDC, Change Data Capture) est un ensemble de modèles de conception logicielle utilisés pour déterminer (et suivre) les données qui ont changé afin de pouvoir agir sur ces données. La CDC est également une approche d'intégration des données basée sur l'identification, la capture et la diffusion des modifications apportées aux sources de données d'entreprise.

Approvisionnement d'événements

Introduit en 2005, event sourcing est un modèle de conception dans lequel chaque modification de l'état d'une application est capturée dans un objet d'événement. Grâce à l'approvisionnement d'événements, une application peut reconstruire son état, effectuer une récupération à un moment donné (en traitant l'événement jusqu'à ce point), recalculer l'état en cas de modification de la logique ou activer la conception de la ségrégation des responsabilités de commande et de requête (CQRS). Avec l'évolution des outils de traitement des événements en temps réel, de nombreuses applications passent au modèle d'approvisionnement d'événements. Historiquement, les bases de données transactionnelles ont toujours été orientées événements, en raison des exigences d'atomicité, de cohérence, d'isolation et de durabilité (ACID).

Bases de données transactionnelles

Dans une base de données transactionnelle, l'ensemble d'opérations que la base de données va effectuer est en général consigné dans le journal WAL avant exécution de ces opérations sur le moteur de stockage. Une fois qu'une opération est exécutée sur le moteur de stockage et validée dans le journal WAL, elle est considérée comme réussie. L'utilisation du journal WAL permet d'assurer l'atomicité et la durabilité, et permet également une réplication haute fidélité de la base de données. Certaines bases de données écrivent dans le journal l'opération exacte qui se produira au niveau du stockage (par exemple, write 0x41 on location 20). Ces actions ne peuvent donc être répliquées (ou refaites) que sur le même moteur de stockage. D'autres bases de données enregistrent une instruction logique complète (ou une ligne) qui peut être réexécutée sur un autre moteur de stockage.

Événements et flux

Datastream ingère de nombreuses données en temps quasi réel à partir de diverses sources et met ces données à disposition afin qu'elles soient consommées dans la destination. L'unité de données stockée par Datastream est un événement. Un flux représente l'ingestion continue des événements d'une source et leur écriture dans une destination.

Types unifiés

Les sources de données ont leurs propres types, certains spécifiques à la base de données elle-même, et d'autres génériques et partagés entre les bases de données. Comme de nombreuses sources différentes génèrent des flux vers une destination unifiée, il doit exister un moyen standard et unifié de représenter le type de source d'origine dans toutes les sources. Le type unifié est un moyen courant et sans perte de représenter les types de données dans toutes les sources afin qu'ils puissent être consommés de manière cohérente. Les types unifiés compatibles avec Datastream représenteront le sur-ensemble de tous les types normalisés dans tous les systèmes sources compatibles afin que tous les types puissent être compatibles sans perte.

Contexte de l'entité

Datastream comporte cinq entités :

  • Les configurations de connectivité privée permettent à Datastream de communiquer avec des sources de données via une connexion réseau privée et sécurisée. Cette communication se fait via l'appairage de cloud privé virtuel (VPC).
  • Les profils de connexion représentent les informations de connectivité d'une base de données source ou de destination spécifique.
  • Les flux représentent une paire de profils de connexion source et de destination, ainsi que des paramètres spécifiques au flux.
  • Les objets représentent une sous-portion d'un flux. Par exemple, un flux de base de données comprend un objet de données pour chaque table diffusée.
  • Les événements représentent chaque modification du langage de manipulation de données (LMD) d'un objet donné.

Après avoir créé une configuration de connectivité privée, vous pouvez vous connecter à des sources hébergées dans Google Cloud ou ailleurs via un canal de communication privé. La connectivité privée est facultative. Datastream est également compatible avec d'autres modes de connectivité sur les réseaux publics.

Après avoir créé un profil de connexion pour une source et une destination, vous pouvez créer des flux qui utilisent les informations stockées dans les profils de connexion pour transférer des données de la source vers la destination.

Après avoir créé un flux, Datastream se connecte directement à la source, consomme du contenu, puis traite et écrit les événements dans la destination en fonction de la structure de l'événement.

Les configurations de connectivité privée et les profils de connexion peuvent être gérés séparément des flux pour être réutilisés.

Fonctionnalités

Les fonctionnalités de DataStream incluent :

  • Sans serveur : vous pouvez configurer un flux et le transfert des données commence. Il n'y a aucuns frais liés à l'installation, à l'allocation de ressources ou aux opérations de maintenance. À mesure que les volumes de données augmentent et diminuent, les fonctionnalités d'autoscaling de Datastream allouent des ressources pour assurer le transfert automatique des données en temps quasi réel.
  • Un schéma de type unifié basé sur Avro : Datastream permet un traitement indépendant de la source en convertissant tous les types de données spécifiques à une source en un schéma de type Datastream unifié, basé sur des types Avro.
  • Diffuser les données de l'historique et de la CDC : Datastream diffuse à la fois les données sources de l'historique et de la CDC en temps quasi réel.

  • CDC Oracle sans licences supplémentaires : Datastream fournit un streaming CDC basé sur LogMiner à partir de n'importe quelle version d'Oracle 11.2g ou ultérieure, sans avoir à payer de licences ou d'installations logicielles supplémentaires.

  • Destination BigQuery : les modifications apportées à la source sont répliquées en continu dans les tables BigQuery en temps quasi réel. Les données de BigQuery sont disponibles pour l'analyse presque immédiatement.

  • Destination Cloud Storage : les données CDC sont écrites de manière continue dans des fichiers Avro ou JSON auto-descriptifs dans Cloud Storage. Ces informations peuvent être utilisées pour des traitements supplémentaires, directement sur place ou via un chargement en aval vers une autre destination telle que Spanner.

  • Gestion centralisée des métadonnées avec Knowledge Catalog : les ressources Datastream, telles que les flux, les profils de connexion et les configurations de connectivité, sont automatiquement synchronisées avec Knowledge Catalog. Vous pouvez ainsi rechercher et parcourir ces éléments directement dans l'interface utilisateur de Knowledge Catalog.

Cas d'utilisation

Il existe trois scénarios principaux d'utilisation de Datastream :

  • Intégration des données : les flux de données des bases de données et des services cloud SaaS (Software as a Service) peuvent alimenter un pipeline d'intégration des données en temps quasi réel en chargeant des données dans BigQuery.
  • Analyse des flux : les modifications apportées aux bases de données sont ingérées dans des pipelines de traitement par flux, tels que Dataflow pour la détection des fraudes, le traitement des événements de sécurité et la détection des anomalies.
  • Disponibilité en temps quasi réel des modifications de données : la disponibilité des modifications de données en temps quasi réel alimente l'intelligence artificielle et les applications de machine learning pour éviter toute perte d'utilisateurs ou augmenter l'engagement grâce à des efforts marketing ou à un retour sur les systèmes de production.

Behavior Overview

Datastream permet aux clients de diffuser en continu les modifications en cours depuis plusieurs sources de données directement dans Google Cloud.

Sources

  • Une configuration est requise pour qu'une source soit utilisée avec Datastream, y compris l'authentification et des options de configuration supplémentaires.
  • Chaque source génère des événements qui reflètent toutes les modifications du langage de manipulation de données (LMD).
  • Chaque flux peut remplir des données de l'historique et diffuser des modifications continues vers la destination.

Destinations

Datastream est compatible avec BigQuery, les tables BigLake Iceberg et Cloud Storage en tant que destinations. Lorsque le flux est créé, sa configuration de destination est définie.

Diffusion d'événements

  • L'ordre des événements n'est pas garanti. Les métadonnées d'événement incluent des informations qui peuvent être utilisées pour ordonner les événements.
  • La diffusion d'événements se produit au moins une fois. Les métadonnées d'événement incluent des données qui peuvent être utilisées pour supprimer les données en double dans la destination.
  • La taille d'un événement est limitée à 20 Mo par événement pour les destinations BigQuery et à 100 Mo par événement pour les destinations Cloud Storage.

Pour en savoir plus sur les événements, consultez Événements et flux.

Haute disponibilité et reprise après sinistre

Cette section contient des informations sur la façon dont Datastream gère les scénarios associés à la haute disponibilité et à la reprise après sinistre.

  • Haute disponibilité : Datastream est un service régional qui s'exécute sur plusieurs zones dans chaque région. Une défaillance affectant une seule zone dans une région n'affecte pas la disponibilité ni la qualité du service dans les autres zones.

  • Reprise après sinistre : en cas de défaillance dans une région, tous les flux exécutés dans cette région seront interrompus pendant la durée de la panne. Une fois la panne résolue, Datastream reprendra exactement là où il s'était arrêté, et toutes les données qui n'ont pas été écrites dans la destination seront récupérées à nouveau à partir de la source. Dans ce cas, des doublons de données peuvent résider dans la destination. Pour en savoir plus sur la suppression des données en double, consultez Diffusion d'événements.

Données initiales et données CDC

Comme les sources de données contiennent des données qui existaient avant l'heure de connexion de la source à un flux (données de l'historique), Datastream génère des événements à partir des données d'historique et des modifications de données effectuées en temps réel.

Pour garantir un accès rapide aux données, les données de l'historique et les modifications de données en temps réel sont répliquées simultanément dans la destination. Les métadonnées d'événement indiquent si l'événement provient du remplissage ou de la CDC.

Étape suivante