À propos de l'accès aux données multicloud

La fonctionnalité d'accès aux données multicloud vous permet d'interroger des données stockées chez d'autres fournisseurs de cloud directement depuis Google Cloud sans avoir à migrer des fichiers ni à créer des pipelines ETL complexes avec interconnexion cross-cloud.

Dans le cadre de Lakehouse sans frontières, cette fonctionnalité vous permet d'effectuer des analyses unifiées et d'appliquer l'IA à vos ensembles de données distribués à l'aide de BigQuery, d'environnements Apache Spark autonomes ou Managed Service pour Apache Spark.

En plus des requêtes analytiques, vous pouvez utiliser vos données fédérées pour obtenir des insights et une gouvernance basés sur l'IA :

  • Conversational Analytics : créez des agents spécialisés basés sur vos sources de données exactes, y compris les tables multicloud, pour analyser les données dans plusieurs clouds à partir d'une seule conversation.
  • Knowledge Catalog : utilisez les fonctionnalités de Knowledge Catalog pour le profilage et les insights des données avec des sources de données fédérées.

Cas d'utilisation

Lakehouse est compatible avec plusieurs cas d'utilisation clés pour accéder aux données de plusieurs fournisseurs de cloud :

  • La réduction des déplacements de données vous permet d'interroger directement les données stockées dans d'autres environnements cloud, ce qui simplifie l'accès aux données et leur traitement.
  • L'analyse unifiée vous permet d'effectuer des analyses avancées avec des fonctionnalités cohérentes et une optimisation matérielle sur l'ensemble de vos données, quel que soit leur emplacement.
  • L'IA et le ML sans frontières vous permettent d'appliquer des modèles d'IA, des agents autonomes et le machine learning directement à vos données distantes sans les migrer.

Fonctionnement de l'accès aux données multicloud

Lakehouse interroge les données distantes à l'aide du processus suivant :

  1. Découverte des métadonnées Google Cloud: le Lakehouse de se connecte à des catalogues REST Apache Iceberg distants, tels que Databricks Unity ou AWS Glue. Lakehouse découvre les données sans copier de fichiers. Selon le fournisseur de catalogue distant, Lakehouse s'authentifie de manière sécurisée via Secret Manager ou la fédération de jetons OpenID Connect avec Google comme fournisseur d'identité (fédération de jetons OIDC).
  2. Transport sécurisé : le choix d'acheminer le trafic via une interconnexion privée (par exemple, une interconnexion CCI dédiée ou interconnexion partenaire) réduit considérablement les coûts de transfert de données par rapport à l'Internet public et rend la latence très prévisible.
  3. Exécution optimisée : lorsque les requêtes lisent des données provenant de clouds distants, Lakehouse met temporairement en cache ces segments de données localement dans Google Cloud sur un stockage spécialisé. Les requêtes suivantes utilisent le cache local, ce qui évite une partie importante des frais de sortie multicloud.

Catalogues compatibles

Lakehouse permet d'interroger les données des fournisseurs de catalogues distants suivants :

  • Databricks Unity Catalog : compatible avec Amazon Web Services (AWS) et Google Cloud.
  • AWS Glue : compatible avec Amazon Web Services (AWS).
  • Snowflake Horizon Catalog : compatible avec Amazon Web Services (AWS) et Google Cloud.
  • SAP Business Data Cloud (BDC) : compatible avec le connecteur SAP BDC.

Concepts fondamentaux

Cette section décrit les composants clés essentiels à l'utilisation de la fonctionnalité d'accès aux données multicloud.

Couche de métadonnées

La couche de métadonnées se connecte aux points de terminaison du catalogue REST Apache Iceberg distant pour synchroniser les métadonnées des ressources Iceberg (espace de noms, table) en fonction d'un intervalle d'actualisation. Lakehouse s'authentifie de manière sécurisée avec les identifiants OAuth stockés dans Secret Manager ou la fédération de jetons OIDC.

Couche transport

La couche transport permet à BigQuery et aux moteurs Open Source d'interroger les données à l'aide des métadonnées synchronisées de la couche de métadonnées. Pour certains types de catalogues distants, Lakehouse permet d'interroger les données sur l'Internet public ou via une interconnexion privée dédiée.

Sélectionnez la méthode de transport qui correspond à vos exigences architecturales et de sécurité :

Appartenant au client (CCI)

Vous pouvez configurer BigQuery pour interroger les données stockées dans les buckets Amazon S3 d'Amazon Web Services (AWS) via une interconnexion Cross-Cloud Interconnect privée à l'aide d'une interconnexion Cross-Cloud Interconnect dédiée ou d'une interconnexion Cross-Cloud Interconnect Partner Interconnect.

L'utilisation d'une interconnexion privée présente les avantages suivants :

  • Sécurité renforcée : les données transitent via une connexion réseau privée entre Google Cloud et AWS, ce qui évite l'Internet public.
  • Coûts réduits : frais de sortie potentiellement inférieurs à ceux d'AWS par rapport à la sortie Internet, en particulier lorsqu'ils sont combinés à la capacité de votre interconnexion privée.
  • Performances cohérentes : latence et bande passante du réseau plus prévisibles par rapport à l'Internet public.

Présentation de l'architecture

Pour activer les requêtes privées, configurez un chemin d'accès de BigQuery à votre bucket Amazon S3 AWS via votre interconnexion privée. Un composant clé du Google Cloud cloud privé virtuel (VPC) est un équilibreur de charge interne (ILB). L'ILB distribue les requêtes de BigQuery aux points de terminaison privés d'Amazon S3 dans votre VPC AWS, qui sont provisionnés à l'aide d'AWS PrivateLink.

L'utilisation d'un ILB avec plusieurs interfaces réseau Elastic (ENI) comme backends est essentielle pour l'équilibrage de charge, l'évolutivité et la haute disponibilité. Cela s'applique que vous utilisiez une interconnexion CCI dédiée ou interconnexion partenaire.

Le workflow de requête privée suit le processus suivant :

  1. BigQuery utilise une connexion configurée avec un service Annuaire des services.
  2. Annuaire des services résout le nom de service en adresse IP interne de l' Google Cloud ILB.
  3. L'ILB reçoit les requêtes de BigQuery et les distribue aux backends configurés.
  4. Les backends ILB sont des groupes de points de terminaison du réseau de connectivité hybride (NEG), chacun pointant vers l'adresse IP privée d'une ENI dans votre VPC AWS.
  5. Le trafic transite de l'ILB, via les NEG, via l'interconnexion privée, vers les ENI AWS.
  6. Les ENI AWS, qui font partie d'un point de terminaison d'interface VPC Amazon S3 (AWS PrivateLink), fournissent un accès privé au service Amazon S3.

Internet public (sans CCI)

Si vous ne configurez pas d'interconnexion privée, les requêtes adressées à votre catalogue distant transitent par défaut sur l'Internet public.

Lorsque vous interrogez des données sur l'Internet public, tenez compte des implications suivantes :

  • Chiffrement standard : les requêtes d'accès aux données et les transferts de données sont chiffrés en transit à l'aide de protocoles TLS standards sur l'Internet public.
  • Coûts de sortie : le transfert de données entraîne des frais de sortie Internet standards de votre fournisseur de cloud distant (par exemple, AWS), qui sont généralement plus élevés que les tarifs de sortie d'interconnexion privée.
  • Latence variable : les performances, la bande passante et la latence du réseau dépendent du routage et de la congestion de l'Internet public, ce qui entraîne des temps d'exécution des requêtes moins prévisibles que ceux d'une interconnexion privée dédiée.
  • Configuration simplifiée : ne nécessite aucune infrastructure réseau supplémentaire, aucun appairage de VPC ni aucune configuration de l'Annuaire des services dans Google Cloud ou chez votre fournisseur de cloud distant.

Présentation de l'architecture

Lorsque vous interrogez des données sur l'Internet public, Lakehouse se connecte directement à votre catalogue distant et à vos points de terminaison de stockage d'objets sans nécessiter privée Google Cloud ou d'infrastructure réseau de cloud distant.

Le workflow de requête Internet public suit le processus suivant :

  1. BigQuery lance une requête sur une table fédérée définie dans votre catalogue Lakehouse.
  2. Lakehouse s'authentifie de manière sécurisée auprès de votre catalogue Apache Iceberg distant à l'aide d'identifiants stockés dans Secret Manager ou de la fédération de jetons OIDC.
  3. Lakehouse récupère les métadonnées de la table et les fichiers manifestes sur l'Internet public pour identifier les fichiers de données sous-jacents pertinents (par exemple, dans AWS Amazon S3).
  4. Les requêtes d'accès aux données pour les objets sous-jacents sont envoyées directement depuis Google Cloud sur l'Internet public à l'aide du chiffrement TLS standard.
  5. Le service de stockage distant vérifie la requête à l'aide d'identifiants temporaires et limités fournis par Lakehouse, puis renvoie les blocs de données demandés sur l'Internet public à Google Cloud.

Mise en cache intelligente

Lorsque vous interrogez des données cloud distantes, Lakehouse met automatiquement en cache les blocs de données récupérés localement dans Google Cloud. La mise en cache est activée automatiquement pour toutes les requêtes multicloud afin de réduire les frais de sortie des fournisseurs de cloud distants. Les requêtes suivantes ciblant les données mises en cache sont lues directement à partir du stockage local Google Cloud au lieu de récupérer à nouveau les données dans les clouds.

Économies sur les coûts de sortie

Lors de l'exécution initiale de la requête, Lakehouse récupère les blocs de données requis auprès du fournisseur de cloud distant et remplit le cache local. Les requêtes suivantes ciblant les mêmes blocs de données sont lues directement à partir du cache local Google Cloud au lieu de récupérer à nouveau les données dans les clouds.

Pour les charges de travail avec des modèles de requêtes répétés sur le même ensemble de données, la mise en cache réduit les frais de sortie multicloud en traitant les requêtes de données à partir du stockage local. Les économies réelles sur les coûts de sortie dépendent de facteurs tels que les modèles d'accès aux requêtes, les taux de modification des données et la conservation du cache dans la région Google Cloud cible.

Vérifier l'utilisation du cache et les économies sur les coûts de sortie dans les statistiques de job

Pour vérifier les succès de cache et les économies sur les coûts de sortie d'une requête, inspectez les statistiques de la requête dans la console ou l'API BigQuery (JobStatistics2). Étant donné qu'une requête peut référencer des données provenant de plusieurs fournisseurs de services cloud, les statistiques de job fournissent un champ object_storage_stats (objectStorageStats) répété avec une entrée pour chaque fournisseur de services cloud auquel vous avez accédé lors de l'exécution.

Chaque entrée object_storage_stats indique les métriques suivantes :

  • cloud_provider (cloudProvider) : fournisseur de services cloud hébergeant le stockage d'objets (par exemple, AWS ou AZURE).
  • cache_bytes_read (cacheBytesRead) : nombre total d'octets lus à partir du cache local Google Cloud , ce qui évite une lecture du stockage d'objets distant.
  • object_storage_bytes_read (objectStorageBytesRead) : nombre total d'octets lus directement à partir du stockage d'objets du fournisseur de cloud distant.

Considérations sur la résidence et la juridiction des données

La création d'un catalogue ou d'une connexion fédérée dans une Google Cloud région stocke les données mises en cache au repos localement dans cette région cible.

Si vos données cloud distantes résident dans une autre région géographique ou juridiction (par exemple, AWS Amazon S3 dans l'Union européenne associé au calcul BigQuery dans us-east4), les requêtes multicloud stockent les copies mises en cache au repos des données distantes dans la Google Cloud région cible. L'utilisateur ou l'administrateur qui crée la connexion ou le catalogue doit s'assurer que la mise en cache interjuridictionnelle est conforme aux exigences de résidence, de souveraineté et de conformité des données de son organisation.

Chiffrement et compatibilité avec les CMEK

Les clés de chiffrement gérées par le client (CMEK) ne sont pas compatibles avec la mise en cache Lakehouse. Tous les blocs de données mis en cache sont chiffrés au repos à l'aide de par défaut Google-owned and Google-managed encryption keys.

Si votre organisation applique la contrainte de règle d'administration Restreindre les services non CMEK (constraints/gcp.restrictNonCmekServices), Lakehouse désactive automatiquement la mise en cache pour les requêtes qui accèdent aux tables restreintes. Les requêtes s'exécutent toujours correctement, mais elles ne mettent pas en cache les blocs de données ni ne bénéficient des économies de sortie liées au cache.

Étape suivante