Cloudübergreifender Datenzugriff

Mit der Funktion für den cloudübergreifenden Datenzugriff können Sie Daten, die bei anderen Cloud-Anbietern gespeichert sind, direkt aus Google Cloud abfragen, ohne Dateien migrieren oder komplexe ETL-Pipelines mit Cross-Cloud Interconnect erstellen zu müssen.

Mit dieser Funktion können Sie im Rahmen von borderless Lakehouse einheitliche Analysen durchführen und KI auf Ihre verteilten Datasets anwenden. Dazu können Sie BigQuery, eigenständige Apache Spark-Umgebungen oder Managed Service for Apache Spark verwenden.

Neben analytischen Abfragen können Sie Ihre föderierten Daten auch für KI-gestützte Analysen und Governance verwenden:

  • Konversationelle Analyse: Erstellen Sie spezialisierte KI-Agenten, die auf Ihren genauen Datenquellen basieren, einschließlich cloudübergreifender Tabellen, um Daten aus verschiedenen Clouds in einer einzigen Konversation zu analysieren.
  • Knowledge Catalog: Verwenden Sie die Funktionen von Knowledge Catalog für Datenprofiling und Analysen mit föderierten Datenquellen.

Anwendungsfälle

Lakehouse unterstützt mehrere wichtige Anwendungsfälle für den Zugriff auf Daten bei mehreren Cloud-Anbietern:

  • Durch weniger Datenübertragung können Sie Daten, die in anderen Cloud-Umgebungen gespeichert sind, direkt abfragen. So wird der Datenzugriff und die Datenverarbeitung vereinfacht.
  • Mit einheitlichen Analysen können Sie erweiterte Analysen mit konsistenten Funktionen und Hardwareoptimierung für alle Ihre Daten durchführen, unabhängig davon, wo sie sich befinden.
  • Mit grenzenloser KI und ML können Sie KI-Modelle, autonome KI-Agenten und maschinelles Lernen direkt auf Ihre Remote-Daten anwenden, ohne sie zu migrieren.

So funktioniert der Zugriff auf cloudübergreifende Daten

Lakehouse fragt Remote-Daten mit dem folgenden Prozess ab:

  1. Metadatenerkennung: Google Cloud's Lakehouse stellt eine Verbindung zu Remote-Apache Iceberg REST-Katalogen wie Databricks Unity oder AWS Glue her. Lakehouse erkennt die Daten, ohne Dateien zu kopieren. Je nach Anbieter des Remote-Katalogs authentifiziert sich Lakehouse sicher über Secret Manager oder die OpenID Connect-Tokenföderation mit Google als Identitätsanbieter (OIDC-Tokenföderation).
  2. Sichere Übertragung:Wenn Sie den Traffic über eine private Interconnect-Verbindung (z. B. Dedicated CCI oder Partner Interconnect) weiterleiten, werden die Kosten für die Datenübertragung im Vergleich zum öffentlichen Internet erheblich gesenkt und die Latenz ist sehr vorhersehbar.
  3. Optimierte Ausführung: Wenn Abfragen Daten aus Remote-Clouds lesen, speichert Lakehouse diese Datensegmente vorübergehend lokal in Google Cloud einem speziellen Speicher. Nachfolgende Abfragen verwenden den lokalen Cache, wodurch ein erheblicher Teil der Kosten für ausgehenden Traffic zwischen Clouds vermieden wird.

Unterstützte Kataloge

Lakehouse unterstützt das Abfragen von Daten von den folgenden Remote-Kataloganbietern:

  • Databricks Unity Catalog:Wird in Amazon Web Services (AWS) und Google Cloudunterstützt.
  • AWS Glue:Wird in Amazon Web Services (AWS) unterstützt.
  • Snowflake Horizon Catalog:Wird in Amazon Web Services (AWS) und unterstützt Google Cloud.
  • SAP Business Data Cloud (BDC) : Wird mit dem SAP BDC-Connector unterstützt.

Wichtige Konzepte

In diesem Abschnitt werden die wichtigsten Komponenten beschrieben, die für die Verwendung der Funktion für den cloudübergreifenden Datenzugriff erforderlich sind.

Metadatenebene

Die Metadatenebene stellt eine Verbindung zu Remote-Apache Iceberg REST-Katalogendpunkten her, um die Metadaten von Iceberg-Ressourcen (Namespace, Tabelle) basierend auf einem Aktualisierungsintervall zu synchronisieren. Lakehouse authentifiziert sich sicher mit OAuth-Anmeldedaten, die in Secret Manager gespeichert sind, oder mit der OIDC-Tokenföderation.

Transportschicht

Die Transportschicht ermöglicht es BigQuery und Open-Source-Engines, die Daten mit den synchronisierten Metadaten aus der Metadatenebene abzufragen. Für bestimmte Arten von Remote-Katalogen unterstützt Lakehouse das Abfragen von Daten über das öffentliche Internet oder eine dedizierte private Interconnect-Verbindung.

Wählen Sie die Transportmethode aus, die Ihren Architektur- und Sicherheitsanforderungen entspricht:

Kundeneigene Interconnect-Verbindung (CCI)

Sie können BigQuery so konfigurieren, dass Daten, die in Amazon S3-Buckets von Amazon Web Services (AWS) gespeichert sind, über eine private Cross-Cloud Interconnect-Verbindung abgefragt werden. Dazu können Sie entweder Dedicated Cross-Cloud Interconnect oder Partner Cross-Cloud Interconnect verwenden.

Die Verwendung einer privaten Interconnect-Verbindung bietet folgende Vorteile:

  • Erweiterte Sicherheitsfunktionen: Daten werden über eine private Netzwerkverbindung zwischen Google Cloud und AWS übertragen, ohne das öffentliche Internet zu nutzen.
  • Geringere Kosten:Möglicherweise niedrigere Kosten für ausgehenden Traffic von AWS im Vergleich zu ausgehendem Internet-Traffic, insbesondere in Kombination mit Ihrer privaten Interconnect-Kapazität.
  • Konstante Leistung:Vorhersehbarere Netzwerklatenz und Bandbreite im Vergleich zum öffentlichen Internet.

Architektur

Um private Abfragen zu ermöglichen, konfigurieren Sie einen Pfad von BigQuery zu Ihrem AWS Amazon S3-Bucket über Ihre private Interconnect-Verbindung. Eine Schlüsselkomponente in der Google Cloud Virtual Private Cloud (VPC) ist ein interner Load-Balancer (Internal Load Balancer, ILB). Der ILB verteilt Anfragen von BigQuery an die privaten Endpunkte für Amazon S3 in Ihrer AWS VPC, die mit AWS PrivateLink bereitgestellt werden.

Die Verwendung eines ILB mit mehreren Elastic Network Interfaces (ENIs) als Back-Ends ist für den Lastenausgleich, die Skalierbarkeit und die Hochverfügbarkeit unerlässlich. Dies gilt unabhängig davon, ob Sie Dedicated CCI oder Partner Interconnect verwenden.

Der Workflow für private Abfragen folgt diesem Prozess:

  1. BigQuery verwendet eine Verbindung, die mit einem Service Directory-Dienst konfiguriert ist.
  2. Service Directory löst den Dienstnamen in die interne IP-Adresse des ILB Google Cloud auf.
  3. Der ILB empfängt die Anfragen von BigQuery und verteilt sie an die konfigurierten Back-Ends.
  4. Die ILB-Back-Ends sind Netzwerk-Endpunktgruppen (Network Endpoint Groups, NEGs) mit Hybridkonnektivität, die jeweils auf die private IP-Adresse eines ENI in Ihrer AWS VPC verweisen.
  5. Der Traffic fließt vom ILB über die NEGs, über die private Interconnect-Verbindung zu den AWS-ENIs.
  6. Die AWS-ENIs, die Teil eines Amazon S3 VPC-Schnittstellenendpunkts (AWS PrivateLink) sind, ermöglichen den privaten Zugriff auf den Amazon S3-Dienst.

Öffentliches Internet (keine CCI)

Wenn Sie keine private Interconnect-Verbindung konfigurieren, werden Abfragen an Ihren Remote-Katalog standardmäßig über das öffentliche Internet weitergeleitet.

Beachten Sie beim Abfragen von Daten über das öffentliche Internet die folgenden Auswirkungen:

  • Standardverschlüsselung:Datenzugriffsanfragen und Datenübertragungen werden während der Übertragung über das öffentliche Internet mit Standard-TLS-Protokollen verschlüsselt.
  • Kosten für ausgehenden Traffic:Für die Datenübertragung fallen standardmäßige Kosten für ausgehenden Internet-Traffic von Ihrem Remote-Cloud-Anbieter (z. B. AWS) an, die in der Regel höher sind als die Kosten für ausgehenden Traffic über eine private Interconnect-Verbindung.
  • Variable Latenz:Die Netzwerkleistung, Bandbreite und Latenz hängen von der Weiterleitung und Überlastung des öffentlichen Internets ab. Daher sind die Ausführungszeiten von Abfragen im Vergleich zu einer dedizierten privaten Interconnect-Verbindung weniger vorhersehbar.
  • Vereinfachte Einrichtung: Erfordert keine zusätzliche Netzwerkinfrastruktur, kein VPC-Peering und keine Service Directory-Konfiguration in Google Cloud oder bei Ihrem Remote-Cloud-Anbieter.

Architektur

Beim Abfragen von Daten über das öffentliche Internet stellt Lakehouse direkt eine Verbindung zu Ihren Remote-Katalog- und Objektspeicherendpunkten her, ohne dass private Google Cloud oder Remote-Cloud-Netzwerkinfrastruktur erforderlich ist.

Der Workflow für Abfragen über das öffentliche Internet folgt diesem Prozess:

  1. BigQuery initiiert eine Abfrage für eine föderierte Tabelle, die in Ihrem Lakehouse-Katalog definiert ist.
  2. Lakehouse authentifiziert sich sicher bei Ihrem Remote-Apache Iceberg-Katalog mit Anmeldedaten, die in Secret Manager gespeichert sind, oder mit der OIDC-Tokenföderation.
  3. Lakehouse ruft die Tabellenmetadaten und Manifestdateien über das öffentliche Internet ab, um die relevanten zugrunde liegenden Datendateien zu identifizieren (z. B. in AWS Amazon S3).
  4. Datenzugriffsanfragen für die zugrunde liegenden Objekte werden direkt von Google Cloud über das öffentliche Internet mit Standard-TLS-Verschlüsselung gesendet.
  5. Der Remote-Speicherdienst überprüft die Anfrage mit temporären, eingeschränkten Anmeldedaten, die von Lakehouse bereitgestellt werden, und gibt die angeforderten Datenblöcke über das öffentliche Internet an zurück Google Cloud.

Intelligentes Caching

Wenn Sie Remote-Cloud-Daten abfragen, speichert Lakehouse automatisch abgerufene Datenblöcke lokal in Google Cloud. Das Caching ist für alle cloudübergreifenden Abfragen automatisch aktiviert, um die Kosten für ausgehenden Traffic von Remote-Cloud-Anbietern zu minimieren. Nachfolgende Abfragen, die auf im Cache gespeicherte Daten abzielen, lesen direkt aus dem lokalen Google Cloud Speicher, anstatt die Daten cloudübergreifend noch einmal abzurufen.

Kosteneinsparungen für ausgehenden Traffic

Bei der ersten Abfrageausführung ruft Lakehouse die erforderlichen Datenblöcke vom Remote-Cloud-Anbieter ab und füllt den lokalen Cache. Nachfolgende Abfragen, die auf dieselben Datenblöcke abzielen, lesen direkt aus dem lokalen Google Cloud Cache, anstatt die Daten cloudübergreifend noch einmal abzurufen.

Bei Arbeitslasten mit wiederholten Abfragemustern für dasselbe Dataset werden durch das Caching die Kosten für ausgehenden Traffic zwischen Clouds gesenkt, da Datenanfragen aus dem lokalen Speicher bedient werden. Die tatsächlichen Kosteneinsparungen für ausgehenden Traffic hängen von Faktoren wie Abfragemustern, Datenänderungsraten und der Cache-Aufbewahrung in der Ziel Google Cloud region ab.

Cache-Nutzung und Kosteneinsparungen für ausgehenden Traffic in den Jobstatistiken überprüfen

Wenn Sie die Cache-Trefferrate und die Kosteneinsparungen für ausgehenden Traffic für eine Abfrage überprüfen möchten, sehen Sie sich die Abfragestatistiken in der BigQuery Console oder API (JobStatistics2) an. Da eine Abfrage Daten von mehreren Anbietern referenzieren kann, enthalten die Jobstatistiken ein wiederholtes Feld object_storage_stats (objectStorageStats) mit einem Eintrag für jeden Cloud-Anbieter, auf den während der Ausführung zugegriffen wurde.

Jeder object_storage_stats-Eintrag enthält die folgenden Messwerte:

  • cloud_provider (cloudProvider): Der Cloud-Anbieter, der den Objektspeicher hostet (z. B. AWS oder AZURE).
  • cache_bytes_read (cacheBytesRead): Die Gesamtzahl der Byte, die aus dem lokalen Google Cloud Cache gelesen wurden, wodurch ein Lesevorgang aus dem Remote-Objektspeicher vermieden wurde.
  • object_storage_bytes_read (objectStorageBytesRead): Die Gesamtzahl der Byte, die direkt aus dem Objektspeicher des Remote-Cloud-Anbieters gelesen wurden.

Überlegungen zum Datenstandort und zur Gerichtsbarkeit

Wenn Sie einen föderierten Katalog oder eine Verbindung in einer Google Cloud Region erstellen, werden im Cache gespeicherte Daten im Ruhezustand lokal in dieser Zielregion gespeichert.

Wenn sich Ihre Remote-Cloud-Daten in einer anderen geografischen Region oder Gerichtsbarkeit befinden (z. B. AWS Amazon S3 in der Europäischen Union in Kombination mit BigQuery-Computing in us-east4), werden beim cloudübergreifenden Abfragen im Cache gespeicherte Kopien von Remote-Daten in der Ziel Google Cloud region gespeichert. Der Nutzer oder Administrator, der die Verbindung oder den Katalog erstellt, muss dafür sorgen, dass das Caching über Gerichtsbarkeiten hinweg den Anforderungen seiner Organisation an Datenstandort, Datenhoheit und Compliance entspricht.

Verschlüsselung und CMEK-Unterstützung

Kundenverwaltete Verschlüsselungsschlüssel (CMEK) werden für das Lakehouse-Caching nicht unterstützt. Alle im Cache gespeicherten Datenblöcke werden im Ruhezustand mit der Standardverschlüsselung von Google-owned and Google-managed encryption keysverschlüsselt.

Wenn Ihre Organisation die Organisationsrichtlinienbeschränkung Restrict Non-CMEK Services (constraints/gcp.restrictNonCmekServices) erzwingt, deaktiviert Lakehouse automatisch das Caching für Abfragen, die auf eingeschränkte Tabellen zugreifen. Die Abfragen werden weiterhin erfolgreich ausgeführt, aber es werden keine Datenblöcke im Cache gespeichert und es gibt keine Kosteneinsparungen für ausgehenden Traffic im Zusammenhang mit dem Cache.

Nächste Schritte