Informazioni sull'accesso ai dati cross-cloud

La funzionalità di accesso ai dati cross-cloud ti consente di eseguire query sui dati archiviati in altri provider di servizi cloud direttamente da Google Cloud senza eseguire la migrazione dei file o creare pipeline ETL complesse con Cross-Cloud Interconnect.

Nell'ambito di Lakehouse senza confini, questa funzionalità ti consente di eseguire analisi unificate e applicare l'AI ai set di dati distribuiti utilizzando BigQuery, ambienti Apache Spark autonomi o Managed Service for Apache Spark.

Oltre alle query analitiche, puoi utilizzare i dati federati per insight e governance basati sull'AI:

  • Analisi conversazionale: crea agenti specializzati basati sulle tue origini dati esatte, incluse le tabelle cross-cloud, per analizzare i dati su più cloud da una singola conversazione.
  • Knowledge Catalog: utilizza le funzionalità di Knowledge Catalog per la profilazione dei dati e gli insight con le origini dati federate.

Casi d'uso

Lakehouse supporta diversi casi d'uso chiave per l'accesso ai dati su più provider di servizi cloud:

  • La riduzione dello spostamento dei dati ti consente di eseguire query sui dati archiviati in altri ambienti cloud direttamente, semplificando l'accesso ai dati e l'elaborazione.
  • L'analisi unificata ti consente di eseguire analisi avanzate con funzionalità coerenti e ottimizzazione hardware su tutti i tuoi dati, indipendentemente da dove si trovano.
  • L'AI e il machine learning senza confini ti consentono di applicare modelli di AI, agenti autonomi e machine learning direttamente ai dati remoti senza eseguirne la migrazione.

Come funziona l'accesso ai dati cross-cloud

Lakehouse esegue query sui dati remoti utilizzando la seguente procedura:

  1. Rilevamento dei metadati: Google Cloud's Lakehouse si connette ai cataloghi REST Apache Iceberg remoti, come Databricks Unity o AWS Glue. Lakehouse rileva i dati senza copiare alcun file. A seconda del provider del catalogo remoto, Lakehouse esegue l'autenticazione in modo sicuro tramite Secret Manager o la federazione di token OpenID Connect con Google come provider di identità (federazione di token OIDC).
  2. Trasporto sicuro: la scelta di instradare il traffico su un'interconnessione privata (ad esempio, CCI dedicata o Partner Interconnect) riduce significativamente i costi di trasferimento dei dati rispetto alla rete internet pubblica e rende la latenza altamente prevedibile.
  3. Esecuzione ottimizzata: quando le query leggono i dati dai cloud remoti, Lakehouse memorizza temporaneamente nella cache questi segmenti di dati localmente in Google Cloud uno spazio di archiviazione specializzato. Le query successive utilizzano la cache locale, il che evita una parte significativa dei costi di uscita cross-cloud.

Cataloghi supportati

Lakehouse supporta l'esecuzione di query sui dati dei seguenti provider di cataloghi remoti:

  • Databricks Unity Catalog: supportato su Amazon Web Services (AWS) e Google Cloud.
  • AWS Glue: supportato su Amazon Web Services (AWS).
  • Catalogo Snowflake Horizon: supportato su Amazon Web Services (AWS) e Google Cloud.
  • SAP Business Data Cloud (BDC): supportato tramite il connettore SAP BDC.

Concetti principali

Questa sezione descrive i componenti chiave essenziali per l'utilizzo della funzionalità di accesso ai dati cross-cloud.

Livello dei metadati

Il livello dei metadati si connette agli endpoint del catalogo REST Apache Iceberg remoto per sincronizzare i metadati delle risorse Iceberg (spazio dei nomi, tabella) in base a un intervallo di aggiornamento. Lakehouse esegue l'autenticazione in modo sicuro con le credenziali OAuth archiviate in Secret Manager o nella federazione di token OIDC.

Livello di trasporto

Il livello di trasporto consente a BigQuery e ai motori open source di eseguire query sui dati utilizzando i metadati sincronizzati dal livello dei metadati. Per alcuni tipi di cataloghi remoti, Lakehouse supporta l'esecuzione di query sui dati tramite la rete internet pubblica o un'interconnessione privata dedicata.

Seleziona il metodo di trasporto che soddisfa i requisiti di architettura e sicurezza:

Di proprietà del cliente (CCI)

Puoi configurare BigQuery per eseguire query sui dati archiviati nei bucket Amazon S3 di Amazon Web Services (AWS) tramite un'interconnessione cross-cloud privata utilizzando Dedicated Cross-Cloud Interconnect o Partner Cross-Cloud Interconnect.

L'utilizzo di un'interconnessione privata offre i seguenti vantaggi:

  • Maggiore sicurezza: i dati vengono trasferiti tramite una connessione di rete privata tra Google Cloud e AWS, evitando la rete internet pubblica.
  • Costi ridotti: costi in uscita potenzialmente inferiori da AWS rispetto all'uscita internet, soprattutto se combinati con la capacità di interconnessione privata.
  • Prestazioni coerenti: latenza e larghezza di banda della rete più prevedibili rispetto alla rete internet pubblica.

Panoramica dell'architettura

Per abilitare le query private, configura un percorso da BigQuery al bucket Amazon S3 di AWS tramite l'interconnessione privata. Un componente chiave del Google Cloud Virtual Private Cloud (VPC) (VPC) è un bilanciatore del carico interno (ILB). L'ILB distribuisce le richieste da BigQuery agli endpoint privati di Amazon S3 all'interno del VPC AWS, che vengono sottoposti a provisioning utilizzando AWS PrivateLink.

L'utilizzo di un ILB con più interfacce di rete elastiche (ENI) come backend è essenziale per il bilanciamento del carico, la scalabilità e l'alta affidabilità. Questo vale sia che tu utilizzi CCI dedicata sia Partner Interconnect.

Il flusso di lavoro delle query private segue questa procedura:

  1. BigQuery utilizza una connessione configurata con un servizio Service Directory.
  2. Service Directory risolve il nome del servizio nell'indirizzo IP interno di the Google Cloud ILB.
  3. L'ILB riceve le richieste da BigQuery e le distribuisce ai backend configurati.
  4. I backend ILB sono gruppi di endpoint di rete (NEG) di connettività ibrida, ognuno dei quali punta all'indirizzo IP privato di un'ENI nel VPC AWS.
  5. Il traffico scorre dall'ILB, attraverso i NEG, attraverso l'interconnessione privata, fino alle ENI AWS.
  6. Le ENI AWS, che fanno parte di un endpoint di interfaccia VPC Amazon S3 (AWS PrivateLink), forniscono l'accesso privato al servizio Amazon S3.

Rete internet pubblica (senza CCI)

Se non configuri un'interconnessione privata, le query al catalogo remoto vengono trasferite tramite la rete internet pubblica per impostazione predefinita.

Quando esegui query sui dati tramite la rete internet pubblica, tieni presente le seguenti implicazioni:

  • Crittografia standard: le richieste di accesso ai dati e i trasferimenti di dati vengono criptati in transito utilizzando i protocolli TLS standard sulla rete internet pubblica.
  • Costi di uscita: il trasferimento di dati comporta costi di uscita internet standard dal provider di servizi cloud remoto (ad esempio, AWS), che in genere sono superiori alle tariffe di uscita dell'interconnessione privata.
  • Latenza variabile: le prestazioni della rete, la larghezza di banda e la latenza dipendono dal routing e dalla congestione della rete internet pubblica, con conseguenti tempi di esecuzione delle query meno prevedibili rispetto a un'interconnessione privata dedicata.
  • Configurazione semplificata: non richiede infrastruttura di rete aggiuntiva, peering VPC o configurazione di Service Directory in Google Cloud o nel provider di servizi cloud remoto.

Panoramica dell'architettura

Quando esegui query sui dati tramite la rete internet pubblica, Lakehouse si connette direttamente al catalogo remoto e agli endpoint di archiviazione degli oggetti senza richiedere un'infrastruttura di rete cloud privata Google Cloud o remota.

Il flusso di lavoro delle query sulla rete internet pubblica segue questa procedura:

  1. BigQuery avvia una query su una tabella federata definita nel catalogo Lakehouse.
  2. Lakehouse esegue l'autenticazione in modo sicuro con il catalogo Apache Iceberg remoto utilizzando le credenziali archiviate in Secret Manager o nella federazione di token OIDC.
  3. Lakehouse recupera i metadati della tabella e i file manifest tramite la rete internet pubblica per identificare i file di dati sottostanti pertinenti (ad esempio, in AWS Amazon S3).
  4. Le richieste di accesso ai dati per gli oggetti sottostanti vengono inviate direttamente da Google Cloud tramite la rete internet pubblica utilizzando la crittografia TLS standard.
  5. Il servizio di archiviazione remota verifica la richiesta utilizzando le credenziali temporanee con ambito limitato fornite da Lakehouse e restituisce i blocchi di dati richiesti tramite la rete internet pubblica a Google Cloud.

Memorizzazione nella cache intelligente

Quando esegui query sui dati del cloud remoto, Lakehouse memorizza automaticamente nella cache i blocchi di dati recuperati localmente in Google Cloud. La memorizzazione nella cache è abilitata automaticamente per tutte le query cross-cloud per ridurre al minimo le tariffe di uscita dai provider di servizi cloud remoti. Le query successive che hanno come target i dati memorizzati nella cache vengono lette direttamente dall'archiviazione locale Google Cloud anziché recuperare i dati su più cloud.

Risparmi sui costi del traffico in uscita

Durante l'esecuzione della query iniziale, Lakehouse recupera i blocchi di dati richiesti dal provider di servizi cloud remoto e popola la cache locale. Le query successive che hanno come target gli stessi blocchi di dati vengono lette direttamente dalla cache locale Google Cloud anziché recuperare i dati su più cloud.

Per i carichi di lavoro con pattern di query ripetuti sullo stesso set di dati, la memorizzazione nella cache riduce le tariffe di uscita cross-cloud pubblicando le richieste di dati dall'archiviazione locale. I risparmi effettivi sui costi in uscita dipendono da fattori quali i pattern di accesso alle query, le tariffe di modifica dei dati e la conservazione della cache nella regione di destinazione. Google Cloud

Verificare l'utilizzo della cache e i risparmi sui costi in uscita nelle statistiche dei job

Per verificare i successi della cache e i risparmi sui costi in uscita per una query, esamina le statistiche delle query nella console BigQuery o nell'API (JobStatistics2). Poiché una query può fare riferimento ai dati di più provider, le statistiche dei job forniscono un campo object_storage_stats (objectStorageStats) ripetuto con una voce per ogni provider cloud a cui è stato eseguito l'accesso durante l'esecuzione.

Ogni voce object_storage_stats riporta le seguenti metriche:

  • cloud_provider (cloudProvider): il provider di servizi cloud che ospita l'archiviazione degli oggetti (ad esempio, AWS o AZURE).
  • cache_bytes_read (cacheBytesRead): il numero totale di byte letti dalla cache Google Cloud locale, evitando una lettura dell'archiviazione degli oggetti remota.
  • object_storage_bytes_read (objectStorageBytesRead): il numero totale di byte letti direttamente dall'archiviazione degli oggetti del provider di servizi cloud remoto.

Considerazioni sulla residenza dei dati e sulla giurisdizione

La creazione di un catalogo o di una connessione federata in una Google Cloud regione memorizza i dati memorizzati nella cache at-rest localmente all'interno di quella regione di destinazione.

Se i dati del cloud remoto si trovano in una regione geografica o in una giurisdizione diversa (ad esempio, AWS Amazon S3 nell'Unione Europea abbinato al calcolo di BigQuery in us-east4), le query cross-cloud memorizzano le copie dei dati remoti memorizzati nella cache at-rest nella regione Google Cloud di destinazione. L'utente o l'amministratore che crea la connessione o il catalogo deve assicurarsi che la memorizzazione nella cache tra giurisdizioni sia conforme ai requisiti di residenza dei dati, sovranità e conformità dei dati della propria organizzazione.

Crittografia e supporto CMEK

Le chiavi di crittografia gestite dal cliente (CMEK) non sono supportate per la memorizzazione nella cache di Lakehouse. Tutti i blocchi di dati memorizzati nella cache vengono criptati at-rest utilizzando il valore predefinito Google-owned and Google-managed encryption keys.

Se la tua organizzazione applica il vincolo della policy dell'organizzazione Limitare i servizi non CMEK (constraints/gcp.restrictNonCmekServices), Lakehouse disabilita automaticamente la memorizzazione nella cache per le query che accedono alle tabelle con limitazioni. Le query vengono comunque eseguite correttamente, ma non memorizzano nella cache i blocchi di dati né usufruiscono dei risparmi sui costi di uscita correlati alla cache.

Passaggi successivi