Acerca del acceso a los datos en distintas nubes

La función de acceso a los datos entre nubes te permite consultar datos almacenados en otros proveedores de servicios en la nube directamente desde Google Cloud sin migrar archivos ni compilar canalizaciones de ETL complejas con Cross‑Cloud Interconnect.

Como parte de Lakehouse sin límites, esta capacidad te permite realizar análisis unificados y aplicar IA en tus conjuntos de datos distribuidos con BigQuery, entornos independientes de Apache Spark o Managed Service para Apache Spark.

Además de las consultas analíticas, puedes usar tus datos federados para obtener estadísticas y gobernanza basadas en IA:

  • Conversational Analytics: Compila agentes especializados basados en tus fuentes de datos exactas, incluidas las tablas entre nubes, para analizar datos en las nubes desde una sola conversación.
  • Knowledge Catalog: Usa las funciones de Knowledge Catalog para la creación de perfiles de datos y las estadísticas con fuentes de datos federadas.

Casos de uso

Lakehouse admite varios casos de uso clave para acceder a datos en varios proveedores de servicios en la nube:

  • El movimiento de datos reducido te permite consultar datos almacenados en otros entornos de nube directamente, lo que simplifica el acceso a los datos y el procesamiento.
  • El análisis unificado te permite realizar análisis avanzados con funciones coherentes y optimización de hardware en todos tus datos, sin importar dónde residan.
  • La IA y el AA sin límites te permiten aplicar modelos de IA, agentes autónomos y aprendizaje automático directamente a tus datos remotos sin migrarlos.

Cómo funciona el acceso a datos entre nubes

Lakehouse consulta datos remotos con el siguiente proceso:

  1. Descubrimiento de metadatos: Google Cloud_Lakehouse_ de se conecta a catálogos remotos de REST de Apache Iceberg, como Databricks Unity o AWS Glue. Lakehouse descubre los datos sin copiar ningún archivo. Según el proveedor del catálogo remoto, Lakehouse se autentica de forma segura a través de Secret Manager o la federación de tokens de OpenID Connect con Google como proveedor de identidad (federación de tokens de OIDC).
  2. Transporte seguro: Si eliges enrutar el tráfico a través de una interconexión privada (por ejemplo, CCI dedicada o interconexión de socio), se reducen significativamente los costos de transferencia de datos en comparación con la Internet pública y se hace que la latencia sea muy predecible.
  3. Ejecución optimizada: A medida que las consultas leen datos de nubes remotas, Lakehouse almacena en caché temporalmente esos segmentos de datos de forma local en Google Cloud un almacenamiento especializado. Las consultas posteriores usan la memoria caché local, lo que evita una parte importante de los cargos de salida entre nubes.

Catálogos compatibles

Lakehouse admite la consulta de datos de los siguientes proveedores de catálogos remotos:

  • Databricks Unity Catalog: Compatible con Amazon Web Services (AWS) y Google Cloud.
  • AWS Glue: Compatible con Amazon Web Services (AWS).
  • Snowflake Horizon Catalog: Compatible con Amazon Web Services (AWS) y Google Cloud.
  • SAP Business Data Cloud (BDC): Compatible con el conector de SAP BDC.

Conceptos básicos

En esta sección, se describen los componentes clave esenciales para usar la función de acceso a los datos entre nubes.

Capa de metadatos

La capa de metadatos se conecta a extremos remotos del catálogo de REST de Apache Iceberg para sincronizar los metadatos de recursos de Iceberg (espacio de nombres, tabla) según un intervalo de actualización. Lakehouse se autentica de forma segura con las credenciales de OAuth almacenadas en Secret Manager o la federación de tokens de OIDC.

Capa de transporte

La capa de transporte permite que BigQuery y los motores de código abierto consulten los datos con los metadatos sincronizados de la capa de metadatos. Para ciertos tipos de catálogos remotos, Lakehouse admite la consulta de datos a través de la Internet pública o una interconexión privada dedicada.

Selecciona el método de transporte que coincida con tus requisitos de arquitectura y seguridad:

Propiedad del cliente (CCI)

Puedes configurar BigQuery para consultar datos almacenados en buckets de Amazon S3 de Amazon Web Services (AWS) a través de una interconexión privada entre nubes con Cross-Cloud Interconnect dedicada o Cross-Cloud Interconnect de socio.

El uso de una interconexión privada proporciona los siguientes beneficios:

  • Seguridad mejorada: Los datos viajan a través de una conexión de red privada entre Google Cloud y AWS, lo que evita la Internet pública.
  • Reducción de costos: Posiblemente, cargos de salida más bajos de AWS en comparación con la salida de Internet, en especial cuando se combina con la capacidad de interconexión privada.
  • Rendimiento coherente: Latencia y ancho de banda de red más predecibles en comparación con la Internet pública.

Descripción general de la arquitectura

Para habilitar las consultas privadas, configura una ruta de BigQuery a tu bucket de Amazon S3 de AWS a través de tu interconexión privada. Un componente clave en la Google Cloud nube privada virtual (VPC) es un balanceador de cargas interno (ILB). El ILB distribuye las solicitudes de BigQuery a los extremos privados de Amazon S3 dentro de tu VPC de AWS, que se aprovisionan con AWS PrivateLink.

El uso de un ILB con varias interfaces de red elásticas (ENI) como backends es esencial para el balanceo de cargas, la escalabilidad y la alta disponibilidad. Esto se aplica si usas CCI dedicada o interconexión de socio.

El flujo de trabajo de consulta privada sigue este proceso:

  1. BigQuery usa una conexión configurada con un servicio de Directorio de servicios.
  2. Directorio de servicios resuelve el nombre del servicio en la dirección IP interna de the Google Cloud ILB.
  3. El ILB recibe las solicitudes de BigQuery y las distribuye a los backends configurados.
  4. Los backends de ILB son grupos de extremos de red de conectividad híbrida (NEG), cada uno de los cuales apunta a la dirección IP privada de una ENI en tu VPC de AWS.
  5. El tráfico fluye desde el ILB, a través de los NEG, a través de la interconexión privada, hasta las ENI de AWS.
  6. Las ENI de AWS, que forman parte de un extremo de interfaz de VPC de Amazon S3 (AWS PrivateLink), proporcionan acceso privado al servicio de Amazon S3.

Internet pública (sin CCI)

Si no configuras una interconexión privada, las consultas a tu catálogo remoto viajan a través de la Internet pública de forma predeterminada.

Cuando consultes datos a través de la Internet pública, ten en cuenta las siguientes implicaciones:

  • Encriptación estándar: Las solicitudes de acceso a los datos y las transferencias de datos se encriptan en tránsito con protocolos TLS estándar a través de la Internet pública.
  • Costos de salida: La transferencia de datos genera cargos de salida de Internet estándar de tu proveedor de servicios en la nube remoto (por ejemplo, AWS), que suelen ser más altos que las tarifas de salida de interconexión privada.
  • Latencia variable: El rendimiento de la red, el ancho de banda y la latencia dependen del enrutamiento y la congestión de la Internet pública, lo que genera tiempos de ejecución de consultas menos predecibles en comparación con una interconexión privada dedicada.
  • Configuración simplificada: No requiere infraestructura de redes adicional, intercambio de tráfico entre VPC ni configuración de Directorio de servicios en Google Cloud o tu proveedor de servicios en la nube remoto.

Descripción general de la arquitectura

Cuando consultas datos a través de la Internet pública, Lakehouse se conecta directamente a tu catálogo remoto y a los extremos de almacenamiento de objetos sin requerir privadas Google Cloud o infraestructura de redes de nube remota.

El flujo de trabajo de consulta de Internet pública sigue este proceso:

  1. BigQuery inicia una consulta en una tabla federada definida en tu catálogo de Lakehouse.
  2. Lakehouse se autentica de forma segura con tu catálogo remoto de Apache Iceberg con credenciales almacenadas en Secret Manager o la federación de tokens de OIDC.
  3. Lakehouse recupera los metadatos de la tabla y los archivos de manifiesto a través de la Internet pública para identificar los archivos de datos subyacentes pertinentes (por ejemplo, en Amazon S3 de AWS).
  4. Las solicitudes de acceso a los datos para los objetos subyacentes se envían directamente desde Google Cloud a través de la Internet pública con encriptación TLS estándar.
  5. El servicio de almacenamiento remoto verifica la solicitud con credenciales temporales y con alcance que vende Lakehouse y muestra los bloques de datos solicitados a través de la Internet pública a Google Cloud.

Almacenamiento en caché inteligente

Cuando consultas datos de la nube remota, Lakehouse almacena automáticamente en caché los bloques de datos recuperados de forma local en Google Cloud. El almacenamiento en caché se habilita automáticamente para todas las consultas entre nubes para ayudar a minimizar las tarifas de salida de los proveedores de servicios en la nube remotos. Las consultas posteriores dirigidas a los datos almacenados en caché se leen directamente desde el almacenamiento local Google Cloud en lugar de volver a recuperar los datos entre nubes.

Ahorro de costos de salida

En la ejecución de la consulta inicial, Lakehouse recupera los bloques de datos necesarios del proveedor de servicios en la nube remoto y propaga la memoria caché local. Las consultas posteriores dirigidas a los mismos bloques de datos se leen directamente desde la memoria caché local Google Cloud en lugar de volver a recuperar los datos entre nubes.

Para las cargas de trabajo con patrones de consulta repetidos en el mismo conjunto de datos, el almacenamiento en caché reduce las tarifas de salida entre nubes mediante la entrega de solicitudes de datos desde el almacenamiento local. El ahorro de costos de salida real depende de factores como los patrones de acceso a las consultas, las tasas de modificación de datos y la retención de caché en la región de destino Google Cloud.

Verifica el uso de la caché y el ahorro de costos de salida en las estadísticas de trabajos

Para verificar las tasas de acierto de caché y el ahorro de costos de salida de una consulta, inspecciona las estadísticas de la consulta en la consola o la API de BigQuery (JobStatistics2). Debido a que una consulta puede hacer referencia a datos de varios proveedores, las estadísticas del trabajo proporcionan un campo object_storage_stats (objectStorageStats) repetido con una entrada para cada proveedor de servicios en la nube al que se accedió durante la ejecución.

Cada entrada object_storage_stats informa las siguientes métricas:

  • cloud_provider (cloudProvider): El proveedor de servicios en la nube que aloja el almacenamiento de objetos (por ejemplo, AWS o AZURE).
  • cache_bytes_read (cacheBytesRead): Los bytes totales leídos de la caché Google Cloud local, lo que evita una lectura de almacenamiento de objetos remota.
  • object_storage_bytes_read (objectStorageBytesRead): Los bytes totales leídos directamente del almacenamiento de objetos del proveedor de servicios en la nube remoto.

Consideraciones sobre la residencia de datos y la jurisdicción

La creación de un catálogo o una conexión federados en una Google Cloud región almacena los datos almacenados en caché en reposo de forma local dentro de esa región de destino.

Si tus datos de la nube remota residen en una región geográfica o jurisdicción diferente (por ejemplo, Amazon S3 de AWS en la Unión Europea junto con el procesamiento de BigQuery en us-east4), las consultas entre nubes almacenan copias almacenadas en caché de datos en reposo de datos remotos en la región Google Cloud de destino. El usuario o administrador que crea la conexión o el catálogo debe asegurarse de que el almacenamiento en caché entre jurisdicciones cumpla con los requisitos de residencia de datos, soberanía y cumplimiento de su organización.

Encriptación y compatibilidad con CMEK

Las claves de encriptación administradas por el cliente (CMEK) no son compatibles con el almacenamiento en caché de Lakehouse. Todos los bloques de datos almacenados en caché se encriptan en reposo con el valor predeterminado Google-owned and Google-managed encryption keys.

Si tu organización aplica la restricción de política de la organización Restringir los servicios que no son de CMEK (constraints/gcp.restrictNonCmekServices), Lakehouse inhabilita automáticamente el almacenamiento en caché para las consultas que acceden a tablas restringidas. Las consultas aún se ejecutan correctamente, pero no almacenan en caché los bloques de datos ni se benefician de los ahorros de salida relacionados con la caché.

¿Qué sigue?