Cloudübergreifendes Lakehouse

Mit Cross-Cloud-Lakehouse können Sie Daten abfragen, die bei anderen Cloud Anbietern gespeichert sind, direkt aus Google Cloud ohne Dateien migrieren oder komplexe ETL-Pipelines erstellen zu müssen.

Mit dieser Funktion von Lakehouse können Sie 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 nutzen:

  • 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: Nutzen Sie die Funktionen von Knowledge Catalog für Datenprofiling und Analysen mit föderierten Datenquellen.

Anwendungsfälle

Cross-Cloud-Lakehouse unterstützt mehrere wichtige Anwendungsfälle für den Zugriff auf Daten bei verschiedenen Cloudanbietern:

  • Weniger Datenverschiebung : Sie können Daten, die in anderen Cloud-Umgebungen gespeichert sind, direkt abfragen. Das vereinfacht den Datenzugriff und die Datenverarbeitung.
  • Einheitliche Analysen : Sie können erweiterte Analysen mit einheitlichen Funktionen und Hardwareoptimierung für alle Ihre Daten durchführen, unabhängig davon, wo sie sich befinden.
  • Cloudübergreifende KI und ML : Sie können KI-Modelle, autonome Agenten und Machine Learning direkt auf Ihre Remote-Daten anwenden, ohne sie zu migrieren.

Funktionsweise von Cross-Cloud-Lakehouse

Cross-Cloud-Lakehouse fragt Remote-Daten mit dem folgenden Prozess ab:

  1. Metadatenerkennung: Google Cloud's Lakehouse stellt eine Verbindung zu Remote-Apache Iceberg-REST-Katalogen her, z. B. Databricks Unity oder AWS Glue. Lakehouse erkennt die Daten, ohne Dateien zu kopieren. Je nach Remote-Kataloganbieter 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 weiterleiten (z. B. Dedicated CCI oder Partner Interconnect), werden die Kosten für die Datenübertragung im Vergleich zum öffentlichen Internet erheblich gesenkt und die Latenz ist sehr gut vorhersagbar.
  3. Optimierte Ausführung: Da Abfragen Daten aus Remote-Clouds lesen, speichert Lakehouse diese Datensegmente vorübergehend lokal in einem Google Cloud speziellen Speicher. Nachfolgende Abfragen verwenden den lokalen Cache, wodurch ein erheblicher Teil der Kosten für ausgehenden Traffic zwischen Clouds vermieden wird.

Unterstützte Kataloge

Cross-Cloud-Lakehouse unterstützt die Abfrage 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: 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 von Cross-Cloud-Lakehouse erforderlich sind.

Remote-Apache Iceberg-REST-Kataloge

Dies ist die Metadatenebene. Sie stellen eine Verbindung zu Remote-Apache Iceberg-REST-Katalogen her. Lakehouse erkennt die Daten, ohne Dateien zu kopieren. Über die OIDC-Tokenföderation oder OAuth-Anmeldedaten authentifiziert sich Lakehouse sicher, ohne dass langlebige Zugriffsschlüssel erforderlich sind.

Föderierte Cross-Cloud-Lakehouse-Kataloge synchronisieren Metadaten aus Remote-Apache Iceberg-REST-Katalogen basierend auf einem Aktualisierungsintervall. Die Aktualisierung der Hintergrundmetadaten eines Katalogs kann länger dauern, je mehr Namespace- und Tabellenressourcen vorhanden sind. Wenn die vorherige Aktualisierung überläuft, wird die aktuelle Aktualisierung übersprungen. Die nächste Aktualisierung wird jedoch im folgenden Intervall geplant.

Transportschicht

Dies ist die Transportschicht. Sie können Lakehouse so konfigurieren, dass Daten, die bei Remote-Cloudanbietern gespeichert sind, entweder über das öffentliche Internet oder eine dedizierte private Interconnect-Verbindung abgefragt werden. Dieser Abschnitt gilt nicht für SAP Business Data Cloud-Verbindungen (BDC).

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

Kundeneigene Interconnect-Verbindung (Customer-owned Interconnect, 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:Vorhersagbarere 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 wichtige Komponente 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 wurde.
  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 übertragen.

Beachten Sie bei der Abfrage von Daten über das öffentliche Internet Folgendes:

  • Standardverschlüsselung:Datenzugriffsanfragen und Datenübertragungen werden bei der Übertragung über das öffentliche Internet mit Standard-TLS-Protokollen verschlüsselt.
  • Kosten für ausgehenden Traffic:Für die Datenübertragung fallen standardmäßige Gebühren für ausgehenden Internet-Traffic von Ihrem Remote-Cloudanbieter (z. B. AWS) an, die in der Regel höher sind als die Preise 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 weniger vorhersagbar als bei einer dedizierten privaten Interconnect-Verbindung.
  • Einfache Einrichtung: Erfordert keine zusätzliche Netzwerkinfrastruktur, kein VPC-Peering und keine Service Directory-Konfiguration in Google Cloud oder bei Ihrem Remote-Cloudanbieter.

Architektur

Bei der Abfrage von Daten über das öffentliche Internet stellt Lakehouse direkt eine Verbindung zu Ihren Remote-Katalog- und Objektspeicherendpunkten her, ohne dass eine 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 der 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.

Nächste Schritte