Informazioni su Lakehouse cross-cloud

Cross-cloud Lakehouse for Apache Iceberg 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.

Nell'ambito di Lakehouse, 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.

Casi d'uso

Cross-cloud 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 dalla loro posizione.
  • L'AI e il machine learning cross-cloud ti consentono di applicare modelli di AI, agenti autonomi e machine learning direttamente ai dati remoti senza eseguirne la migrazione.

Come funziona cross-cloud Lakehouse

Cross-cloud Lakehouse esegue query sui dati remoti utilizzando la seguente procedura:

  1. Rilevamento dei metadati: Google Cloud_Lakehouse_ di 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 Dedicated CCI 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 uno spazio di archiviazione specializzato. Google Cloud Le query successive utilizzano la cache locale, il che evita una parte significativa dei costi di uscita cross-cloud.

Cataloghi supportati

Cross-cloud 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).

Concetti principali

Questa sezione descrive i componenti chiave essenziali per l'utilizzo di cross-cloud Lakehouse.

Cataloghi REST Apache Iceberg remoti

Questo è il livello dei metadati. Ti connetti ai cataloghi REST Apache Iceberg remoti. Lakehouse rileva i dati senza copiare alcun file. Tramite la federazione di token OIDC o le credenziali OAuth, Lakehouse esegue l'autenticazione in modo sicuro senza richiedere chiavi di accesso a lunga durata.

Livello di trasporto

Questo è il livello di trasporto. Puoi configurare Lakehouse per eseguire query sui dati archiviati in provider di servizi cloud remoti 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 viaggiano su 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) è un bilanciatore del carico interno (ILB). L'ILB distribuisce le richieste da BigQuery agli endpoint privati per 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 Dedicated CCI 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 (nessuna CCI)

Se non configuri un'interconnessione privata, le query al catalogo remoto viaggiano per impostazione predefinita sulla rete internet pubblica.

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, la larghezza di banda e la latenza della rete 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 agli endpoint del catalogo remoto e dell'object storage 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 la 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.

Passaggi successivi