クロスクラウド データアクセスについて

クロスクラウド データアクセス機能を使用すると、ファイルを移行したり、Cross-Cloud Interconnect で複雑な ETL パイプラインを構築したりすることなく、他の クラウド プロバイダに保存されているデータを直接 Google Cloud クエリできます。

ボーダレス Lakehouse の一部として、この機能を使用すると、 BigQuery、スタンドアロンの Apache Spark 環境、または Managed Service for Apache Spark を使用して、分散データセット全体で 統合分析を実行し、AI を適用できます。

分析クエリに加えて、連携データを使用して AI 主導の分析情報とガバナンスを実現できます。

  • 会話分析: クロスクラウド テーブルなど、正確なデータソースに基づいて特殊なエージェントを構築し、1 回の会話でクラウド全体のデータを分析します。
  • Knowledge Catalog: Knowledge Catalog の機能を使用して、連携データソースのデータ プロファイリングと分析を行います。

ユースケース

Lakehouse は、複数のクラウド プロバイダにまたがるデータへのアクセスに関する次の主要なユースケースをサポートしています。

  • データ移動の削減 により、他のクラウド環境に保存されているデータを直接クエリできるため、データアクセスと処理が簡素化されます。
  • 統合分析 により、データの保存場所に関係なく、すべてのデータに対して一貫した機能とハードウェアの最適化を使用して高度な分析を実行できます。
  • ボーダレス AI と ML により、AI モデル、自律型エージェント、機械学習を移行せずにリモートデータに直接適用できます。

クロスクラウド データへのアクセス方法

Lakehouse は、次のプロセスを使用してリモートデータをクエリします。

  1. メタデータ検出: Google Cloud's Lakehouse は、Databricks Unity や AWS Glue などのリモート Apache Iceberg REST カタログに接続します。Lakehouse は、ファイルをコピーせずにデータを検出します。リモート カタログ プロバイダに応じて、Lakehouse は Secret Manager または OpenID Connect トークン フェデレーション（ID プロバイダとしての Google を使用）を介して安全に認証します（OIDC トークン フェデレーション）。
  2. 安全な転送: プライベート Interconnect（Dedicated CCI や Partner Interconnect など）を介してトラフィックをルーティングすると、公共のインターネットと比較してデータ転送の費用が大幅に削減され、レイテンシを予測しやすくなります。
  3. 最適化された実行: クエリがリモートクラウドからデータを読み取ると、 Lakehouse はこれらのデータセグメントを 専用ストレージ Google Cloud 内のローカルに一時的にキャッシュに保存します。以降のクエリではローカル キャッシュが使用されるため、クロスクラウドの下り（外向き）料金の大部分を回避できます。

サポートされているカタログ

Lakehouse は、次のリモート カタログ プロバイダからのデータのクエリをサポートしています。

  • Databricks Unity Catalog: Amazon Web Services（AWS）と Google Cloudでサポートされています。
  • AWS Glue: Amazon Web Services（AWS）でサポートされています。
  • Snowflake Horizon Catalog: Amazon Web Services（AWS）と Google Cloudでサポートされています。
  • SAP Business Data Cloud（BDC）: SAP BDC コネクタを使用してサポートされています。

基本コンセプト

このセクションでは、クロスクラウド データアクセス機能を使用するために不可欠な主要コンポーネントについて説明します。

メタデータ レイヤ

メタデータ レイヤは、リモート Apache Iceberg REST カタログ エンドポイントに接続して、更新間隔に基づいて Iceberg リソース（名前空間、テーブル）のメタデータを同期します。Lakehouse は、Secret Manager に保存されている OAuth 認証情報または OIDC トークン フェデレーションを使用して安全に認証します。

トランスポート層

トランスポート層を使用すると、BigQuery とオープンソース エンジンは、メタデータ レイヤから同期されたメタデータを使用してデータをクエリできます。 一部のリモート カタログの場合、Lakehouse は公共のインターネットまたは専用のプライベート Interconnect を介したデータのクエリをサポートしています。

アーキテクチャとセキュリティの要件に合った転送方法を選択します。

お客様所有（CCI）

BigQuery を構成して、プライベート Cross-Cloud Interconnect 経由で Amazon Web Services（AWS）Amazon S3 バケットに保存されているデータを、Dedicated Cross-Cloud Interconnect または Partner Cross-Cloud Interconnect を使用してクエリできます。

プライベート Interconnect を使用すると、次のメリットがあります。

  • セキュリティの強化: データは Google Cloud と AWS 間のプライベート ネットワーク接続を介して転送されるため、公共の インターネットは使用されません。
  • コストの削減: 特にプライベート Interconnect の容量と組み合わせることで、インターネットの下り（外向き）と比較して AWS からの下り（外向き）料金が低くなる可能性があります。
  • 一貫したパフォーマンス: 公共のインターネットと比較して、ネットワークのレイテンシと帯域幅を予測しやすくなります。

アーキテクチャの概要

プライベート クエリを有効にするには、プライベート Interconnect を介して BigQuery から AWS Amazon S3 バケットへのパスを構成します。Virtual Private Cloud（VPC）（VPC）の主要コンポーネントは、 Google Cloud 内部ロードバランサ（ILB）です。ILB は、BigQuery から AWS VPC 内の Amazon S3 のプライベート エンドポイントにリクエストを分散します。これらのエンドポイントは AWS PrivateLink を使用してプロビジョニングされます。

複数の Elastic Network Interface（ENI）をバックエンドとして使用する ILB は、負荷分散、スケーラビリティ、高可用性に不可欠です。これは、Dedicated CCI と Partner Interconnect のどちらを使用する場合にも当てはまります。

プライベート クエリのワークフローは次のとおりです。

  1. BigQuery は、Service Directory サービスで構成された接続を使用します。
  2. Service Directory は、サービス名を ILB の Google Cloud 内部 IP アドレスに解決します。
  3. ILB は BigQuery からリクエストを受け取り、構成されたバックエンドに分散します。
  4. ILB バックエンドはハイブリッド接続ネットワーク エンドポイント グループ（NEG）で、それぞれが AWS VPC 内の ENI のプライベート IP アドレスを指しています。
  5. トラフィックは ILB から NEG を経由して、プライベート Interconnect を介して AWS ENI に流れます。
  6. AWS ENI は、Amazon S3 VPC インターフェース エンドポイント（AWS PrivateLink）の一部であり、Amazon S3 サービスへのプライベート アクセスを提供します。

公共のインターネット（CCI なし）

プライベート Interconnect を構成しない場合、リモート カタログへのクエリはデフォルトで公共のインターネット経由で転送されます。

公共のインターネット経由でデータをクエリする場合は、次の影響を考慮してください。

  • 標準暗号化: データアクセス リクエストとデータ転送は、公共のインターネット経由で標準の TLS プロトコルを使用して転送中に暗号化されます。
  • 下り（外向き）の費用: データ転送には、リモート クラウド プロバイダ（AWS など）から標準のインターネット下り（外向き）料金が発生します。通常、この料金はプライベート Interconnect の下り（外向き）レートよりも高くなります。
  • レイテンシの変動: ネットワーク パフォーマンス、帯域幅、レイテンシは、公共のインターネットのルーティングと輻輳に依存するため、専用のプライベート Interconnect と比較してクエリの実行時間を予測しにくくなります。
  • 設定の簡素化: や リモート クラウド プロバイダで、 Google Cloud 追加のネットワーク インフラストラクチャ、 VPC ピアリング、Service Directory の構成は必要ありません。

アーキテクチャの概要

公共のインターネット経由でデータをクエリする場合、Lakehouse は プライベート Google Cloud またはリモート クラウド ネットワーキング インフラストラクチャを必要とせずに、リモート カタログとオブジェクト ストレージ エンドポイントに 直接接続します。

公共のインターネット クエリのワークフローは次のとおりです。

  1. BigQuery は、Lakehouse カタログで定義された連携テーブルに対してクエリを開始します。
  2. Lakehouse は、Secret Manager に保存されている認証情報または OIDC トークン フェデレーションを使用して、リモート Apache Iceberg カタログで安全に認証します。
  3. Lakehouse は、公共のインターネット経由でテーブル メタデータとマニフェスト ファイルを取得して、関連する基盤となるデータファイル（AWS Amazon S3 など）を特定します。
  4. 基盤となるオブジェクトのデータアクセス リクエストは、標準の TLS 暗号化を使用して公共のインターネット経由で Google Cloud から直接送信されます。
  5. リモート ストレージ サービスは、Lakehouse によって提供される一時的なスコープ付き 認証情報を使用してリクエストを検証し、リクエストされた データブロックを公共のインターネット経由で に返します Google Cloud。

インテリジェント キャッシュ保存

リモートクラウド データをクエリすると、Lakehouse は取得したデータブロックをローカルの キャッシュに自動的に保存します Google Cloud。リモート クラウド プロバイダからの下り（外向き）料金を最小限に抑えるため、すべてのクロスクラウド クエリでキャッシュ保存が自動的に有効になります。キャッシュに保存されたデータを対象とする以降のクエリでは、クラウド間でデータを再取得するのではなく、ローカル Google Cloud ストレージから直接 読み取ります。

下り（外向き）の費用削減

最初のクエリ実行時に、Lakehouse はリモート クラウド プロバイダから必要なデータブロックを取得し、ローカル キャッシュにデータを入力します。 同じデータブロックを対象とする以降のクエリでは、クラウド間でデータを再取得するのではなく、ローカル Google Cloud キャッシュから直接読み取ります。

同じデータセットに対してクエリ パターンが繰り返されるワークロードの場合、キャッシュ保存により、ローカル ストレージからデータ リクエストを処理することで、クロスクラウドの下り（外向き）料金が削減されます。 実際の下り（外向き）の費用削減額は、クエリ アクセス パターン、 データ変更率、ターゲット Google Cloud リージョンでのキャッシュ保持などの要因によって異なります。

ジョブ統計情報でキャッシュの使用状況と下り（外向き）の費用削減額を確認する

クエリのキャッシュ ヒット率と下り（外向き）の費用削減額を確認するには、BigQuery コンソールまたは API（JobStatistics2）でクエリ統計情報を確認します。クエリは複数のプロバイダのデータを参照できるため、ジョブ統計情報には、実行中にアクセスしたクラウド プロバイダごとにエントリを含む object_storage_stats（objectStorageStats）フィールドが繰り返し表示されます。

object_storage_stats エントリには、次の指標が報告されます。

  • cloud_provider （cloudProvider）: オブジェクト ストレージをホストしているクラウド プロバイダ（AWS や AZURE など）。
  • cache_bytes_read （cacheBytesRead）: ローカル Google Cloud キャッシュから読み取られた合計バイト数。リモート オブジェクト ストレージの読み取りは回避されます。
  • object_storage_bytes_read （objectStorageBytesRead）: リモート クラウド プロバイダのオブジェクト ストレージから直接読み取られた合計バイト数。

データ所在地と管轄区域に関する考慮事項

リージョン Google Cloud で連携カタログまたは接続を作成すると、キャッシュに保存されたデータはターゲット リージョン内のローカルに保存されます。

リモートクラウド データが異なる地理的リージョンまたは 管轄区域（欧州連合の AWS Amazon S3 と us-east4 の BigQuery コンピューティングなど）に存在する場合、クロスクラウド クエリでは、ターゲット Google Cloud リージョンにリモートデータのキャッシュに保存されたコピーが保存されます。接続またはカタログを作成するユーザーまたは管理者は、管轄区域をまたぐキャッシュ保存が、組織のデータ所在地、主権、コンプライアンスの要件を満たしていることを確認する必要があります。

暗号化と CMEK のサポート

Lakehouse キャッシュ保存では、顧客管理の暗号鍵（CMEK）はサポートされていません。 キャッシュに保存されたデータブロックはすべて、デフォルトの Google-owned and Google-managed encryption keysを使用して保存時に暗号化されます。

組織で非 CMEK サービスの制限 組織のポリシー制約（constraints/gcp.restrictNonCmekServices）が適用されている場合、Lakehouse は制限付きテーブルにアクセスするクエリのキャッシュ保存を自動的に無効にします。クエリは正常に実行されますが、データブロックはキャッシュに保存されず、キャッシュ関連の下り（外向き）の削減のメリットはありません。

次のステップ