Organízate con las colecciones
Guarda y clasifica el contenido según tus preferencias.
Last reviewed 2024-11-27 UTC
En este documento se explica que el objetivo del patrón híbrido y multinube de analíticas es sacar partido de la división entre las cargas de trabajo transaccionales y las analíticas.
En los sistemas empresariales, la mayoría de las cargas de trabajo se incluyen en estas categorías:
Las cargas de trabajo transaccionales incluyen aplicaciones interactivas como ventas, procesamiento financiero, planificación de recursos empresariales o comunicación.
Las cargas de trabajo de Analytics incluyen aplicaciones que transforman, analizan, refinan o visualizan datos para ayudar en los procesos de toma de decisiones.
Los sistemas de analíticas obtienen sus datos de sistemas transaccionales consultando APIs o accediendo a bases de datos. En la mayoría de las empresas, los sistemas analíticos y transaccionales suelen estar separados y poco acoplados. El objetivo del patrón analíticas híbrida y multinube es aprovechar esta división preexistente ejecutando cargas de trabajo transaccionales y analíticas en dos entornos de computación diferentes. Primero, los datos sin procesar se extraen de las cargas de trabajo que se ejecutan en el entorno de computación privado y, a continuación, se cargan enGoogle Cloud, donde se usan para el procesamiento analítico. Algunos de los resultados
se pueden volver a incorporar a los sistemas transaccionales.
En el siguiente diagrama se ilustran las arquitecturas posibles conceptualmente mostrando las posibles canalizaciones de datos. Cada ruta o flecha representa una posible opción de flujo de procesamiento de transformación y movimiento de datos que se puede basar en ETL o ELT, en función de la calidad de los datos disponible y del caso práctico objetivo.
Para transferir tus datos a Google Cloud y extraer valor de ellos, usa los servicios de transferencia de datos, un paquete completo de servicios de ingestión, integración y replicación de datos.
Como se muestra en el diagrama anterior, la conexión Google Cloud con
entornos on‐premise y otros entornos de nube puede habilitar varios casos prácticos de analíticas de datos, como la transmisión de datos y las copias de seguridad de bases de datos. Para impulsar el transporte fundamental de un patrón de analíticas híbrido y multinube que requiera un gran volumen de transferencia de datos, Cloud Interconnect y Cross-Cloud Interconnect proporcionan conectividad dedicada a las instalaciones locales y a otros proveedores de servicios en la nube.
Ventajas
Ejecutar cargas de trabajo de analíticas en la nube tiene varias ventajas clave:
El tráfico entrante (es decir, el movimiento de datos desde tu entorno de computación privado u otras nubes aGoogle Cloud) puede ser gratuito.
Las cargas de trabajo de analíticas suelen necesitar procesar grandes cantidades de datos y pueden ser irregulares, por lo que son especialmente adecuadas para desplegarse en un entorno de nube pública. Al escalar dinámicamente los recursos de computación, puedes procesar rápidamente grandes conjuntos de datos sin tener que hacer inversiones iniciales ni aprovisionar en exceso el equipo de computación.
Google Cloud proporciona un amplio conjunto de servicios para gestionar los datos
durante todo su ciclo de vida, desde la adquisición inicial hasta la visualización final, pasando por el procesamiento y el análisis.
Los servicios de movimiento de datos de Google Cloud proporcionan un conjunto completo de productos para mover, integrar y transformar datos de forma fluida de diferentes maneras.
Google Cloud te ayuda a modernizar y optimizar tu plataforma de datos para eliminar los silos de datos. Usar un data lakehouse ayuda a estandarizar los diferentes formatos de almacenamiento. También puede proporcionar la flexibilidad, la escalabilidad y la agilidad necesarias para que tus datos generen valor para tu negocio, y no ineficiencias. Para obtener más información, consulta BigLake.
BigQuery Omni proporciona potencia de computación que se ejecuta de forma local en el almacenamiento de AWS o Azure. También te ayuda a consultar tus propios datos almacenados en Amazon Simple Storage Service (Amazon S3) o Azure Blob Storage. Esta función de analíticas multinube permite a los equipos de datos acabar con los silos de datos. Para obtener más información sobre cómo consultar datos almacenados fuera de BigQuery, consulta la introducción a fuentes de datos externas.
Prácticas recomendadas
Para implementar el patrón de arquitectura analíticas híbrida y multinube, ten en cuenta las siguientes prácticas recomendadas generales:
Usa el
patrón de red de transferencia
para habilitar la ingesta de datos. Si los resultados analíticos
deben enviarse a los sistemas transaccionales, puedes combinar los patrones de
transferencia y de
salida controlada.
Usa colas de Pub/Sub o segmentos de Cloud Storage para transferir datos a Google Cloud desde sistemas transaccionales
que se ejecutan en tu entorno de computación privado. Estas colas o contenedores pueden servir como fuentes para flujos de procesamiento de datos y cargas de trabajo.
Para desplegar flujos de procesamiento de datos ETL y ELT, puedes usar Cloud Data Fusion o Dataflow, en función de los requisitos de tu caso práctico específico. Ambos son servicios de procesamiento de datos totalmente gestionados y nativos de la nube para crear y gestionar flujos de procesamiento de datos.
Para descubrir, clasificar y proteger tus recursos de datos valiosos, puedes usar las funciones de Google Cloud
Protección de Datos Sensibles
como las técnicas de desidentificación.
Estas técnicas te permiten enmascarar, cifrar y sustituir datos sensibles, como la información personal identificable (IPI), mediante una clave generada aleatoriamente o predeterminada, cuando sea aplicable y cumpla los requisitos.
Cuando realices una transferencia de datos inicial desde tu entorno de computación privado a Google Cloud, elige el método de transferencia que mejor se adapte al tamaño de tu conjunto de datos y al ancho de banda disponible. Para obtener más información, consulta el artículo Migrar a Google Cloud: transferir conjuntos de datos grandes.
Si se requiere una transferencia o un intercambio de datos entre Google Cloud y otras nubes a largo plazo con un volumen de tráfico elevado, debes evaluar la posibilidad de usar Google Cloud
Cross-Cloud Interconnect para establecer una conectividad dedicada de gran ancho de banda entreGoogle Cloud y otros proveedores de servicios en la nube (disponible en determinadas ubicaciones).
Si se requiere cifrado en la capa de conectividad, hay varias opciones disponibles en función de la solución de conectividad híbrida seleccionada. Estas opciones incluyen túneles de VPN, VPN de alta disponibilidad mediante Cloud Interconnect y MACsec para Cross-Cloud Interconnect.
Usa herramientas y procesos coherentes en todos los entornos. En un escenario híbrido de analíticas, esta práctica puede ayudar a aumentar la eficiencia operativa, aunque no es un requisito.
[[["Es fácil de entender","easyToUnderstand","thumb-up"],["Me ofreció una solución al problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Es difícil de entender","hardToUnderstand","thumb-down"],["La información o el código de muestra no son correctos","incorrectInformationOrSampleCode","thumb-down"],["Me faltan las muestras o la información que necesito","missingTheInformationSamplesINeed","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2024-11-27 (UTC)."],[[["\u003cp\u003eThe analytics hybrid and multicloud pattern leverages the separation of transactional and analytics workloads, running them in distinct computing environments.\u003c/p\u003e\n"],["\u003cp\u003eRaw data is extracted from transactional systems in a private computing environment and loaded into Google Cloud for analytical processing, with some results potentially feeding back into transactional systems.\u003c/p\u003e\n"],["\u003cp\u003eGoogle Cloud offers numerous advantages for running analytics workloads, including cost-effective inbound data transfer, dynamic scalability for processing large datasets, and a comprehensive suite of data management services.\u003c/p\u003e\n"],["\u003cp\u003eImplementing this architecture involves best practices such as using handover networking, employing Pub/Sub or Cloud Storage for data transfer, and utilizing Cloud Data Fusion or Dataflow for building data pipelines.\u003c/p\u003e\n"],["\u003cp\u003eCross-Cloud Interconnect can be utilized to facilitate long-term, high-volume data transfer between Google Cloud and other cloud providers.\u003c/p\u003e\n"]]],[],null,["# Analytics hybrid and multicloud pattern\n\nThis document discusses that the objective of the analytics hybrid and multicloud pattern is to capitalize on the split between transactional and analytics workloads.\n\nIn enterprise systems, most workloads fall into these categories:\n\n- *Transactional* workloads include interactive applications like sales, financial processing, enterprise resource planning, or communication.\n- *Analytics* workloads include applications that transform, analyze, refine, or visualize data to aid decision-making processes.\n\nAnalytics systems obtain their data from transactional systems by either\nquerying APIs or accessing databases. In most enterprises, analytics and\ntransactional systems tend to be separate and loosely coupled. The objective of\nthe *analytics hybrid and multicloud* pattern is to capitalize on this\npre-existing split by running transactional and analytics workloads in two\ndifferent computing environments. Raw data is first extracted from workloads\nthat are running in the private computing environment and then loaded into\nGoogle Cloud, where it's used for analytical processing. Some of the results\nmight then be fed back to transactional systems.\n\nThe following diagram illustrates conceptually possible architectures by showing\npotential data pipelines. Each path/arrow represents a possible data movement\nand transformation pipeline option that can be based on\n[ETL](/learn/what-is-etl)\nor ELT, depending on the available\n[data quality](/dataplex/docs/auto-data-quality-overview)\nand targeted use case.\n\nTo move your data into Google Cloud and unlock value from it, use\n[data movement](/data-movement)\nservices, a complete suite of data ingestion, integration, and replication\nservices.\n\nAs shown in the preceding diagram, connecting Google Cloud with\non-premises environments and other cloud environments can enable various data\nanalytics use cases, such as data streaming and database backups. To power the\nfoundational transport of a hybrid and multicloud analytics pattern that\nrequires a high volume of data transfer, Cloud Interconnect and\n[Cross-Cloud Interconnect](/network-connectivity/docs/interconnect/concepts/cci-overview)\nprovide dedicated connectivity to on-premises and other cloud providers.\n\nAdvantages\n----------\n\nRunning analytics workloads in the cloud has several key advantages:\n\n- Inbound traffic---moving data from your private computing environment or other clouds to Google Cloud---[might be free of charge](/vpc/network-pricing#general).\n- Analytics workloads often need to process substantial amounts of data and can be bursty, so they're especially well suited to being deployed in a public cloud environment. By dynamically scaling compute resources, you can quickly process large datasets while avoiding upfront investments or having to overprovision computing equipment.\n- Google Cloud provides a rich set of services to manage data throughout its entire lifecycle, ranging from initial acquisition through processing and analyzing to final visualization.\n - Data movement services on Google Cloud provide a complete suite of products to move, integrate, and transform data seamlessly in different ways.\n - Cloud Storage is well suited for [building a data lake](https://cloud.google.com/blog/topics/developers-practitioners/architect-your-data-lake-google-cloud-data-fusion-and-composer).\n- Google Cloud helps you to modernize and optimize your data\n platform to break down data silos. Using a\n [data lakehouse](/discover/what-is-a-data-lakehouse#section-3)\n helps to standardize across different storage formats. It can also provide\n the flexibility, scalability, and agility needed to help ensure that your\n data generates value for your business, rather than inefficiencies. For\n more information, see\n [BigLake](/biglake).\n\n- [BigQuery Omni,](/bigquery/docs/omni-introduction)\n provides compute power that runs locally to the storage on AWS or Azure. It\n also helps you query your own data stored in Amazon Simple Storage Service\n (Amazon S3) or Azure Blob Storage. This multicloud analytics capability\n lets data teams break down data silos. For more information about querying\n data stored outside of BigQuery, see\n [Introduction to external data sources](/bigquery/docs/external-data-sources).\n\nBest practices\n--------------\n\nTo implement the *analytics hybrid and multicloud* architecture pattern,\nconsider the following general best practices:\n\n- Use the [handover networking pattern](/architecture/hybrid-multicloud-secure-networking-patterns/handover-pattern) to enable the ingestion of data. If analytical results need to be fed back to transactional systems, you might combine both the handover and the [*gated egress*](/architecture/hybrid-multicloud-secure-networking-patterns/gated-egress) pattern.\n- Use [Pub/Sub](/pubsub) queues or [Cloud Storage](/storage) buckets to hand over data to Google Cloud from transactional systems that are running in your private computing environment. These queues or buckets can then serve as sources for data-processing pipelines and workloads.\n- To deploy ETL and ELT data pipelines, consider using [Cloud Data Fusion](/data-fusion) or [Dataflow](/dataflow) depending on your specific use case requirements. Both are fully managed, cloud-first data processing services for building and managing data pipelines.\n- To discover, classify, and protect your valuable data assets, consider using Google Cloud [Sensitive Data Protection](/sensitive-data-protection) capabilities, like [de-identification techniques](/sensitive-data-protection/docs/deidentify-sensitive-data). These techniques let you mask, encrypt, and replace sensitive data---like personally identifiable information (PII)---using a randomly generated or pre-determined key, where applicable and compliant.\n- When you're performing an initial data transfer from your private\n computing environment to Google Cloud, choose the transfer approach\n that is best suited for your dataset size and available bandwidth. For more\n information, see\n [Migration to Google Cloud: Transferring your large datasets](/architecture/migration-to-google-cloud-transferring-your-large-datasets).\n\n- If data transfer or exchange between Google Cloud and other clouds\n is required for the long term with high traffic volume, you should evaluate\n using Google Cloud\n [Cross-Cloud Interconnect](/network-connectivity/docs/interconnect/concepts/cci-overview)\n to help you establish high-bandwidth dedicated connectivity between\n Google Cloud and other cloud service providers (available in certain\n [locations](/network-connectivity/docs/interconnect/concepts/cci-overview#locations)).\n\n- If encryption is required at the connectivity layer, various options are\n available based on the selected hybrid connectivity solution. These options\n include VPN tunnels, HA VPN over Cloud Interconnect, and\n [MACsec for Cross-Cloud Interconnect](/network-connectivity/docs/interconnect/concepts/cci-overview#encryption).\n\n- Use consistent tooling and processes across environments. In an\n analytics hybrid scenario, this practice can help increase operational\n efficiency, although it's not a prerequisite."]]
