Descripción general de Bigtable

Bigtable es una tabla propagada de manera dispersa que puede escalar miles de millones de filas y miles de columnas, lo que te permite almacenar terabytes o, incluso, petabytes de datos. Se indexa solo un valor de cada fila; este es conocido como la clave de fila. Bigtable es ideal para almacenar grandes cantidades de datos con una sola clave y baja latencia. Admite una alta capacidad de procesamiento de lectura y escritura con baja latencia y es una fuente de datos ideal para las operaciones de MapReduce.

Bigtable se expone a las aplicaciones mediante varias bibliotecas cliente, incluida una extensión compatible de la biblioteca Apache HBase para Java. Como resultado, se integra en el ecosistema existente de Apache de software de macrodatos de código abierto.

Los potentes servidores de backend de Bigtable ofrecen varias ventajas clave por sobre una instalación de HBase con administración automática:

  • Gran escalabilidad. Bigtable escala en proporción directa a la cantidad de máquinas del clúster. Una instalación autoadministrada de HBase tiene un diseño de cuello de botella que limita el rendimiento después de que se alcanza un umbral determinado. Bigtable no tiene este cuello de botella, por lo que puedes escalar verticalmente tu clúster para admitir más operaciones de lectura y escritura.
  • Administración sencilla. Bigtable controla las actualizaciones y se reinicia con transparencia; además, mantiene automáticamente una durabilidad alta de los datos. Para replicar tus datos, solo debes agregar un segundo clúster a tu instancia; la replicación comenzará automáticamente. No más administración de réplicas o regiones; solo diseña los esquemas de tus tablas, y Bigtable se encargará del resto.
  • Cambio de tamaño de clústeres sin tiempo de inactividad. Puedes aumentar el tamaño de un clúster de Bigtable durante unas horas para manejar una carga grande y, luego, volver a reducirlo, todo sin tiempo de inactividad. Cuando cambias el tamaño de un clúster, Bigtable necesita solo unos minutos con carga para equilibrar el rendimiento en todos los nodos del clúster.

Usos ideales

Bigtable es ideal para las aplicaciones que necesitan una alta capacidad de procesamiento y escalabilidad para datos de pares clave-valor, en los que el tamaño de cada valor no suele superar los 10 MB. Bigtable también se destaca como motor de almacenamiento para operaciones por lotes de MapReduce, procesamiento de transmisión o análisis de datos, y aplicaciones de aprendizaje automático.

Puedes usar Bigtable para almacenar y consultar todos los siguientes tipos de datos:

  • Datos de series temporales, como el uso de la CPU y la memoria de varios servidores en el tiempo.
  • Datos de marketing, como historiales de compra y preferencias del cliente.
  • Datos financieros, como historiales de transacciones, precios de acciones y tipos de cambio.
  • Datos de la Internet de las cosas, como informes de uso de los medidores de energía y los electrodomésticos.
  • Datos de grafos, como información sobre cómo se conectan los usuarios entre sí.

Modelo de almacenamiento de Bigtable

Bigtable almacena datos en tablas escalables de forma masiva, cada una de las cuales es un mapa de clave-valor ordenado. La tabla está compuesta por filas que, por lo general, describen una sola entidad, y columnas que contienen valores individuales para cada fila. Cada fila se indexa según una sola clave de fila, y las columnas que se relacionan entre sí se suelen agrupar en una familia de columnas. Cada columna se identifica con una combinación de la familia de columnas y un calificador de columnas, que es un nombre único dentro de la familia.

Cada intersección entre la fila y la columna puede contener más de una celda. Cada celda contiene una versión única con marca de tiempo de los datos para esa fila y columna. Si almacenas más de una celda en una columna, se proporciona un registro de cómo han cambiado los datos almacenados para esa fila y esa columna a lo largo del tiempo. Las tablas de Bigtable son dispersas. Si una columna no se usa en una fila en particular, no ocupa ningún espacio.

Diagrama del modelo de almacenamiento de Bigtable

Estos son los aspectos que debes notar de la ilustración:

  • Las columnas no se pueden usar en una fila.
  • Cada celda de una fila y columna determinada tiene una marca de tiempo única (t).

Arquitectura de Bigtable

En el siguiente diagrama, se muestra una versión simplificada de la arquitectura general de Bigtable:

Arquitectura general de Bigtable.

Como se ve en el diagrama, todas las solicitudes de clientes pasan por un servidor de frontend antes de enviarse a un nodo de Bigtable. En el informe original de Bigtable, estos nodos se llaman “servidores de tablet”. Los nodos están organizados en un clúster de Bigtable, que pertenece a una instancia de Bigtable, un contenedor del clúster.

Cada nodo del clúster controla un subconjunto de solicitudes. Si agregas nodos a un clúster, puedes aumentar la cantidad de solicitudes simultáneas que el clúster puede controlar. Agregar nodos también aumenta la capacidad de procesamiento máxima del clúster. Si habilitas la replicación mediante la adición de clústeres adicionales, también puedes enviar diferentes tipos de tráfico a distintos clústeres. Por lo tanto, si un clúster deja de estar disponible, puedes conmutar por error a otro.

Una tabla de Bigtable se fragmenta en bloques de filas contiguas, llamados tablets, que ayudan a equilibrar la carga de trabajo de las consultas. Estos son similares a las regiones de HBase. Los tablets se almacenan en Colossus, el sistema de archivos de Google, en formato SSTable. Una SSTable proporciona un mapa inmutable, ordenado y persistente de claves a valores, en el que los valores y las claves son strings de bytes arbitrarios. Cada tablet se asocia con un nodo específico de Bigtable. Además de los archivos SSTable, todas las operaciones de escritura se almacenan en el registro compartido de Colossus en cuanto Bigtable las reconoce, lo que proporciona una mayor durabilidad.

Los datos nunca se almacenan en los nodos de Bigtable; cada nodo tiene indicadores que apuntan a un conjunto de tablets almacenados en Colossus. Como resultado, sucede lo siguiente:

  • El rebalanceo de tablets de un nodo a otro se produce rápidamente, porque los datos reales no se copian. Bigtable solo actualiza los punteros para cada nodo.
  • La recuperación de la falla de un nodo de Bigtable es rápida, ya que solo los metadatos deben migrarse al nodo de reemplazo.
  • No se pierden datos cuando falla un nodo de Bigtable.

Consulta Instancias, clústeres y nodos para obtener más información sobre cómo trabajar con estos componentes fundamentales.

Balanceo de cargas

Cada zona de Bigtable se administra mediante un proceso principal, que balancea el volumen de los datos y la carga de trabajo dentro de los clústeres. En este proceso, se dividen los tablets más activos o grandes en dos partes y se combinan los más pequeños o con menos acceso; de esta forma, se redistribuyen entre los nodos según sea necesario. Si se produce un aumento repentino de tráfico, Bigtable divide el tablet en dos y, luego, pasa una de estas dos partes a otro nodo. Bigtable administra la división, la combinación y el rebalanceo de forma automática, lo que te ahorra el esfuerzo de administrar las tablets de forma manual. En la sección Comprende el rendimiento, encontrarás más detalles sobre este proceso.

Para obtener el mejor rendimiento de escritura en Bigtable, es importante que estas operaciones se distribuyan de manera uniforme entre los nodos. Una forma de hacerlo es con las claves de fila que no siguen un orden predecible. Por ejemplo, los nombres de usuario tienden a distribuirse de manera más o menos uniforme en el alfabeto, por lo que incluir un nombre de usuario al comienzo de una clave de fila ayudará a distribuir mejor las escrituras.

Del mismo modo, es útil agrupar las filas relacionadas a fin de que estén adyacentes unas de otras para poder leer varias a la vez. Por ejemplo, si almacenas diferentes tipos de datos sobre el tiempo atmosférico, tu clave de fila podría ser la ubicación donde se recopilaron los datos seguida de una marca de tiempo (por ejemplo, WashingtonDC#201803061617). Este tipo de clave de fila agruparía todos los datos de una ubicación en un rango contiguo de filas. Para otras ubicaciones, la fila debería comenzar con otro identificador; si hay muchas ubicaciones recopilando datos al mismo ritmo, las escrituras se extenderán de manera uniforme entre los tablets.

Consulta Cómo elegir una clave de fila a fin de obtener más detalles sobre cómo seleccionar una clave de fila apropiada para tus datos.

Tipos de datos admitidos

Bigtable trata todos los datos como strings de bytes sin procesar para todos los propósitos. La única ocasión en que Bigtable intenta determinar el tipo es para aumentar las operaciones, en cuyo caso el objetivo debe ser un número entero de 64 bits codificado como un valor big-endian de 8 bytes.

Uso del disco y la memoria

En las siguientes secciones, se describe cómo varios componentes de Bigtable afectan el uso del disco y la memoria de tu instancia.

Columnas sin usar

Las columnas que no se utilizan en una fila de Bigtable no ocupan ningún espacio en esa fila. En esencia, cada fila es una recopilación de entradas par clave-valor, en la que la clave es una combinación entre la familia de columnas, el calificador de columnas y la marca de tiempo. Si una fila no incluye un valor para una columna específica, la entrada de par clave-valor no se encuentra presente.

Calificadores de columnas

Los calificadores de columnas ocupan espacio en una fila, ya que cada uno de estos se almacena en la misma fila donde se utiliza. Como resultado, suele ser eficiente usar calificadores de columna como datos.

Compactaciones

Bigtable vuelve a escribir tus tablas de forma periódica para quitar las entradas borradas y reorganizar los datos a fin de que las operaciones de lectura y escritura sean más eficientes. Este proceso se conoce como compactación. No es necesario configurar nada para la compactación, Bigtable la ejecuta automáticamente.

Mutaciones y eliminaciones

Las mutaciones, o cambios, en una fila ocupan más almacenamiento, porque Bigtable almacena las mutaciones de manera secuencial o solo las compacta de forma periódica. Cuando Bigtable compacta una tabla, quita los valores que ya no son necesarios. Si actualizas el valor de una celda, el original y el nuevo se almacenarán en el disco durante la misma cantidad de tiempo hasta que se compacten los datos.

Las eliminaciones también ocupan almacenamiento adicional, al menos, a corto plazo, ya que son un tipo especializado de mutación. Hasta que la tabla se compacte, una eliminación ocupa más espacio en lugar de liberarlo.

Compresión de datos

Bigtable comprime tus datos automáticamente con un algoritmo inteligente. No puedes configurar los ajustes de compresión de tu tabla. Sin embargo, puede resultarte útil saber cómo almacenar datos a fin de que se compriman de forma eficiente:

  • Los datos aleatorios no se pueden comprimir con tanta eficacia como los que siguen un patrón. Estos últimos incluyen texto, como esta página que estás leyendo.
  • La compresión funciona mejor si los valores idénticos están cerca uno del otro, ya sea en la misma fila o en filas adyacentes. Si organizas las claves de fila de modo que las filas con fragmentos de datos idénticos estén una al lado de la otra, los datos se pueden comprimir de manera eficiente.
  • Bigtable comprime los valores que tienen un tamaño de hasta 1 MiB. Si almacenas valores superiores a 1 MiB, comprímelos antes de escribirlos en Bigtable para ahorrar ciclos de CPU, memoria del servidor y ancho de banda de la red.

Durabilidad de los datos

Cuando usas Bigtable, tus datos se almacenan en Colossus, el sistema de archivos interno de alta durabilidad de Google, con dispositivos de almacenamiento en los centros de datos de Google. No es necesario que ejecutes un clúster HDFS ni ningún otro sistema de archivos para usar Bigtable. En segundo plano, Google usa sus métodos de almacenamiento de propiedad exclusiva para lograr una durabilidad de los datos superior a la que ofrece la replicación en tres direcciones de HDFS estándar.

La durabilidad se mejora aún más cuando se usa la replicación. Bigtable mantiene una copia independiente de tus datos en la ubicación que selecciones para cada clúster de una instancia replicada.

Modelo de coherencia

Las instancias de Bigtable de un solo clúster ofrecen una coherencia sólida. Según la configuración predeterminada, las instancias que tienen más de un clúster proporcionan una coherencia eventual, pero en algunos casos de uso se pueden configurar para proporcionar coherencia en tus operaciones de lectura o escritura o una coherencia sólida, según la configuración de la carga de trabajo y el perfil de la app.

Seguridad

El acceso a tus tablas de Bigtable lo controla tu proyecto de Google Cloud y las funciones de Identity and Access Management (IAM) que asignas a los usuarios. Por ejemplo, puedes asignar funciones de IAM que eviten que los usuarios individuales lean desde las tablas, escriban en ellas o creen instancias nuevas. Si una persona no tiene acceso a tu proyecto o no tiene una función de IAM que le otorgue los permisos adecuados para Bigtable, no podrá acceder a ninguna de tus tablas.

Puedes administrar la seguridad a nivel de proyecto, de instancia y de tabla. Bigtable no admite restricciones de seguridad a nivel de fila, columna o celda.

Encriptación

De forma predeterminada, todos los datos almacenados en Google Cloud, incluidos los de las tablas de Bigtable, están encriptados en reposo mediante los mismos sistemas de administración de claves endurecidos que usamos para nuestros propios datos encriptados.

Si quieres tener más control sobre las claves que se usan para encriptar tus datos de Bigtable en reposo, puedes usar claves de encriptación administradas por el cliente (CMEK).

Copias de seguridad

Las copias de seguridad de Bigtable te permiten guardar una copia del esquema y los datos de una tabla y, luego, restablecerla a una tabla nueva en otro momento. Con estas copias, puedes restablecer datos a una tabla nueva en cualquier región o proyecto en el que tengas una instancia de Bigtable, sin importar dónde se encuentre la tabla de origen.

Captura de datos modificados

Bigtable proporciona captura de datos modificados (CDC) en forma de flujos de cambios. Los flujos de cambios te permiten capturar y transmitir cambios de datos a una tabla a medida que se producen. Puedes leer un flujo de cambios mediante un servicio como Dataflow para admitir casos de uso como análisis de datos, auditorías, requisitos de archivo y activación de lógicas de aplicaciones descendentes. Para obtener más información, consulta la Descripción general de los flujos de cambios.

Solicitar enrutamiento con perfiles de app

Las políticas de enrutamiento de perfil de app te permiten controlar qué clústeres manejan las solicitudes entrantes de tus aplicaciones. Las opciones para las políticas de enrutamiento incluyen las siguientes:

  • Enrutamiento de clúster único: Envía todas las solicitudes a un solo clúster.
  • Enrutamiento de varios clústeres a cualquier clúster: Envía solicitudes al clúster disponible más cercano en la instancia.
  • Enrutamiento del grupo de clústeres: Envía solicitudes al clúster disponible más cercano dentro de un grupo de clústeres seleccionado en una instancia.

Otras opciones de almacenamiento y base de datos

Bigtable no es una base de datos relacional. No admite consultas de SQL, combinaciones ni transacciones de varias filas.

  • Si necesitas compatibilidad total con SQL para un sistema de procesamiento de transacciones en línea (OLTP), considera Spanner o Cloud SQL.
  • Si necesitas consultas interactivas con un sistema de procesamiento analítico en línea (OLAP), considera BigQuery.
  • Si debes almacenar objetos altamente estructurados en una base de datos de documentos con compatibilidad para transacciones ACID y consultas similares a SQL, considera Firestore.
  • Para el almacenamiento de datos en memoria con baja latencia, recomendamos Memorystore.
  • Para sincronizar datos entre usuarios en tiempo real, usa Firebase Realtime Database.

Para obtener más información sobre otras opciones de base de datos, consulta la descripción general de los servicios de base de datos. Google Cloud también tiene varias opciones de almacenamiento.

¿Qué sigue?