Caso de uso: Control de acceso a un clúster de Dataproc en otro proyecto

En esta página, se describe cómo administrar el control de acceso cuando implementas y ejecutas una canalización que usa clústeres de Dataproc en otro Google Cloud proyecto.

Situación

De forma predeterminada, cuando se inicia una instancia de Cloud Data Fusion en un proyecto deGoogle Cloud , se implementan y ejecutan canalizaciones con clústeres de Dataproc dentro del mismo proyecto. Sin embargo, es posible que tu organización requiera que uses clústeres en otro proyecto. Para este caso de uso, debes administrar el acceso entre los proyectos. En la siguiente página, se describe cómo puedes cambiar la configuración de baseline (predeterminada) y aplicar los controles de acceso adecuados.

Antes de comenzar

Para comprender las soluciones de este caso de uso, necesitas el siguiente contexto:

Suposiciones y alcance

Este caso de uso tiene los siguientes requisitos:

  • Una instancia privada de Cloud Data Fusion Por motivos de seguridad, es posible que una organización requiera que uses este tipo de instancia.
  • Una fuente y un receptor de BigQuery
  • Control de acceso con IAM, no con el control de acceso basado en roles (RBAC).

Solución

Esta solución compara la configuración y la arquitectura específicas del caso de uso y del modelo de referencia.

Arquitectura

En los siguientes diagramas, se compara la arquitectura del proyecto para crear una instancia de Cloud Data Fusion y ejecutar canalizaciones cuando usas clústeres en el mismo proyecto (línea de base) y en un proyecto diferente a través de la VPC del proyecto de usuario.

Arquitectura de referencia

En este diagrama, se muestra la arquitectura de referencia de los proyectos:

Arquitectura del proyecto de usuario, cliente y Dataproc en Cloud Data Fusion

Para la configuración del modelo de referencia, creas una instancia privada de Cloud Data Fusion y ejecutas una canalización sin personalización adicional:

  • Usas uno de los perfiles de procesamiento integrados
  • La fuente y el receptor están en el mismo proyecto que la instancia
  • No se otorgaron roles adicionales a ninguna de las cuentas de servicio.

Para obtener más información sobre los proyectos de usuarios y clientes, consulta Redes.

Arquitectura de casos de uso

En este diagrama, se muestra la arquitectura del proyecto cuando usas clústeres en otro proyecto:

Arquitectura del proyecto de usuario, cliente y Dataproc en Cloud Data Fusion

Configuraciones

En las siguientes secciones, se comparan las configuraciones de referencia con las configuraciones específicas del caso de uso para usar clústeres de Dataproc en un proyecto diferente a través de la VPC predeterminada del proyecto del inquilino.

En las siguientes descripciones de casos de uso, el proyecto del cliente es donde se ejecuta la instancia de Cloud Data Fusion, y el proyecto de Dataproc es donde se inicia el clúster de Dataproc.

VPC e instancia del proyecto del usuario

Modelo de referencia Caso de uso
En el diagrama de arquitectura de referencia anterior, el proyecto del inquilino contiene los siguientes componentes:
  • La VPC predeterminada, que se crea automáticamente.
  • La implementación física de la instancia de Cloud Data Fusion.
 No se necesita ninguna configuración adicional para este caso de uso.

Proyecto del cliente

Modelo de referencia Caso de uso
En tu Google Cloud proyecto, implementas y ejecutas canalizaciones. De forma predeterminada, los clústeres de Dataproc se inician en este proyecto cuando ejecutas tus canalizaciones. En este caso de uso, administras dos proyectos. En esta página, el proyecto del cliente hace referencia al lugar donde se ejecuta la instancia de Cloud Data Fusion.
El proyecto de Dataproc hace referencia al lugar donde se inician los clústeres de Dataproc.

VPC del cliente

Modelo de referencia Caso de uso

Desde tu perspectiva (la del cliente), la VPC del cliente es donde se encuentra Cloud Data Fusion de forma lógica.


Conclusión clave:
Puedes encontrar los detalles de la VPC del cliente en la página Redes de VPC de tu proyecto.

Ve a Redes de VPC

 No se necesita ninguna configuración adicional para este caso de uso.

Subred de Cloud Data Fusion

Modelo de referencia Caso de uso

Desde tu perspectiva (la del cliente), esta subred es donde se encuentra Cloud Data Fusion de forma lógica.


Conclusión clave:
La región de esta subred es la misma que la ubicación de la instancia de Cloud Data Fusion en el proyecto del usuario. 		No se necesita ninguna configuración adicional para este caso de uso.

Subred de Dataproc

Modelo de referencia Caso de uso

La subred en la que se inician los clústeres de Dataproc cuando ejecutas una canalización.


Conclusiones clave:
  • Para esta configuración de modelo de referencia, Dataproc se ejecuta en la misma subred que la instancia de Cloud Data Fusion.
  • Cloud Data Fusion ubica una subred en la misma región que la instancia y la subred de Cloud Data Fusion. Si solo hay una subred en esta región, las subredes son las mismas.
  • La subred de Dataproc debe tener el Acceso privado a Google.

Esta es una subred nueva en la que se inician los clústeres de Dataproc cuando ejecutas una canalización.


Conclusiones clave:
  • Para esta subred nueva, establece el Acceso privado a Google en Activado.
  • La subred de Dataproc no tiene que estar en la misma ubicación que la instancia de Cloud Data Fusion.

Fuentes y receptores

Modelo de referencia Caso de uso

Las fuentes de las que se extraen los datos y los receptores en los que se cargan, como las fuentes y los receptores de BigQuery


Conclusión clave:
  • Las tareas que recuperan y cargan datos deben procesarse en la misma ubicación que el conjunto de datos, o se producirá un error.
 Las configuraciones de control de acceso específicas del caso de uso que se muestran en esta página son para las fuentes y los destinos de BigQuery.

Cloud Storage

Modelo de referencia Caso de uso

Es el bucket de almacenamiento en el proyecto del cliente que ayuda a transferir archivos entre Cloud Data Fusion y Dataproc.


Conclusiones clave:
  • Puedes especificar este bucket a través de la interfaz web de Cloud Data Fusion en la configuración de Compute Profile para los clústeres efímeros.
  • Para canalizaciones por lotes y en tiempo real, o trabajos de replicación: Si no especificas un bucket en el perfil de procesamiento, Cloud Data Fusion crea uno en el mismo proyecto que la instancia para este fin.
  • Incluso para los clústeres estáticos de Dataproc, en esta configuración de referencia, Cloud Data Fusion crea el bucket y difiere de los buckets temporales y de etapa de pruebas de Dataproc.
  • El agente de servicio de la API de Cloud Data Fusion tiene permisos integrados para crear este bucket en el proyecto que contiene la instancia de Cloud Data Fusion.
 No se necesita ninguna configuración adicional para este caso de uso.

Buckets temporales que usan la fuente y el receptor

Modelo de referencia Caso de uso

Los buckets temporales que crean los complementos para tus fuentes y receptores, como los trabajos de carga que inicia el complemento de receptor de BigQuery.


Conclusiones clave:
  • Puedes definir estos buckets cuando configures las propiedades del plugin de fuente y destino.
  • Si no defines un bucket, se creará uno en el mismo proyecto en el que se ejecuta Dataproc.
  • Si el conjunto de datos es multirregional, el bucket se crea en el mismo alcance.
  • Si defines un bucket en la configuración del complemento, la región del bucket debe coincidir con la región del conjunto de datos.
  • Si no defines un bucket en las configuraciones del complemento, el que se crea se borra cuando finaliza la canalización.
 Para este caso de uso, el bucket se puede crear en cualquier proyecto.

Buckets que son fuentes o receptores de datos para complementos

Modelo de referencia Caso de uso
Los buckets de clientes, que especificas en las configuraciones de los complementos, como el complemento de Cloud Storage y el complemento de FTP a Cloud Storage. No se necesita ninguna configuración adicional para este caso de uso.

IAM: Agente de servicios de la API de Cloud Data Fusion

Modelo de referencia Caso de uso

Cuando se habilita la API de Cloud Data Fusion, el rol de agente de servicio de la API de Cloud Data Fusion (roles/datafusion.serviceAgent) se otorga automáticamente a la cuenta de servicio de Cloud Data Fusion, el agente de servicio principal.


Conclusiones clave:
  • El rol contiene permisos para los servicios del mismo proyecto que la instancia, como BigQuery y Dataproc. Para ver todos los servicios compatibles, consulta los detalles del rol.
  • La cuenta de servicio de Cloud Data Fusion realiza las siguientes acciones:
    • Comunicación del plano de datos (diseño y ejecución de canalizaciones) con otros servicios (por ejemplo, comunicación con Cloud Storage, BigQuery y Datastream en el tiempo de diseño).
    • Aprovisiona clústeres de Dataproc.
  • Si replicarás desde una fuente de Oracle, a esta cuenta de servicio también se le deben otorgar los roles de administrador de Datastream y de administrador de almacenamiento en el proyecto en el que se realiza la tarea. En esta página, no se aborda un caso de uso de replicación.

Para este caso de uso, otorga el rol de agente de servicio de la API de Cloud Data Fusion a la cuenta de servicio en el proyecto de Dataproc. Luego, otorga los siguientes roles en ese proyecto:

  • Función de usuario de red de Compute
  • Rol de editor de Dataproc

IAM: Cuenta de servicio de Dataproc

Modelo de referencia Caso de uso

La cuenta de servicio que se usa para ejecutar la canalización como un trabajo dentro del clúster de Dataproc. De forma predeterminada, es la cuenta de servicio de Compute Engine.


Opcional: En la configuración del modelo de referencia, puedes cambiar la cuenta de servicio predeterminada a otra cuenta de servicio del mismo proyecto. Otorga los siguientes roles de IAM a la cuenta de servicio nueva:

  • El rol de Ejecutor de Cloud Data Fusion Este rol permite que Dataproc se comunique con la API de Cloud Data Fusion.
  • El rol de trabajador de Dataproc. Este rol permite que las tareas se ejecuten en clústeres de Dataproc.
Conclusiones clave:
  • Se debe otorgar el rol de usuario de la cuenta de servicio a la cuenta de servicio del agente de API del servicio nuevo en la cuenta de servicio de Dataproc para que el agente de la API de servicio pueda usarla para iniciar clústeres de Dataproc.

En este ejemplo de caso de uso, se supone que usas la cuenta de servicio predeterminada (PROJECT_NUMBER-compute@developer.gserviceaccount.com) de Compute Engine del proyecto de Dataproc.


Otorga los siguientes roles a la cuenta de servicio predeterminada de Compute Engine en el proyecto de Dataproc.

  • El rol de trabajador de Dataproc
  • El rol de administrador de almacenamiento (o, como mínimo, el permiso "storage.buckets.create") para permitir que Dataproc cree buckets temporales para BigQuery
  • Rol de usuario de trabajo de BigQuery Este rol permite que Dataproc cree trabajos de carga. Los trabajos se crean en el proyecto de Dataproc de forma predeterminada.
  • Rol de editor de conjuntos de datos de BigQuery Este rol permite que Dataproc cree conjuntos de datos mientras carga datos.

Otorga el rol de usuario de cuenta de servicio a la cuenta de servicio de Cloud Data Fusion en la cuenta de servicio predeterminada de Compute Engine del proyecto de Dataproc. Esta acción se debe realizar en el proyecto de Dataproc.

Agrega la cuenta de servicio predeterminada de Compute Engine del proyecto de Dataproc al proyecto de Cloud Data Fusion. Otorga también los siguientes roles:

  • El rol de Visualizador de objetos de almacenamiento para recuperar artefactos relacionados con trabajos de canalización del bucket de consumidor de Cloud Data Fusion
  • El rol de ejecutor de Cloud Data Fusion, para que el clúster de Dataproc pueda comunicarse con Cloud Data Fusion mientras se está ejecutando.

API

Modelo de referencia Caso de uso
Cuando habilitas la API de Cloud Data Fusion, también se habilitan las siguientes APIs. Para obtener más información sobre estas APIs, ve a la página APIs y servicios de tu proyecto.

Ve a APIs y servicios

  • API de Cloud Autoscaling
  • API de Dataproc
  • API de Cloud Dataproc Control
  • Cloud DNS API
  • API de Cloud OS Login
  • API de Pub/Sub
  • API de Compute Engine
  • API de Container Filesystem
  • API de Container Registry
  • API de Service Account Credentials
  • API de Identity and Access Management
  • API de Google Kubernetes Engine

Cuando habilitas la API de Cloud Data Fusion, las siguientes cuentas de servicio se agregan automáticamente a tu proyecto:

  • Agente de servicios de las API de Google
  • Agente de servicio de Compute Engine
  • Agente de servicios de Kubernetes Engine
  • Agente de servicio de Google Container Registry
  • Agente de servicio de Google Cloud Dataproc
  • Agente de servicio de Cloud KMS
  • Cuenta de servicio de Cloud Pub/Sub
 Para este caso de uso, habilita las siguientes APIs en el proyecto que contiene el proyecto de Dataproc:
  • API de Compute Engine
  • API de Dataproc (es probable que ya esté habilitada en este proyecto) La API de Dataproc Control se habilita automáticamente cuando habilitas la API de Dataproc.
  • API de Resource Manager

Claves de encriptación

Modelo de referencia Caso de uso

En la configuración del modelo de referencia, las claves de encriptación pueden ser administradas por Google o CMEK .


Conclusiones clave:

Si usas CMEK, tu configuración de referencia requiere lo siguiente:

  • La clave debe ser regional y crearse en la misma región que la instancia de Cloud Data Fusion.
  • Otorga el rol de Encriptador/Desencriptador de CryptoKey de Cloud KMS a las siguientes cuentas de servicio a nivel de la clave (no en la página de IAM de la consola de Google Cloud) en el proyecto en el que se crea:
    • Cuenta de servicio de la API de Cloud Data Fusion
    • Cuenta de servicio de Dataproc, que es el agente de servicio de Compute Engine (service-PROJECT_NUMBER@compute-system.iam.gserviceaccount.com) de forma predeterminada
    • Agente de servicio de Google Cloud Dataproc (service-PROJECT_NUMBER@dataproc-accounts.iam.gserviceaccount.com)
    • Agente de servicio de Cloud Storage (service-PROJECT_NUMBER@gs-project-accounts.iam.gserviceaccount.com)

Según los servicios que se usen en tu canalización, como BigQuery o Cloud Storage, las cuentas de servicio también deben tener el rol de Encriptador o Desencriptador de CryptoKey de Cloud KMS:

  • La cuenta de servicio de BigQuery (bq-PROJECT_NUMBER@bigquery-encryption.iam.gserviceaccount.com)
  • La cuenta de servicio de Pub/Sub (service-PROJECT_NUMBER@gcp-sa-pubsub.iam.gserviceaccount.com)
  • La cuenta de servicio de Spanner (service-PROJECT_NUMBER@gcp-sa-spanner.iam.gserviceaccount.com)

Si no usas CMEK, no es necesario realizar cambios adicionales para este caso de uso.

Si usas CMEK, se debe proporcionar el rol de Encriptador/Desencriptador de CryptoKey de Cloud KMS a la siguiente cuenta de servicio a nivel de la clave en el proyecto en el que se crea:

  • Agente de servicio de Cloud Storage (service-PROJECT_NUMBER@gs-project-accounts.iam.gserviceaccount.com)

Según los servicios que se usen en tu canalización, como BigQuery o Cloud Storage, a otras cuentas de servicio también se les debe otorgar el rol de encriptador/desencriptador de CryptoKey de Cloud KMS a nivel de la clave. Por ejemplo:

  • La cuenta de servicio de BigQuery (bq-PROJECT_NUMBER@bigquery-encryption.iam.gserviceaccount.com)
  • La cuenta de servicio de Pub/Sub (service-PROJECT_NUMBER@gcp-sa-pubsub.iam.gserviceaccount.com)
  • La cuenta de servicio de Spanner (service-PROJECT_NUMBER@gcp-sa-spanner.iam.gserviceaccount.com)

Después de realizar estas configuraciones específicas del caso de uso, tu canalización de datos puede comenzar a ejecutarse en clústeres de otro proyecto.

¿Qué sigue?