Sécurité et autorisations pour Dataflow

Les pipelines Dataflow peuvent être exécutés en local (pour effectuer des tests sur de petits ensembles de données) ou sur des ressources Google Cloud gérées, à l'aide du service géré Dataflow. Que le pipeline et ses nœuds de calcul soient exécutés localement ou dans le cloud, ils utilisent un système d'autorisations pour assurer la sécurité d'accès aux fichiers et aux ressources du pipeline. Les autorisations Dataflow sont attribuées en fonction du rôle utilisé pour accéder aux ressources du pipeline. Les sections ci-dessous expliquent les rôles et les autorisations associés aux pipelines locaux et cloud, ainsi que les paramètres par défaut. Elles indiquent également comment vérifier les autorisations de votre projet.

Avant de commencer

Pour en savoir plus sur les identifiants de projet Google Cloud, consultez la présentation de la plate-forme. Ces identifiants incluent le nom, l'ID et le numéro du projet.

Sécurité et autorisations pour les pipelines locaux

Compte Google Cloud

En local, le pipeline Apache Beam est exécuté avec le compte Google Cloud que vous avez configuré à l'aide de l'exécutable de l'outil de ligne de commande gcloud. Par conséquent, les opérations du SDK Apache Beam exécutées localement et votre compte Google Cloud ont accès aux mêmes fichiers et ressources.

Pour répertorier le compte Google Cloud que vous avez sélectionné par défaut, exécutez la commande gcloud config list.

Sécurité et autorisations pour les pipelines sur Google Cloud

Lorsque vous exécutez un pipeline, Dataflow gère la sécurité et les autorisations à l'aide de deux comptes de service : le sien et celui du contrôleur. Le service Dataflow utilise son compte de service dans le cadre d'une requête de création de tâche (par exemple, pour vérifier le quota des projets et créer des instances de nœud de calcul en votre nom) et pendant l'exécution de la tâche, afin de gérer celle-ci. Les instances de nœud de calcul utilisent le compte de service du contrôleur pour accéder aux ressources d'entrée et de sortie une fois que vous avez envoyé la tâche.

Compte de service Dataflow

Dans le cadre de l'exécution du pipeline de Dataflow, le service Dataflow manipule les ressources en votre nom (par exemple, en créant des VM supplémentaires). Lorsque vous exécutez votre pipeline sur le service Dataflow, il utilise un compte de service (service-<project-number>@dataflow-service-producer-prod.iam.gserviceaccount.com). Ce compte est créé automatiquement lors de la création d'un projet Dataflow. Il se voit attribuer le rôle Agent de service Dataflow sur le projet et dispose des autorisations nécessaires pour exécuter une tâche Dataflow dans le projet, comme démarrer des nœuds de calcul Compute Engine. Le compte est utilisé exclusivement par le service Dataflow et est propre à votre projet.

Vous pouvez vérifier les autorisations des comptes de service Dataflow à l'aide de l'outil de ligne de commande gcloud en saisissant la commande suivante dans votre interface système ou votre terminal :

gcloud iam roles describe roles/dataflow.serviceAgent

Comme les services Google Cloud attendent un accès en lecture/écriture au projet et à ses ressources, nous vous recommandons de ne pas modifier les autorisations par défaut qui sont établies automatiquement pour votre projet. Si vous supprimez les autorisations du compte de service de la règle Identity and Access Management (IAM), les comptes sont conservés, car ils appartiennent au service Dataflow. Si un compte de service Dataflow perd ses autorisations sur un projet, Dataflow ne peut pas lancer de VM ni effectuer d'autres tâches de gestion.

Compte de service du contrôleur

Les instances Compute Engine exécutent les opérations du SDK Apache Beam dans le cloud. Ces nœuds de calcul accèdent aux fichiers du pipeline et à d'autres ressources à l'aide du compte de service du contrôleur de votre projet. Dataflow utilise également le compte de service du contrôleur pour effectuer des opérations de "métadonnées", qui ne sont pas exécutées sur votre client local ou sur les nœuds de calcul Compute Engine. Ces opérations effectuent différentes tâches, comme déterminer la taille des entrées et accéder aux fichiers Cloud Storage.

Pour que le compte de service du contrôleur puisse créer, exécuter et examiner une tâche, assurez-vous qu'il dispose des rôles roles/dataflow.admin et roles/dataflow.worker. De plus, votre compte utilisateur doit disposer de l'autorisation iam.serviceAccounts.actAs afin d'emprunter l'identité du compte de service.

Compte de service du contrôleur par défaut

Par défaut, les nœuds de calcul utilisent le compte de service Compute Engine par défaut de votre projet en tant que compte de service du contrôleur. Ce compte de service (<project-number>-compute@developer.gserviceaccount.com) est créé automatiquement lorsque vous activez l'API Compute Engine pour votre projet à partir de la page des API de Google Cloud Console.

Le compte de service Compute Engine par défaut dispose d'un accès étendu aux ressources de votre projet, ce qui facilite la mise en route de Dataflow. Toutefois, pour les charges de travail de production, nous vous recommandons de créer un nouveau compte de service ne disposant que des rôles et autorisations nécessaires.

Spécifier un compte de service du contrôleur géré par l'utilisateur

Si vous souhaitez créer et utiliser des ressources avec un contrôle d'accès précis, vous pouvez créer un compte de service géré par l'utilisateur et l'utiliser comme compte de service du contrôleur.

Si vous ne disposez pas d'un compte de service géré par l'utilisateur, vous devez créer un compte de service et définir les rôles IAM requis pour votre compte de service. Le compte de service doit être au minimum doté du rôle Nœud de calcul Dataflow. Il peut également avoir besoin de rôles supplémentaires pour utiliser les ressources Google Cloud requises par votre tâche (comme BigQuery, Pub/Sub ou l'écriture dans Cloud Storage). Par exemple, si la tâche lit les données à partir de BigQuery, votre compte de service doit également être doté du rôle bigquery.dataViewer.

Le compte de service géré par l'utilisateur peut se trouver dans le même projet que votre tâche ou dans un autre projet. Si le compte de service et la tâche se trouvent dans des projets différents, vous devez configurer le compte de service avant d'exécuter la tâche. Vous devez également attribuer le rôle de créateur de jetons du compte de service aux comptes de service gérés par Google sur le compte de service géré par l'utilisateur :

  • Compte de service Compute Engine par défaut (<project-number>-compute@developer.gserviceaccount.com)
  • Agent de service Dataflow (service-<project-number>@dataflow-service-producer-prod.iam.gserviceaccount.com)

Java

Utilisez l'option --serviceAccount et spécifiez votre compte de service lorsque vous exécutez la tâche de pipeline : --serviceAccount=my-service-account-name@<project-id>.iam.gserviceaccount.com

Python

Utilisez l'option --service_account_email et spécifiez votre compte de service lorsque vous exécutez la tâche de pipeline : --service_account_email=my-service-account-name@<project-id>.iam.gserviceaccount.com

Vous pouvez obtenir la liste des comptes de service de votre projet à partir de la page Autorisations de Cloud Console.

Accéder aux ressources Google Cloud dans plusieurs projets Google Cloud

Vos pipelines Apache Beam peuvent accéder aux ressources Google Cloud dans d'autres projets Google Cloud, Voici notamment ce que vous y trouverez :

Java

  • Buckets Cloud Storage
  • Ensembles de données BigQuery
  • Sujets et abonnements Pub/Sub
  • Ensembles de données Firestore

Python

  • Buckets Cloud Storage
  • Ensembles de données BigQuery
  • Sujets et abonnements Pub/Sub
  • Ensembles de données Firestore

Pour vous assurer que le pipeline Apache Beam peut accéder à ces ressources d'un projet à l'autre, vous devez utiliser les mécanismes de contrôle d'accès respectifs des ressources, afin d'accorder explicitement l'accès au compte de service du contrôleur du projet Dataflow.

Accéder aux buckets Cloud Storage dans les projets Google Cloud

Pour permettre à votre projet Dataflow d'accéder à un bucket Cloud Storage qui appartient un autre projet Google Cloud, rendez-le accessible par le compte de service du contrôleur du projet Dataflow. Vous pouvez accorder l'accès requis à l'aide des contrôles d'accès Cloud Storage.

Pour obtenir la liste des comptes de service de votre projet Dataflow, consultez la page IAM et administration de Cloud Console. Une fois que vous disposez des noms des comptes, vous pouvez exécuter les commandes gsutil pour accorder la propriété des comptes de service du projet (autorisation en lecture/écriture) à la fois au bucket et à ses contenus.

Pour accorder aux comptes de service du projet Dataflow l'accès à un bucket Cloud Storage d'un autre projet, exécutez la commande suivante dans la fenêtre de votre interface système ou de votre terminal : gsutil acl ch -u <project-number>-compute@developer.gserviceaccount.com:OWNER gs://<bucket>

Pour permettre aux comptes de service de votre projet Dataflow d'accéder aux contenus existants d'un bucket Cloud Storage d'un autre projet, exécutez la commande suivante dans la fenêtre de votre interface système ou de votre terminal : gsutil -m acl ch -r -u <project-number>-compute@developer.gserviceaccount.com:OWNER gs://<bucket>

La commande précédente n'accorde l'accès qu'aux ressources existantes. Si vous accordez aux comptes de service du projet Dataflow l'autorisation par défaut pour le bucket, ils peuvent accéder aux futures ressources ajoutées à celui-ci : gsutil defacl ch -u <project-number>-compute@developer.gserviceaccount.com:OWNER gs://<bucket>

Accéder aux ensembles de données BigQuery dans les projets Google Cloud

Vous pouvez utiliser l'API BigQueryIO pour accéder aux ensembles de données BigQuery appartenant à un autre projet Google Cloud (c'est-à-dire, différent de celui avec lequel vous utilisez Dataflow). Pour que la source et le récepteur BigQuery fonctionnent correctement, les deux comptes suivants doivent avoir accès à tous les ensembles de données BigQuery sur lesquels votre tâche Dataflow effectue des opérations de lecture ou d'écriture :

Vous devrez peut-être configurer BigQuery pour accorder l'accès de manière explicite à ces comptes. Pour en savoir plus sur l'octroi de l'accès aux ensembles de données BigQuery à l'aide de la page BigQuery ou de l'API BigQuery, consultez la page Contrôle d'accès BigQuery.

Par exemple, si votre compte Google Cloud est abcde@gmail.com et que le numéro du projet sur lequel vous exécutez la tâche Dataflow est 123456789, les comptes suivants doivent tous avoir accès aux ensembles de données BigQuery utilisés : abcde@gmail.com et 123456789-compute@developer.gserviceaccount.com.

Accéder aux sujets et abonnements Pub/Sub de plusieurs projets Google Cloud

Pour accéder à un sujet ou à un abonnement Pub/Sub appartenant à un autre projet Google Cloud, vous devez configurer des autorisations inter-projets à l'aide des fonctionnalités de gestion de l'authentification et des accès Pub/Sub. Dataflow utilise le compte de service du contrôleur pour exécuter les tâches et accorder à ce compte de service l'accès aux ressources Pub/Sub de l'autre projet.

Les autorisations des rôles Pub/Sub suivants sont nécessaires :

  • roles/pubsub.subscriber
  • roles/pubsub.viewer

Pour en savoir plus et obtenir des exemples de code illustrant l'utilisation des fonctionnalités IAM de Pub/Sub, consultez la section Exemple de cas d'utilisation : communication entre projets.

Accéder à Firestore sur les projets Google Cloud

Pour accéder à une base de données Firestore (en mode natif ou en mode Datastore) appartenant à un autre projet Google Cloud, ajoutez le compte de service Compute Engine (<project-number>-compute@developer.gserviceaccount.com) de votre projet Dataflow en tant qu'éditeur du projet qui appartient à Firestore. Activez également l'API Firestore dans les deux projets à l'adresse https://console.cloud.google.com/project/<project-id>/apiui/apiview/firestore/overview.

Accès aux données et sécurité

Le service Dataflow met en œuvre plusieurs mécanismes de sécurité pour garantir la sécurité et la confidentialité des données. Ces mécanismes s'appliquent aux scénarios suivants :

  • Vous envoyez un pipeline au service.
  • Le service évalue votre pipeline.
  • Vous demandez l'accès à la télémétrie et aux métriques pendant et après l'exécution du pipeline.

Envoi des pipelines

Les autorisations de votre projet Google Cloud contrôlent l'accès au service Dataflow. Tous les membres du projet disposant de droits de modification ou de propriété peuvent envoyer des pipelines au service. Pour envoyer des pipelines, vous devez vous authentifier à l'aide de l'outil de ligne de commande gcloud. Une fois que vous êtes authentifié, les pipelines sont envoyés à l'aide du protocole HTTPS. Pour obtenir des instructions concernant l'authentification avec les identifiants de compte Google Cloud, consultez le guide de démarrage rapide correspondant au langage que vous utilisez.

Évaluation des pipelines

Données temporaires

Dans le cadre de l'évaluation d'un pipeline, des données temporaires peuvent être générées et stockées localement dans les nœuds de calcul ou dans Cloud Storage. Les données temporaires sont chiffrées au repos, et elles ne sont pas persistantes à la fin de l'évaluation d'un pipeline.

Java

Par défaut, les VM Compute Engine sont supprimées à la fin de la tâche Dataflow, qu'elle ait réussi ou non. Cela signifie que le disque persistant associé, ainsi que toutes les données intermédiaires qui pourraient y être stockées, sont supprimés. Les données intermédiaires stockées dans Cloud Storage sont disponibles dans des sous-emplacements du chemin Cloud Storage que vous indiquez en tant que --stagingLocation et/ou --tempLocation. Si vous écrivez une sortie dans un fichier Cloud Storage, des fichiers temporaires peuvent être créés dans l'emplacement de sortie avant que l'opération d'écriture ne soit finalisée.

Python

Par défaut, les VM Compute Engine sont supprimées à la fin de la tâche Dataflow, qu'elle ait réussi ou non. Cela signifie que le disque persistant associé, ainsi que toutes les données intermédiaires qui pourraient y être stockées, sont supprimés. Les données intermédiaires stockées dans Cloud Storage sont disponibles dans des sous-emplacements du chemin Cloud Storage que vous indiquez en tant que --staging_location et/ou --temp_location. Si vous écrivez une sortie dans un fichier Cloud Storage, des fichiers temporaires peuvent être créés dans l'emplacement de sortie avant que l'opération d'écriture ne soit finalisée.

Données enregistrées

Les informations stockées dans Cloud Logging sont principalement générées par le code de votre programme Dataflow. Le service Dataflow peut également générer des données d'avertissement et d'erreur dans Cloud Logging, mais il s'agit des seules données intermédiaires que le service ajoute aux journaux.

Données en cours de transfert

Il existe deux modes de transmission des données lors de l'évaluation en pipeline :

  • Lors de la lecture ou de l'écriture à partir de sources et de récepteurs
  • Entre les instances de nœud de calcul pendant le traitement des données dans le pipeline lui-même

Toutes les communications avec les sources et les récepteurs Google Cloud sont chiffrées et transmises via HTTPS. Toutes les communications entre les nœuds de calcul se produisent sur un réseau privé, et sont soumises aux autorisations et aux règles de pare-feu de votre projet.

Localisation des données

La logique d'un pipeline est évaluée sur des instances individuelles de Compute Engine. Vous pouvez spécifier la zone dans laquelle se trouvent ces instances et le réseau privé sur lequel elles communiquent. Les calculs auxiliaires effectués dans l'infrastructure de Google reposent sur des métadonnées (telles que les tailles de fichier ou les emplacements Cloud Storage). Vos données ne quittent jamais cette zone ni ne dépassent vos limites de sécurité.

Télémétrie et métriques

Les données de télémétrie et les métriques associées sont chiffrées au repos, et l'accès à ces données est contrôlé par les autorisations de lecture de votre projet Google Cloud.

Nous vous recommandons d'utiliser les mécanismes de sécurité disponibles dans les ressources cloud sous-jacentes de votre pipeline. Ces mécanismes incluent les fonctionnalités de sécurité des données de sources et de récepteurs de données tels que BigQuery et Cloud Storage. Il est également préférable de ne pas mélanger différents niveaux de confiance dans un même projet.