Utilizzare Dataflow Prime

Dataflow Prime è una piattaforma di elaborazione dei dati serverless di pipeline di Apache Beam. Basato su Dataflow, Dataflow Prime utilizza un'architettura di computing separata da stato. Nei seguenti casi, Dataflow Prime potrebbe migliorare l'efficienza della pipeline:

Dataflow Prime supporta sia le pipeline in batch che quelle in streaming. Per impostazione predefinita, Dataflow Prime utilizza Dataflow Shuffle e Dataflow Runner V2 per le pipeline in modalità batch.

Supporto della versione dell'SDK

Dataflow Prime supporta i seguenti SDK Apache Beam:

  • SDK Apache Beam per Python versione 2.21.0 o successive

  • Apache Beam Java SDK versione 2.30.0 o successive

  • SDK Apache Beam Go versione 2.44.0 o successive

Per scaricare il pacchetto SDK o leggere le Note di rilascio, vedi Download di Apache Beam.

Funzionalità di Dataflow Prime

Di seguito è riportato l'elenco di funzionalità di Dataflow Prime supportate per diversi tipi di pipeline:

  • Scalabilità automatica verticale (memoria). Supporta le pipeline di streaming in Python, Java e Go.
  • Adattabilità (suggerimenti sulle risorse). Supporta pipeline batch in Python e Java.
  • Job Visualizer. Supporta pipeline batch in Python e Java.
  • Consigli intelligenti. Supporta le pipeline in streaming e batch in Python e Java.
  • Pipeline di dati. Supporta pipeline di flusso e batch in Python e Java.

Funzionalità di visualizzazione di job, suggerimenti intelligenti e pipeline di dati sono supportati anche per job non Dataflow Prime.

Scalabilità automatica verticale

Questa funzione regola automaticamente la memoria disponibile VM worker Dataflow per soddisfare le esigenze della pipeline per evitare errori di esaurimento della memoria. In Dataflow Prime, la scalabilità automatica verticale funziona insieme alla scalabilità automatica orizzontale per scalare le risorse in modo dinamico.

Per ulteriori informazioni, consulta Scalabilità automatica verticale.

Adattabilità

Questa funzionalità utilizza suggerimenti delle risorse, una funzionalità di Apache Beam. Utilizzando gli hint delle risorse, puoi e specificare i requisiti delle risorse per l'intera pipeline passaggi specifici della pipeline. Questa funzionalità ti consente di creare worker personalizzati per diversi passaggi di una pipeline. La scelta giusta consente di specificare le risorse della pipeline per massimizzare l'efficienza, ridurre i costi operativi ed evitare errori di esaurimento della memoria e altri errori relativi alle risorse. Supporta memoria e GPU gli hint delle risorse.

Per il montaggio corretto è necessario Apache Beam 2.30.0 o versioni successive.

Per ulteriori informazioni, consulta la sezione Adattabilità corretta.

Visualizzatore job

Questa funzionalità consente di vedere le prestazioni di un job Dataflow e ottimizzare le prestazioni del job individuando codice inefficiente, ad esempio colli di bottiglia nel parallelizzazione. Nella console Google Cloud, puoi fare clic su qualsiasi job Dataflow nella pagina Job per visualizzarne i dettagli. Puoi anche visualizzare l'elenco dei passaggi associati a ogni fase della pipeline.

Per ulteriori informazioni, consulta Dettagli esecuzione.

Consigli intelligenti

Questa funzione consente di ottimizzare e risolvere i problemi della pipeline in base ai suggerimenti forniti Scheda Diagnostica della pagina dei dettagli del job. Nella console Google Cloud, puoi fare clic su in qualsiasi job Dataflow nella pagina Job per visualizzare i relativi dettagli.

Per ulteriori informazioni, consulta la sezione Consigli e diagnostica.

Pipeline di dati

Questa funzionalità consente di pianificare job, osservare l'utilizzo delle risorse monitorare gli obiettivi di aggiornamento dei dati per i flussi di dati e ottimizzare le pipeline.

Per saperne di più, consulta Utilizzo delle pipeline di dati.

Requisiti di quote e limiti

Le quote e i limiti sono gli stessi per Dataflow e Dataflow Prime. Per ulteriori informazioni, consulta Quote e limiti.

Se scegli le pipeline di dati, sono disponibili anche implicazioni per quote e regioni.

Funzionalità non supportate

Dataflow Prime non supporta quanto segue:

  • Designazione di tipi di VM specifici utilizzando il flag --worker_machine_type o --machine_type per le pipeline Python e --workerMachineType per le pipeline Java.

  • Visualizzazione o utilizzo di SSH per accedere alle VM worker.

  • Le classi MapState e OrderedListState per le pipeline Java.

  • FlexRS (Flexible Resource Scheduling).

  • Utilizzo di Controlli di servizio VPC con Scalabilità automatica verticale. Se attivi Dataflow Prime e lanci un nuovo job all'interno di un perimetro di Controlli di servizio VPC, il job utilizzerà Dataflow Prime senza la scalabilità automatica verticale.

  • NVIDIA Multi-Process Service (MPS).

Tutte le opzioni della pipeline non in modo esplicito menzionate in precedenza o nella tabella di confronto delle funzionalità la stessa cosa per Dataflow e Dataflow Prime.

Prima di utilizzare Dataflow Prime

Per utilizzare Dataflow Prime, puoi riutilizzare il codice della pipeline esistente e attivare l'opzione Dataflow Prime tramite Cloud Shell o tramite programmazione.

Dataflow Prime è compatibile con le versioni precedenti dei job batch che utilizzano Dataflow Shuffle e job di flussi di dati che utilizzano Streaming Engine. Tuttavia, ti consigliamo di testare le pipeline con Dataflow Prime prima di utilizzarli in un ambiente di produzione.

Se la pipeline in streaming è in produzione, per utilizzare Dataflow Prime, segui questi passaggi:

  1. Arresta la pipeline.

  2. Attiva Dataflow Prime.

  3. Esegui di nuovo la pipeline.

Abilita Dataflow Prime

Per attivare Dataflow Prime per una pipeline:

  1. Abilita l'API Cloud Autoscaling.

    Abilitare l'API

    Dataflow Prime utilizza l'API Cloud Scalabilità automatica per regolare in modo dinamico la memoria.

  2. Attiva Prime nelle opzioni della pipeline.

    Puoi impostare le opzioni della pipeline in modo programmatico o utilizzando la riga di comando. Per le versioni dell'SDK Apache Beam supportate, abilita il seguente flag:

Java

--dataflowServiceOptions=enable_prime

Python

SDK Apache Beam per Python versione 2.29.0 o successiva:

--dataflow_service_options=enable_prime

SDK Apache Beam per Python versione da 2.21.0 a 2.28.0:

--experiments=enable_prime

Vai

--dataflow_service_options=enable_prime

Usa Dataflow Prime con i modelli

Se utilizzi i modelli Dataflow, puoi scegliere di attivare Dataflow Prime in uno dei seguenti modi:

  1. Per i job avviati dalla pagina Crea job da modello:

    1. Vai alla pagina Crea job da modello.

      Vai a Crea job da modello

    2. Nel campo Esperimento aggiuntivo, inserisci enable_prime.

  2. Per i job avviati da un modello tramite l'interfaccia a riga di comando, passa il flag --additional-experiments=enable_prime.

  3. Per abilitare Dataflow Prime quando crei un modello, imposta il flag --experiments=enable_prime.

Utilizzare Dataflow Prime nei notebook Apache Beam

Se utilizzi un blocco note Apache Beam, puoi abilitare Dataflow Prime in modo programmatico utilizzando PipelineOptions:

options = pipeline_options.PipelineOptions(
    flags=[],
    dataflow_service_options=['enable_prime'],
)

Per scoprire di più sull'impostazione delle opzioni di Dataflow in un notebook, consulta Avvia job Dataflow da una pipeline creata nel tuo notebook.

Confronto delle funzionalità tra Dataflow e Dataflow Prime

La tabella seguente mette a confronto le funzionalità disponibili per entrambe le varianti di Dataflow.

Funzionalità Dataflow Prime Dataflow
Runner V2 Caratteristica predefinita senza opzione per disattivare per i job batch e facoltativa per i job in modalità flusso Caratteristica predefinita con un'opzione per disattivare per i job batch e facoltativa per i job in modalità flusso
Dataflow Shuffle per job batch Funzionalità predefinita con un'opzione per la disattivazione Funzionalità predefinita con un'opzione per la disattivazione
Streaming Engine per i job di flussi di dati Funzionalità facoltativa per le pipeline Java e sempre attiva per le pipeline Python Funzionalità facoltativa per le pipeline Java e sempre attiva per le pipeline Python dalla versione 2.45.0
Scalabilità automatica orizzontale Funzionalità predefinita con opzione di disattivazione Funzionalità predefinita con opzione di disattivazione
Scalabilità automatica verticale Funzionalità predefinita con opzione di disattivazione Non applicabile
Aderenza perfetta Funzionalità facoltativa Funzionalità facoltativa
Fatturazione Fatturazione serverless Fatturazione standard

Passaggi successivi