Impostare la modalità di streaming della pipeline

Dataflow supporta due modalità per i job di streaming:

  • Modalità esattamente una volta. Questa modalità è predefinita per tutti i job di streaming di Dataflow. In questa modalità, Dataflow garantisce che i record non vengano eliminati o duplicati durante il passaggio dei dati nella pipeline.
  • Modalità "almeno una volta". Questa modalità garantisce che i record vengano elaborati almeno una volta (ovvero che nessun record di input venga perso). Tuttavia, in questa modalità sono possibili record duplicati. Per i casi d'uso che possono tollerare i duplicati, la modalità almeno una volta può ridurre notevolmente il costo e la latenza del job.

Scegliere la modalità di streaming da utilizzare

Scegli la modalità esattamente una volta se devi assicurarti risultati esatti dalla pipeline e una semantica prevedibile. Ad esempio:

  • Pipeline con aggregazioni, come conteggio, somma o media.
  • Casi d'uso business-critical che si basano sull'elaborazione dei record una sola volta. Alcuni esempi sono il rilevamento delle frodi, il rilevamento delle minacce alla rete e le dashboard dell'inventario di e-commerce.

Scegli la modalità di streaming almeno una volta se il tuo carico di lavoro può tollerare record duplicati e potrebbe trarre vantaggio da costi o latenze ridotti. Ad esempio:

  • Carichi di lavoro in cui la deduplica viene eseguita a valle di Dataflow. Ad esempio, le pipeline che scrivono in BigQuery o in un archivio dati SQL.
  • Pipeline solo mappa senza aggregazioni. Alcuni esempi sono l'elaborazione dei log, la cattura dei dati sulle modifiche o i job ETL (estrazione, trasformazione e caricamento), in cui la pipeline esegue solo trasformazioni per elemento, come la traduzione dello schema.
  • Pipeline in cui l'obiettivo di output non può garantire la consegna "exactly-once", come Pub/Sub. In questo caso, la deduplica all'interno della pipeline potrebbe essere non necessaria e puoi trarre vantaggio dal costo e dalla latenza ridotti della modalità di streaming almeno una volta.
  • Pipeline che leggono da Pub/Sub. La lettura da Pub/Sub è ottimizzata in modo significativo se si utilizza la modalità almeno una volta.

Ulteriori considerazioni

  • La modalità Almeno una volta può ridurre notevolmente il costo e la latenza di una pipeline. L'impatto esatto dipende dalle specifiche della pipeline. Testa lo streaming almeno una volta con carichi realistici per valutare l'impatto.

  • Quando utilizzi la modalità Almeno una volta, la percentuale di record duplicati dipende dal numero di tentativi. In genere, il tasso di riferimento è basso (<1%). Tuttavia, possono verificarsi picchi se i nodi di lavoro non funzionano o se altre condizioni causano chiamate RPC ripetute.

  • La modalità di streaming influisce sul modo in cui Streaming Engine elabora i record, ma non cambia la semantica dei connettori di I/O. È consigliabile allineare la semantica I/O alla modalità di streaming. Ad esempio, se utilizzi la modalità di streaming almeno una volta con il connettore BigQuery I/O, imposta la modalità di scrittura su STORAGE_API_AT_LEAST_ONCE. I modelli Dataflow forniti da Google attivano automaticamente questa opzione quando utilizzi lo streaming almeno una volta.

  • Le trasformazioni elementari come Map non sono sempre idempotenti. Ad esempio, consideriamo una funzione che riceve un messaggio e vi aggiunge il timestamp corrente. In questo caso, un record duplicato può produrre diversi output distinti. La modalità "Almeno una volta" potrebbe non essere appropriata per la pipeline.

Impostare la modalità di streaming

L'elaborazione exactly-once è l'impostazione predefinita per tutti i job Dataflow. Per attivare la modalità di streaming Almeno una volta, imposta l'streaming_mode_at_least_once opzione di servizio.

Java 

--dataflowServiceOptions=streaming_mode_at_least_once

Python 

--dataflow_service_options=streaming_mode_at_least_once

Vai 

--dataflow_service_options=streaming_mode_at_least_once

Se non specifichi l'opzione streaming_mode_at_least_once, Dataflow utilizza la modalità di streaming esattamente una volta.

Se imposti l'opzione streaming_mode_at_least_once, Dataflow attiva automaticamente Streaming Engine con la fatturazione basata sulle risorse.

Per aggiornare la modalità di streaming di un job in esecuzione, avvia un job sostitutivo.

Selezionare la modalità di streaming per un modello

Per selezionare la modalità di streaming quando esegui un modello di streaming Dataflow, svolgi i seguenti passaggi:

Console

  1. Nella console Google Cloud, vai alla pagina Job di Dataflow.

    Vai a Job

  2. Fai clic su Crea job da modello.

  3. Seleziona il modello da eseguire dal menu a discesa Modello di flusso di dati.

  4. Per Modalità di streaming, seleziona la modalità di streaming. Se il modello supporta solo una modalità, questa opzione è disattivata.

gcloud

Per attivare la modalità Almeno una volta, imposta l'opzione streaming_mode_at_least_once nel flag additional-experiments:

--additional-experiments=streaming_mode_at_least_once

Per attivare la modalità esattamente una volta, imposta l'opzione streaming_mode_exactly_once nel flag additional-experiments:

--additional-experiments=streaming_mode_exactly_once

Queste due opzioni si escludono a vicenda. Se non imposti una di queste opzioni, il modello assume per impostazione predefinita una modalità di streaming determinata dai metadati del modello. Per ulteriori informazioni, consulta Modelli personalizzati.

REST

Utilizza il campo additionalExperiments nell'oggetto FlexTemplateRuntimeEnvironment (modelli flessibili) o RuntimeEnvironment (modelli classici).

{
  additionalExperiments : ["streaming_mode_at_least_once"]
  ...
}

Modelli personalizzati

Se crei un modello personalizzato che supporta l'elaborazione almeno una volta, aggiungi i seguenti campi di primo livello al file dei metadati del modello:

{
  "streaming": true,
  "supportsAtLeastOnce": true,
  "supportsExactlyOnce": true,
  "defaultStreamingMode": "AT_LEAST_ONCE"
}

Questi campi dei metadati consentono agli utenti di selezionare la modalità di streaming durante il deployment del modello nella console Google Cloud. Il campo defaultStreamingMode è facoltativo e specifica la modalità di streaming predefinita per il modello. Se non specifichi defaultStreamingMode e il modello supporta entrambe le modalità, la modalità esattamente una volta è quella predefinita.

Per ulteriori informazioni, consulta le seguenti sezioni della documentazione dei modelli Dataflow:

Visualizzare la modalità di streaming di un job

Per visualizzare la modalità di streaming per un job, vai alla pagina Job nella console Google Cloud.

Vai a Job

La modalità di streaming è indicata anche nella pagina dei dettagli del job, nel riquadro Informazioni sul job.

Limitazioni

La modalità flusso di dati Almeno una volta richiede Streaming Engine con fatturazione basata sulle risorse.

Prezzi

La modalità Almeno una volta utilizza sempre la fatturazione in base alle risorse, per cui ti vengono addebitate le risorse totali consumate dal job.

Il costo unitario delle Unità di calcolo Streaming Engine è lo stesso indipendentemente dalla modalità di streaming. Tuttavia, nella maggior parte dei casi una pipeline consumerà molto meno risorse totali se utilizzi la modalità almeno una volta.

Passaggi successivi