Autenticación del clúster personal de Dataproc

Cuando creas un clúster de Dataproc, puedes habilitar la autenticación del clúster personal de Dataproc para permitir que las cargas de trabajo interactivas del clúster se ejecuten de forma segura con tu identidad de usuario. Esto significa que las interacciones con otros recursos de Google Cloud, como Cloud Storage, se autenticarán como tú en lugar de la cuenta de servicio del clúster.

Consideraciones

  • Cuando creas un clúster con la autenticación de clúster personal habilitada, solo tu identidad puede usar el clúster. Otros usuarios no podrán ejecutar trabajos en el clúster ni acceder a los extremos de la puerta de enlace de componentes en el clúster.

  • Los clústeres con la autenticación de clúster personal habilitada bloquean el acceso SSH y las características de Compute Engine, como las secuencias de comandos de inicio en todas las VM del clúster.

  • Los clústeres con la autenticación personal del clúster habilitada habilitan y configuran automáticamente Kerberos en el clúster para una comunicación segura dentro del clúster. Sin embargo, todas las identidades de Kerberos en el clúster interactuarán con los recursos de Google Cloud como el mismo usuario.

  • Actualmente, la autenticación de clústeres personales de Dataproc no admite flujos de trabajo de Dataproc.

  • La autenticación de clúster personal de Dataproc está diseñada solo para trabajos interactivos que ejecuta un usuario individual (humano). Los trabajos y las operaciones de larga duración deben configurar y usar una identidad de cuenta de servicio adecuada.

  • Las credenciales propagadas se reducen con un límite de acceso a las credenciales. El límite de acceso predeterminado se limita a leer y escribir objetos de Cloud Storage en depósitos de Cloud Storage que son propiedad del mismo proyecto que contiene el clúster.

Objetivos

  • Crea un clúster de Dataproc con la autenticación de clúster personal de Dataproc habilitada.

  • Inicia la propagación de las credenciales al clúster.

  • Usa un notebook de Jupyter en el clúster para ejecutar trabajos de Spark que se autentican con tus credenciales.

Antes de comenzar

Crea un proyecto

  1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
  2. En la página del selector de proyectos de Google Cloud Console, selecciona o crea un proyecto de Google Cloud.

    Ir al selector de proyectos

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Cloud. Descubre cómo confirmar que tienes habilitada la facturación en un proyecto.

  4. Habilita la API Dataproc.

    Habilita la API

  5. Instala e inicializa el SDK de Cloud.

Configura el entorno

Configura el entorno desde Cloud Shell o una terminal local:

Cloud Shell

  1. Inicia una sesión de Cloud Shell.

Terminal local

  1. Ejecuta gcloud auth login para obtener credenciales de usuario válidas.

Crea un clúster y habilita una sesión interactiva

  1. Busque la dirección de correo electrónico de su cuenta activa en gcloud.

    gcloud auth list --filter=status=ACTIVE --format="value(account)"
    

  2. Crea un clúster.

    gcloud dataproc clusters create cluster-name \
        --properties=dataproc:dataproc.personal-auth.user=your-email-address \
        --enable-component-gateway \
        --optional-components=ANACONDA,JUPYTER,ZEPPELIN \
        --region=region
    

  3. Habilita una sesión de propagación de credenciales para que el clúster comience a usar tus credenciales personales cuando interactúas con recursos de Google Cloud.

    gcloud dataproc clusters enable-personal-auth-session \
        --region=region \
        cluster-name
    

    Resultado de muestra:

    Injecting initial credentials into the cluster cluster-name...done.
    Periodically refreshing credentials for cluster cluster-name. This will continue running until the command is interrupted...
    

  4. Mantén el comando en ejecución y cambia a una pestaña nueva de Cloud Shell o a una sesión de terminal. El cliente actualizará las credenciales mientras se ejecuta el comando.

  5. Escribe Ctrl-C para finalizar la sesión.

Accede a Jupyter en el clúster

gcloud

  1. Obtén detalles del clúster
    gcloud dataproc clusters describe cluster-name --region=region
    

    La URL de la interfaz web de Jupyter se muestra en la lista de detalles del clúster.

    ...
    JupyterLab: https://UUID-dot-us-central1.dataproc.googleusercontent.com/jupyter/lab/
    ...
    
  2. Copia la URL en tu navegador local para iniciar la IU de Jupyter.
  3. Comprueba que la autenticación de clúster personal se haya realizado correctamente.
    1. Inicia una terminal de Jupyter.
    2. Ejecuta gcloud auth list
    3. Verifica que tu nombre de usuario sea la única cuenta activa.
  4. En una terminal de Jupyter, habilita Jupyter para autenticar con Kerberos y enviar trabajos de Spark.
    kinit -kt /etc/security/keytab/dataproc.service.keytab dataproc/$(hostname -f)
    
    1. Ejecuta klist para verificar que Jupyter obtuvo un TGT válido.
  5. En una terminal de Juypter, usa gsutil para crear un archivo rose.txt en un depósito de Cloud Storage en tu proyecto.
    echo "A rose by any other name would smell as sweet" > /tmp/rose.txt
    

    gsutil cp /tmp/rose.txt gs://bucket-name/rose.txt
    
    1. Marca el archivo como privado para que solo tu cuenta de usuario pueda realizar operaciones de lectura o escritura en él. Jupyter usará tus credenciales personales cuando interactúe con Cloud Storage.
      gsutil acl set private gs://bucket-name/rose.txt
      
    2. Verifica tu acceso privado.
      gsutil acl get gs://$BUCKET/rose.txt
      

      [
      {
      "email": "$USER",
      "entity": "user-$USER",
      "role": "OWNER"
      }
      ]
      

Console

  1. Haz clic en el vínculo Componenta de puerta de enlace de Jupyter para iniciar la IU de Jupyter.
  2. Comprueba que la autenticación de clúster personal se haya realizado correctamente.
    1. Inicie una terminal de Jupyter
    2. Ejecuta gcloud auth list
    3. Verifica que tu nombre de usuario sea la única cuenta activa.
  3. En una terminal de Jupyter, habilita Jupyter para autenticar con Kerberos y enviar trabajos de Spark.
    kinit -kt /etc/security/keytab/dataproc.service.keytab dataproc/$(hostname -f)
    
    1. Ejecuta klist para verificar que Jupyter obtuvo un TGT válido.
  4. En una terminal de Jupyter, usa gsutil para crear un archivo rose.txt en un bucket de Cloud Storage en tu proyecto.
    echo "A rose by any other name would smell as sweet" > /tmp/rose.txt
    

    gsutil cp /tmp/rose.txt gs://bucket-name/rose.txt
    
    1. Marca el archivo como privado para que solo tu cuenta de usuario pueda realizar operaciones de lectura o escritura en él. Jupyter usará tus credenciales personales cuando interactúe con Cloud Storage.
      gsutil acl set private gs://bucket-name/rose.txt
      
    2. Verifica tu acceso privado.
      gsutil acl get gs://bucket-name/rose.txt
      
      [
      {
      "email": "$USER",
      "entity": "user-$USER",
      "role": "OWNER"
      }
      ]
      

Ejecuta un trabajo de PySpark desde Jupyter

  1. Navegue a una carpeta y, luego, cree un notebook de PySpark
  2. Ejecuta un trabajo de recuento de palabras básico en el archivo rose.txt que creaste antes.

    text_file = sc.textFile("gs://bucket-name/rose.txt")
    counts = text_file.flatMap(lambda line: line.split(" ")) \
             .map(lambda word: (word, 1)) \
             .reduceByKey(lambda a, b: a + b)
    print(counts.collect())
    

    Spark puede leer el archivo rose.txt en Cloud Storage porque se ejecuta con tus credenciales de usuario.

    También puedes verificar los Registros de auditoría del bucket de Cloud Storage a fin de verificar que el trabajo esté accediendo a Cloud Storage con tu identidad.

Limpieza

  1. Borra el clúster de Dataproc.
    gcloud dataproc clusters delete cluster-name --region=region