Autenticação de cluster pessoal do Dataproc

Ao criar um cluster do Dataproc, você pode ativar a autenticação de cluster pessoal do Dataproc para permitir que as cargas de trabalho interativas no cluster sejam executadas com segurança como sua identidade de usuário. Isso significa que as interações com outros recursos do Google Cloud, como o Cloud Storage, serão autenticadas como você em vez de como a conta do serviço de cluster.

Considerações

Quando você cria um cluster com a autenticação de cluster pessoal ativada, o cluster só poderá ser usado pela sua identidade. Outros usuários não poderão executar jobs no cluster nem acessar os endpoints do Gateway de componentes no cluster.
Os clusters com a autenticação de cluster pessoal ativa bloqueiam o acesso SSH e os recursos do Compute Engine, como scripts de inicialização em todas as VMs no cluster.
Os clusters com a autenticação de cluster pessoal ativada são automaticamente ativados e configuram o Kerberos no cluster para a comunicação segura entre clusters. No entanto, todas as identidades do Kerberos no cluster vão interagir com os recursos do Google Cloud como o mesmo usuário.
Atualmente, a autenticação de cluster pessoal do Dataproc não é compatível com os fluxos de trabalho do Dataproc.
A autenticação de cluster pessoal do Dataproc destina-se apenas a jobs interativos executados por um usuário individual (humano). Jobs e operações de longa duração precisam configurar e usar uma identidade de conta de serviço apropriada.
As credenciais propagadas estão no escopo com um limite de acesso a credenciais. O limite de acesso padrão é limitado à leitura e à gravação de objetos do Cloud Storage nos buckets do Cloud Storage pertencentes ao mesmo projeto que contém o cluster. É possível definir um limite de acesso não padrão ao enable_an_interactive_session.

Objetivos

Crie um cluster do Dataproc com a autenticação de cluster pessoal do Dataproc ativada.
Inicie a propagação de credencial no cluster.
Usar um notebook do Jupyter no cluster para executar jobs do Spark que autenticam com suas credenciais.

Antes de começar

Criar um projeto

Faça login na sua conta do Google Cloud. Se você começou a usar o Google Cloud agora, crie uma conta para avaliar o desempenho de nossos produtos em situações reais. Clientes novos também recebem US$ 300 em créditos para executar, testar e implantar cargas de trabalho.

No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

Acessar o seletor de projetos

Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

Ative a API Dataproc.

Ative a API

Instale a CLI do Google Cloud.

Para inicializar a CLI gcloud, execute o seguinte comando:

gcloud init

No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

Acessar o seletor de projetos

Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

Ative a API Dataproc.

Ative a API

Instale a CLI do Google Cloud.

Para inicializar a CLI gcloud, execute o seguinte comando:

gcloud init

Configure o ambiente

Configure o ambiente a partir do Cloud Shell ou de um terminal local:

Cloud Shell

Inicie uma sessão do Cloud Shell.

Terminal local

Execute gcloud auth login para receber credenciais de usuário válidas.

Criar um cluster e ativar uma sessão interativa

Encontre o endereço de e-mail da sua conta ativa no gcloud.

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

Crie um cluster.

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

Ative uma sessão de propagação de credenciais para o cluster começar a usar suas credenciais pessoais ao interagir com os recursos do Google Cloud.
```
gcloud dataproc clusters enable-personal-auth-session \
    --region=region \
    cluster-name
```
Exemplo de saída:
```
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...
```
1. Exemplo de limite de acesso com escopo diminuído: o exemplo a seguir ativa uma sessão de autenticação pessoal que é mais restritiva do que o limite de acesso de credencial com escopo diminuído padrão. Ele restringe o acesso ao bucket de preparo do cluster do Dataproc. Para mais informações, consulte Downscope com limites de acesso a credenciais .

gcloud dataproc clusters enable-personal-auth-session \
    --project=PROJECT_ID \
    --region=REGION \
    --access-boundary=<(echo -n "{ \
  \"access_boundary\": { \
    \"accessBoundaryRules\": [{ \
      \"availableResource\": \"//storage.googleapis.com/projects/_/buckets/$(gcloud dataproc clusters describe --project=PROJECT_ID --region=REGION CLUSTER_NAME --format="value(config.configBucket)")\", \
      \"availablePermissions\": [ \
        \"inRole:roles/storage.objectViewer\", \
        \"inRole:roles/storage.objectCreator\", \
        \"inRole:roles/storage.objectAdmin\", \
        \"inRole:roles/storage.legacyBucketReader\" \
      ] \
    }] \
  } \
}") \
   CLUSTER_NAME

Mantenha o comando em execução e alterne para uma nova guia ou sessão de terminal do Cloud Shell. O cliente atualizará as credenciais enquanto o comando estiver em execução.
Digite Ctrl-C para encerrar a sessão.

O exemplo a seguir cria um cluster com um limite de acesso de credenciais com escopo reduzido.

Acessar o Jupyter no cluster

gcloud

Receba detalhes do cluster.

gcloud dataproc clusters describe cluster-name --region=region

O URL da interface da Web do Jupyter está listado nos detalhes do cluster.

...
JupyterLab: https://UUID-dot-us-central1.dataproc.googleusercontent.com/jupyter/lab/
...

Copie o URL no navegador local para iniciar a IU do Jupyter.
Verifique se a autenticação do cluster pessoal foi bem-sucedida.
1. Inicie um terminal do Jupyter.
2. Executar gcloud auth list
3. Verifique se seu nome de usuário é a única conta ativa.
Em um terminal do Jupyter, ative o Jupyter para se autenticar com o Kerberos e enviar jobs do Spark.
```
kinit -kt /etc/security/keytab/dataproc.service.keytab dataproc/$(hostname -f)
```
1. Execute klist para verificar se o Jupyter recebeu um TGT válido.
Em um terminal Juypter, use o gsutil para criar um arquivo rose.txt em um bucket do Cloud Storage no projeto.
```
echo "A rose by any other name would smell as sweet" > /tmp/rose.txt
```
```
gsutil cp /tmp/rose.txt gs://bucket-name/rose.txt
```
1. Marque o arquivo como privado para que apenas a sua conta de usuário possa ler ou gravar nele. O Jupyter usará suas credenciais pessoais ao interagir com o Cloud Storage.
```
gsutil acl set private gs://bucket-name/rose.txt
```
2. Confirme seu acesso particular.
```
gsutil acl get gs://$BUCKET/rose.txt
```
```
[
{
"email": "$USER",
"entity": "user-$USER",
"role": "OWNER"
}
]
```

Console

Clique no link Jupyter Gateway de Componentes para iniciar a IU do Jupyter.
Verifique se a autenticação do cluster pessoal foi bem-sucedida.
1. Iniciar um terminal do Jupyter
2. Executar gcloud auth list
3. Verifique se seu nome de usuário é a única conta ativa.
Em um terminal do Jupyter, ative o Jupyter para se autenticar com o Kerberos e enviar jobs do Spark.
```
kinit -kt /etc/security/keytab/dataproc.service.keytab dataproc/$(hostname -f)
```
1. Execute klist para verificar se o Jupyter recebeu um TGT válido.
Em um terminal do Jupyter, use o gsutil para criar um arquivo rose.txt em um bucket do Cloud Storage no projeto.
```
echo "A rose by any other name would smell as sweet" > /tmp/rose.txt
```
```
gsutil cp /tmp/rose.txt gs://bucket-name/rose.txt
```
1. Marque o arquivo como privado para que apenas a sua conta de usuário possa ler ou gravar nele. O Jupyter usará suas credenciais pessoais ao interagir com o Cloud Storage.
```
gsutil acl set private gs://bucket-name/rose.txt
```
2. Confirme seu acesso particular.
```
gsutil acl get gs://bucket-name/rose.txt
```
```
[
{
"email": "$USER",
"entity": "user-$USER",
"role": "OWNER"
}
]
```

Executar um job do PySpark no Jupyter

Navegue até uma pasta e crie um notebook do PySpark.
Execute um job básico de contagem de palavras no arquivo rose.txt criado acima.
```
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())
```
O Spark pode ler o arquivo rose.txt no Cloud Storage porque é executado com suas credenciais de usuário.

Também é possível verificar os registros de auditoria do bucket do Cloud Storage para confirmar se o job está acessando o Cloud Storage com sua identidade. Consulte Registros de auditoria do Cloud com o Cloud Storage para mais informações.

Limpeza

Exclua o cluster do Dataproc.

gcloud dataproc clusters delete cluster-name --region=region