Halaman ini diterjemahkan oleh Cloud Translation API.

Men-deploy database vektor Elasticsearch di GKE

Autopilot Standard

Tutorial ini menunjukkan cara men-deploy cluster database vektor Elasticsearch di Google Kubernetes Engine (GKE).

Database vektor adalah penyimpanan data yang dirancang khusus untuk mengelola dan menelusuri kumpulan besar vektor berdimensi tinggi. Vektor ini mewakili data seperti teks, gambar, audio, video, atau data apa pun yang dapat dienkode secara numerik. Tidak seperti database relasional yang mengandalkan kecocokan persis, database vektor berspesialisasi dalam menemukan item serupa atau mengidentifikasi pola dalam set data yang besar.

Elasticsearch adalah database vektor yang menggabungkan fungsi penelusuran dan analisis. AppSearch dilengkapi dengan REST API terbuka untuk mengelola cluster Anda, dan mendukung kueri terstruktur, kueri teks lengkap, dan kueri kompleks. Elasticsearch memungkinkan Anda melakukan penelusuran frasa, kemiripan, dan awalan, dengan saran pelengkapan otomatis.

Tutorial ini ditujukan untuk administrator dan arsitek platform cloud, engineer ML, dan profesional MLOps (DevOps) yang tertarik untuk men-deploy cluster database Elasticsearch di GKE.

Manfaat

Elasticsearch menawarkan manfaat berikut:

Berbagai library untuk berbagai bahasa pemrograman dan API terbuka untuk berintegrasi dengan layanan lain.
Penskalaan horizontal, serta dukungan untuk sharding dan replikasi yang menyederhanakan skalabilitas dan ketersediaan tinggi.
Penyeimbangan cluster multi-node untuk pemanfaatan resource yang optimal.
Dukungan container dan Kubernetes untuk integrasi yang lancar ke dalam lingkungan native cloud modern.

Tujuan

Dalam tutorial ini, Anda akan mempelajari cara:

Merencanakan dan men-deploy infrastruktur GKE untuk Elasticsearch.
Men-deploy dan mengonfigurasi Elasticsearch di cluster GKE.
Deploy operator StatefulHA untuk memastikan ketersediaan tinggi Elasticsearch.
Jalankan notebook untuk membuat dan menyimpan contoh embedding vektor dalam database Anda, dan menjalankan kueri penelusuran berbasis vektor.
Mengumpulkan dan memvisualisasikan metrik di dasbor.

Arsitektur deployment

Dalam tutorial ini, Anda akan men-deploy cluster GKE regional yang sangat tersedia untuk Elasticsearch, dengan beberapa node Kubernetes yang tersebar di beberapa zona ketersediaan. Penyiapan ini membantu memastikan fault tolerance, skalabilitas, dan redundansi geografis. Hal ini memungkinkan update dan pemeliharaan berkelanjutan sekaligus memberikan SLA untuk waktu beroperasi dan ketersediaan. Untuk mengetahui informasi selengkapnya, lihat Cluster regional.

Jika node tidak dapat dijangkau, Pod di node tersebut tidak akan langsung dijadwalkan ulang. Dengan Pod yang menggunakan StatefulSet, perlu waktu lebih dari delapan menit agar Pod aplikasi dihapus dan dijadwalkan ulang ke node baru.

Untuk mengatasi masalah ini, operator StatefulHA melakukan hal berikut:

Memecahkan jeda penjadwalan ulang, menangani setelan failover, dan mempersingkat waktu pemulihan dengan menggunakan setelan .forceDeleteStrategy: AfterNodeUnreachable.
Memastikan bahwa aplikasi StatefulSet menggunakan RePD.
Memperluas GKE dengan resource HighAvailabilityApplication kustom yang di-deploy di namespace yang sama dengan Elasticsearch. Hal ini memungkinkan operator StatefulHA untuk memantau dan merespons peristiwa failover.

Diagram berikut menunjukkan cluster Elasticsearch yang berjalan di beberapa node dan zona dalam cluster GKE:

Arsitektur deployment Elasticsearch

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloud yang dapat ditagih berikut: Google Cloud:

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga. Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Setelah menyelesaikan tugas yang dijelaskan dalam dokumen ini, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, lihat Pembersihan.

Penggunaan Elasticsearch gratis berdasarkan Server Side Public License (SSPL).

Sebelum memulai

Dalam tutorial ini, Anda akan menggunakan Cloud Shell untuk menjalankan perintah. Cloud Shell adalah lingkungan shell untuk mengelola resource yang dihosting di Google Cloud. Cloud Shell telah diinstal dengan alat command line Google Cloud CLI, kubectl, Helm, dan Terraform. Jika tidak menggunakan Cloud Shell, Anda harus menginstal Google Cloud CLI.

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Note: If you installed the gcloud CLI previously, make sure you have the latest version by running

gcloud components
      update

Create or select a Google Cloud project.

Create a Google Cloud project:
```
gcloud projects create PROJECT_ID
```
Replace PROJECT_ID with a name for the Google Cloud project you are creating.
Select the Google Cloud project that you created:
```
gcloud config set project PROJECT_ID
```
Replace PROJECT_ID with your Google Cloud project name.

Make sure that billing is enabled for your Google Cloud project.

Enable the Cloud Resource Manager, Compute Engine, GKE, IAM Service Account Credentials, and Backup for GKE APIs:

gcloud services enable cloudresourcemanager.googleapis.com compute.googleapis.com container.googleapis.com iamcredentials.googleapis.com gkebackup.googleapis.com

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Note: If you installed the gcloud CLI previously, make sure you have the latest version by running

gcloud components
      update

Create or select a Google Cloud project.

Create a Google Cloud project:
```
gcloud projects create PROJECT_ID
```
Replace PROJECT_ID with a name for the Google Cloud project you are creating.
Select the Google Cloud project that you created:
```
gcloud config set project PROJECT_ID
```
Replace PROJECT_ID with your Google Cloud project name.

Make sure that billing is enabled for your Google Cloud project.

Enable the Cloud Resource Manager, Compute Engine, GKE, IAM Service Account Credentials, and Backup for GKE APIs:

gcloud services enable cloudresourcemanager.googleapis.com compute.googleapis.com container.googleapis.com iamcredentials.googleapis.com gkebackup.googleapis.com

Grant roles to your user account. Run the following command once for each of the following IAM roles: roles/storage.objectViewer, roles/container.admin, roles/iam.serviceAccountAdmin, roles/compute.admin, roles/gkebackup.admin, roles/monitoring.viewer
```
gcloud projects add-iam-policy-binding PROJECT_ID --member="user:USER_IDENTIFIER" --role=ROLE
```
- Replace PROJECT_ID with your project ID.
- Replace USER_IDENTIFIER with the identifier for your user account. For example, user:myemail@example.com.
- Replace ROLE with each individual role.

Menyiapkan lingkungan Anda

Untuk menyiapkan lingkungan Anda dengan Cloud Shell, ikuti langkah-langkah berikut:

Tetapkan variabel lingkungan untuk project, region, dan awalan resource cluster Kubernetes:
```
export PROJECT_ID=PROJECT_ID
export KUBERNETES_CLUSTER_PREFIX=elasticsearch
export REGION=us-central1
```
- Ganti PROJECT_ID dengan ID project Google CloudAnda.
Tutorial ini menggunakan region us-central1 untuk membuat resource deployment Anda.

Periksa versi Helm:

helm version

Update versi jika lebih lama dari 3.13:

curl https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-3 | bash

Clone repositori kode contoh dari GitHub:

git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples

Buka direktori elasticsearch untuk mulai membuat resource deployment:
```
cd kubernetes-engine-samples/databases/elasticsearch
```

Membuat infrastruktur cluster

Di bagian ini, Anda akan menjalankan skrip Terraform untuk membuat cluster GKE regional pribadi yang sangat tersedia untuk men-deploy database Elasticsearch.

Anda dapat memilih untuk men-deploy Elasticsearch menggunakan cluster Standard atau Autopilot. Masing-masing memiliki kelebihan dan model penetapan harga yang berbeda.

Autopilot

Diagram berikut menunjukkan cluster GKE Autopilot yang di-deploy dalam project.

Cluster GKE Autopilot

Untuk men-deploy infrastruktur cluster, jalankan perintah berikut di Cloud Shell:

export GOOGLE_OAUTH_ACCESS_TOKEN=$(gcloud auth print-access-token)
terraform -chdir=terraform/gke-autopilot init
terraform -chdir=terraform/gke-autopilot apply \
-var project_id=${PROJECT_ID} \
-var region=${REGION} \
-var cluster_prefix=${KUBERNETES_CLUSTER_PREFIX}

GKE mengganti variabel berikut saat runtime:

GOOGLE_OAUTH_ACCESS_TOKEN menggunakan perintah gcloud auth print-access-token untuk mengambil token akses yang mengautentikasi interaksi dengan berbagai Google Cloud API
PROJECT_ID, REGION, dan KUBERNETES_CLUSTER_PREFIX adalah variabel lingkungan yang ditentukan di bagian Siapkan lingkungan Anda dan ditetapkan ke variabel baru yang relevan untuk cluster Autopilot yang Anda buat.

Saat diminta, ketik yes.

Outputnya mirip dengan hal berikut ini:

...
Apply complete! Resources: 9 added, 0 changed, 0 destroyed.

Outputs:

kubectl_connection_command = "gcloud container clusters get-credentials elasticsearch-cluster --region us-central1"

Terraform membuat resource berikut:

Jaringan VPC kustom dan subnet pribadi untuk node Kubernetes.
Cloud Router untuk mengakses internet melalui Penafsiran Alamat Jaringan (NAT).
Cluster GKE pribadi di region us-central1.
ServiceAccount dengan izin logging dan pemantauan untuk cluster.
Konfigurasi Google Cloud Managed Service for Prometheus untuk pemantauan dan pemberitahuan cluster.

Standard

Diagram berikut menunjukkan cluster GKE regional pribadi Standar yang di-deploy ke tiga zona yang berbeda.

Cluster GKE Standard

Untuk men-deploy infrastruktur cluster, jalankan perintah berikut di Cloud Shell:

export GOOGLE_OAUTH_ACCESS_TOKEN=$(gcloud auth print-access-token)
terraform -chdir=terraform/gke-standard init
terraform -chdir=terraform/gke-standard apply \
-var project_id=${PROJECT_ID} \
-var region=${REGION} \
-var cluster_prefix=${KUBERNETES_CLUSTER_PREFIX}

GKE mengganti variabel berikut saat runtime:

GOOGLE_OAUTH_ACCESS_TOKEN menggunakan perintah gcloud auth print-access-token untuk mengambil token akses yang mengautentikasi interaksi dengan berbagai Google Cloud API.
PROJECT_ID, REGION, dan KUBERNETES_CLUSTER_PREFIX adalah variabel lingkungan yang ditentukan di bagian Menyiapkan lingkungan dan ditetapkan ke variabel baru yang relevan untuk cluster Standar yang Anda buat.

Saat diminta, ketik yes. Anda mungkin perlu menunggu beberapa menit agar perintah ini selesai dan cluster akan menampilkan status siap.

Outputnya mirip dengan hal berikut ini:

...
Apply complete! Resources: 10 added, 0 changed, 0 destroyed.

Outputs:

kubectl_connection_command = "gcloud container clusters get-credentials elasticsearch-cluster --region us-central1"

Terraform membuat resource berikut:

Jaringan VPC kustom dan subnet pribadi untuk node Kubernetes.
Cloud Router untuk mengakses internet melalui Penafsiran Alamat Jaringan (NAT).
Cluster GKE pribadi di region us-central1 dengan penskalaan otomatis diaktifkan (satu hingga dua node per zona).
ServiceAccount dengan izin logging dan pemantauan untuk cluster.
Konfigurasi Google Cloud Managed Service for Prometheus untuk pemantauan dan pemberitahuan cluster.

Hubungkan ke cluster

Konfigurasi kubectl untuk mengambil kredensial dan berkomunikasi dengan cluster GKE baru Anda:

gcloud container clusters get-credentials \
    ${KUBERNETES_CLUSTER_PREFIX}-cluster --region ${REGION}

Men-deploy database Elasticsearch dan operator StatefulHA

Di bagian ini, Anda akan men-deploy database Elasticsearch (dalam mode cluster) dan operator StatefulHA ke cluster GKE menggunakan Diagram Helm Operator ECK.

Deployment membuat cluster GKE dengan konfigurasi berikut:

Tiga replika node Elasticsearch.
DaemonSet untuk mengubah setelan memori virtual, untuk performa Elasticsearch yang optimal.
Konfigurasi NodeAffinity dan PodAntiAffinity untuk memastikan distribusi yang tepat di seluruh node Kubernetes, mengoptimalkan penggunaan node pool, dan memaksimalkan ketersediaan di berbagai zona.
Operator HA Stateful yang mengelola proses failover dan memastikan ketersediaan tinggi.
Untuk autentikasi, database membuat Secret Kubernetes dengan kredensial, sandi, dan sertifikat autentikasi.

Untuk menggunakan diagram Helm guna men-deploy database Elasticsearch, ikuti langkah-langkah berikut:

Aktifkan add-on StatefulHA:
Autopilot
GKE otomatis mengaktifkan add-on StatefulHA saat membuat cluster.
Standard
Jalankan perintah berikut:
```
gcloud container clusters update ${KUBERNETES_CLUSTER_PREFIX}-cluster \
    --project=${PROJECT_ID} \
    --region=${REGION} \
    --update-addons=StatefulHA=ENABLED
```
Anda mungkin perlu menunggu 15 menit agar perintah ini selesai dan cluster akan menampilkan status siap.

Buat Definisi Resource Kustom (CRD) Elastic Cloud on Kubernetes (ECK):

kubectl apply -f https://download.elastic.co/downloads/eck/2.11.1/crds.yaml

Deploy operator ECK:

kubectl apply -f https://download.elastic.co/downloads/eck/2.11.1/operator.yaml

Buat namespace elastic untuk database:
```
kubectl create ns elastic
```

Instal resource HighAvailabilityApplication (HAA), yang menentukan aturan failover untuk Elasticsearch.

kubectl apply -n elastic -f manifests/01-regional-pd/ha-app.yaml

Manifes ha-app.yaml menjelaskan resource HighAvailabilityApplication:

kind: HighAvailabilityApplication
apiVersion: ha.gke.io/v1
metadata:
  name: elasticsearch-ha-es-main
  namespace: elastic
spec:
  resourceSelection:
    resourceKind: StatefulSet
  policy:
    storageSettings:
      requireRegionalStorage: false
    failoverSettings:
      forceDeleteStrategy: AfterNodeUnreachable
      afterNodeUnreachable:
        afterNodeUnreachableSeconds: 20 # 60 seconds total

Terapkan manifes untuk membuat disk SSD persisten regional StorageClass:

kubectl apply -n elastic -f manifests/01-regional-pd/regional-pd.yaml

Manifes regional-pd.yaml menjelaskan disk SSD persisten StorageClass:

apiVersion: storage.k8s.io/v1
kind: StorageClass
allowVolumeExpansion: true
metadata:
  name: ha-regional
parameters:
  replication-type: regional-pd
  type: pd-ssd
  availability-class: regional-hard-failover
provisioner: pd.csi.storage.gke.io
reclaimPolicy: Retain
volumeBindingMode: WaitForFirstConsumer

Deploy resource DaemonSet untuk menetapkan memori virtual di setiap node:

kubectl apply -n elastic -f manifests/02-elasticsearch/mmap-count.yaml

Manifes mmap-count.yaml menjelaskan DaemonSet:

apiVersion: apps/v1
kind: DaemonSet
metadata:
  name: max-map-count-setter
  labels:
    k8s-app: max-map-count-setter
spec:
  selector:
    matchLabels:
      name: max-map-count-setter
  template:
    metadata:
      labels:
        name: max-map-count-setter
    spec:
      initContainers:
        - name: max-map-count-setter
          image: docker.io/bash:5.2.21
          resources:
            limits:
              cpu: 100m
              memory: 32Mi
          securityContext:
            privileged: true
            runAsUser: 0
          command: ['/usr/local/bin/bash', '-e', '-c', 'echo 262144 > /proc/sys/vm/max_map_count']
      containers:
        - name: sleep
          image: docker.io/bash:5.2.21
          command: ['sleep', 'infinity']

Terapkan manifes untuk men-deploy cluster Elasticsearch:

kubectl apply -n elastic -f manifests/02-elasticsearch/elasticsearch.yaml

Manifes elasticsearch.yaml menjelaskan Deployment:

apiVersion: elasticsearch.k8s.elastic.co/v1
kind: Elasticsearch
metadata:
  name: elasticsearch-ha
spec:
  version: 8.11.4
  nodeSets:
  - name: main
    count: 3
    volumeClaimTemplates:
    - metadata:
        name: elasticsearch-data 
      spec:
        accessModes:
        - ReadWriteOnce
        resources:
          requests:
            storage: 10Gi
        storageClassName: ha-regional
    config:
    podTemplate:
      metadata:
        labels:
          app.stateful/component: elasticsearch
      spec:
        initContainers:
        - name: max-map-count-check
          command: ['sh', '-c', "while true; do mmc=$(cat /proc/sys/vm/max_map_count); if [ ${mmc} -eq 262144 ]; then exit 0; fi; sleep 1; done"]
        containers:
        - name: metrics
          image: quay.io/prometheuscommunity/elasticsearch-exporter:v1.7.0
          command:
            - /bin/elasticsearch_exporter
            - --es.ssl-skip-verify
            - --es.uri=https://$(ES_USER):$(ES_PASSWORD)@localhost:9200
          securityContext:
            runAsNonRoot: true
            runAsGroup: 10000
            runAsUser: 10000
          resources:
            requests:
              memory: "128Mi"
              cpu: "25m"
            limits:
              memory: "128Mi"
              cpu: "100m"
          ports:
          - containerPort: 9114
          env:
          - name: ES_USER
            value: "elastic"
          - name: ES_PASSWORD
            valueFrom:
              secretKeyRef:
                name: elasticsearch-ha-es-elastic-user
                key: elastic
        - name: elasticsearch
          resources:
            limits:
              memory: 4Gi
              cpu: 1
        affinity:
          nodeAffinity:
            preferredDuringSchedulingIgnoredDuringExecution:
              - weight: 1
                preference:
                  matchExpressions:
                  - key: app.stateful/component
                    operator: In
                    values:
                    - elasticsearch
          podAntiAffinity:
            preferredDuringSchedulingIgnoredDuringExecution:
            - weight: 1
              podAffinityTerm:
                labelSelector:
                  matchLabels:
                    app.stateful/component: elasticsearch
                topologyKey: topology.kubernetes.io/zone

Tunggu beberapa menit hingga cluster Elasticsearch dimulai sepenuhnya.

Periksa status deployment:
```
kubectl get elasticsearch -n elastic --watch
```
Outputnya mirip dengan berikut ini, jika database elasticsearch berhasil di-deploy:
```
NAME               HEALTH   NODES   VERSION   PHASE   AGE
elasticsearch-ha   green    3       8.11.4    Ready   2m30s
```
Tunggu hingga HEALTH ditampilkan sebagai green. Tekan Ctrl+C untuk keluar dari perintah jika diperlukan.

Deploy load balancer internal untuk mengakses database Elasticsearch yang berjalan di VPC yang sama dengan cluster GKE Anda:

kubectl apply -n elastic -f manifests/02-elasticsearch/ilb.yaml

Manifes ilb.yaml menjelaskan Layanan LoadBalancer:

apiVersion: v1
kind: Service
metadata:
  annotations:
    #cloud.google.com/neg: '{"ingress": true}'
    networking.gke.io/load-balancer-type: "Internal"
  labels:
    app.kubernetes.io/name: elasticsearch
  name: elastic-ilb
spec:
  ports:
  - name: https
    port: 9200
    protocol: TCP
    targetPort: 9200
  selector:
    common.k8s.elastic.co/type: elasticsearch
    elasticsearch.k8s.elastic.co/cluster-name: elasticsearch-ha
  type: LoadBalancer

Untuk memeriksa apakah aturan failover diterapkan, jelaskan resource dan konfirmasi Status: Message: Application is protected.

kubectl describe highavailabilityapplication elasticsearch-ha-es-main -n elastic

Outputnya mirip dengan berikut ini

Status:
  Conditions:
    Last Transition Time:  2024-02-01T13:27:50Z
    Message:               Application is protected
    Observed Generation:   1
    Reason:                ApplicationProtected
    Status:                True
    Type:                  Protected
Events:                    <none>

Setelah GKE memulai workload, pastikan GKE telah membuat workload Elasticsearch:

kubectl get pod,svc,statefulset,pdb,secret,daemonset -n elastic

Outputnya mirip dengan hal berikut ini:

NAME                             READY   STATUS    RESTARTS   AGE
pod/elasticsearch-ha-es-main-0   2/2     Running   0          7m16s
pod/elasticsearch-ha-es-main-1   2/2     Running   0          7m16s
pod/elasticsearch-ha-es-main-2   2/2     Running   0          7m16s
pod/max-map-count-setter-28wt9   1/1     Running   0          7m27s
pod/max-map-count-setter-cflsw   1/1     Running   0          7m27s
pod/max-map-count-setter-gzq9k   1/1     Running   0          7m27s

NAME                                        TYPE        CLUSTER-IP    EXTERNAL-IP   PORT(S)    AGE
service/elasticsearch-ha-es-http            ClusterIP   10.52.8.28   <none>        9200/TCP   7m18s
service/elasticsearch-ha-es-internal-http   ClusterIP   10.52.3.48   <none>        9200/TCP   7m18s
service/elasticsearch-ha-es-main            ClusterIP   None         <none>        9200/TCP   7m16s
service/elasticsearch-ha-es-transport       ClusterIP   None         <none>        9300/TCP   7m18s

NAME                                        READY   AGE
statefulset.apps/elasticsearch-ha-es-main   3/3     7m16s

NAME                                                     MIN AVAILABLE   MAX UNAVAILABLE   ALLOWED DISRUPTIONS   AGE
poddisruptionbudget.policy/elasticsearch-ha-es-default   2               N/A               1                     7m16s

NAME                                                 TYPE     DATA   AGE
secret/elasticsearch-ha-es-elastic-user              Opaque   1      7m18s
secret/elasticsearch-ha-es-file-settings             Opaque   1      7m16s
secret/elasticsearch-ha-es-http-ca-internal          Opaque   2      7m17s
secret/elasticsearch-ha-es-http-certs-internal       Opaque   3      7m17s
secret/elasticsearch-ha-es-http-certs-public         Opaque   2      7m17s
secret/elasticsearch-ha-es-internal-users            Opaque   4      7m18s
secret/elasticsearch-ha-es-main-es-config            Opaque   1      7m16s
secret/elasticsearch-ha-es-main-es-transport-certs   Opaque   7      7m16s
secret/elasticsearch-ha-es-remote-ca                 Opaque   1      7m16s
secret/elasticsearch-ha-es-transport-ca-internal     Opaque   2      7m16s
secret/elasticsearch-ha-es-transport-certs-public    Opaque   1      7m16s
secret/elasticsearch-ha-es-xpack-file-realm          Opaque   4      7m18s

NAME                                  DESIRED   CURRENT   READY   UP-TO-DATE   AVAILABLE   NODE SELECTOR   AGE
daemonset.apps/max-map-count-setter   6         6         6       6            6           <none>          13m

Resource GKE berikut dibuat untuk cluster Elasticsearch:

StatefulSet Elasticsearch yang mengontrol tiga replika Pod.
DaemonSet untuk mengonfigurasi setelan memori virtual.
Layanan untuk terhubung ke Elasticsearch.
Secret dengan kredensial superuser dan sertifikat terkait layanan.
Pod operator HA stateful dan resource HighlyAvailableApplication, yang secara aktif memantau aplikasi Elasticsearch.

Menjalankan kueri dengan notebook Vertex AI Colab Enterprise

Bagian ini menjelaskan cara membuat penyematan ke dalam dokumen Elasticsearch dan melakukan kueri penelusuran semantik menggunakan klien Python Elasticsearch resmi di notebook Colab Enterprise. Dokumen di Elasticsearch terdiri dari berbagai kolom, yang masing-masing disambungkan dengan nilai yang sesuai.

Praktik terbaik:

Untuk menggunakan Elasticsearch secara efektif, sebaiknya strukturkan data Anda ke dalam dokumen ini, yang kemudian diindeks untuk tujuan penelusuran.

Dalam contoh ini, Anda menggunakan set data dari file CSV yang berisi daftar buku dalam berbagai genre. Elasticsearch berfungsi sebagai mesin telusur, dan Pod yang Anda buat berfungsi sebagai klien yang mengkueri database Elasticsearch.

Anda dapat menggunakan template runtime khusus untuk di-deploy ke VPC elasticsearch-vpc (Virtual Private Cloud), sehingga notebook dapat berkomunikasi dengan resource di cluster GKE Anda.

Membuat template runtime

Untuk membuat template runtime:

Di konsol Google Cloud , buka halaman Runtime Templates Colab Enterprise dan pastikan project Anda dipilih:

Buka Template Runtime
Klik Template Baru. Halaman Create new runtime template akan muncul.
Di bagian Runtime basics:
- Di kolom Nama tampilan, masukkan elastic-connect.
- Di menu drop-down Region, pilih us-central1. Region ini sama dengan cluster GKE Anda.
Di bagian Configure compute:
- Di menu drop-down Machine type, pilih e2-standard-2.
- Di kolom Disk size, masukkan 30.
Di bagian Networking and security:
- Di menu drop-down Network, pilih jaringan tempat cluster GKE Anda berada.
- Di menu drop-down Subnetwork, pilih subnetwork yang sesuai.
- Hapus centang pada kotak Aktifkan akses internet publik.
Klik Create untuk menyelesaikan pembuatan template runtime. Template runtime Anda akan muncul dalam daftar di tab Runtime templates.

Membuat runtime

Untuk membuat runtime:

Dalam daftar template runtime, untuk template yang baru saja Anda buat, klik di kolom Actions, lalu klik Create runtime. Panel Create Vertex AI Runtime akan muncul.
Klik Create untuk membuat runtime berdasarkan template Anda.
Di tab Runtimes yang terbuka, tunggu hingga status bertransisi ke Healthy.

Mengimpor notebook

Untuk mengimpor notebook:

Buka tab Notebook, lalu klik Impor notebook dari URL.
Di bagian Sumber impor, pilih URL.

Di bagian URL Notebook, masukkan link berikut:

https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/main/databases/elasticsearch/manifests/03-notebook/vector-database.ipynb

Klik Import.

Menghubungkan ke runtime dan menjalankan kueri

Untuk terhubung ke runtime dan menjalankan kueri:

Di notebook, di samping tombol Connect, klik Additional connection options. Panel Connect to Vertex AI Runtime akan muncul.
Pilih Connect to a runtime, lalu pilih Connect to an existing Runtime.
Pilih runtime yang Anda luncurkan, lalu klik Connect.
Klik tombol Run cell di sebelah kiri setiap sel kode untuk menjalankan sel notebook.

Notebook berisi sel kode dan teks yang menjelaskan setiap blok kode. Menjalankan sel kode akan mengeksekusi perintahnya dan menampilkan output. Anda dapat menjalankan sel secara berurutan, atau menjalankan setiap sel sesuai kebutuhan.

Untuk mengetahui informasi selengkapnya tentang Vertex AI Colab Enterprise, lihat dokumentasi Colab Enterprise.

Melihat metrik Prometheus untuk cluster Anda

Cluster GKE dikonfigurasi dengan Google Cloud Managed Service for Prometheus, yang memungkinkan pengumpulan metrik dalam format Prometheus. Layanan ini menyediakan solusi terkelola sepenuhnya untuk pemantauan dan pemberitahuan, yang memungkinkan pengumpulan, penyimpanan, dan analisis metrik dari cluster dan aplikasinya.

Diagram berikut menunjukkan cara Prometheus mengumpulkan metrik untuk cluster Anda:

Pengumpulan metrik Prometheus

Cluster pribadi GKE dalam diagram berisi komponen berikut:

Pod Elasticsearch yang mengekspos metrik di jalur / dan port 9114. Metrik ini disediakan oleh penampung sidecar bernama metrics yang berisi elasticsearch_exporter.
Pengumpul berbasis Prometheus yang memproses metrik dari Pod Elasticsearch.
Resource PodMonitoring yang mengirim metrik ke Cloud Monitoring.

Konfigurasi cluster menentukan penampung sidecar dengan eksportir metrik dalam format Prometheus:

apiVersion: elasticsearch.k8s.elastic.co/v1
kind: Elasticsearch
metadata:
  name: elasticsearch-ha
spec:
  ...
  nodeSets:
  - name: main
    ...
    podTemplate:
      spec:
        containers:
        ...
        - name: metrics
          image: quay.io/prometheuscommunity/elasticsearch-exporter:v1.7.0
          command:
          - /bin/elasticsearch_exporter
          - --es.ssl-skip-verify
          - --es.uri=https://$(ES_USER):$(ES_PASSWORD)@localhost:9200
          ...
          env:
          - name: ES_USER
            value: "elastic"
          - name: ES_PASSWORD
            valueFrom:
            secretKeyRef:
              name: elasticsearch-ha-es-elastic-user
              key: elastic

Untuk mengekspor dan melihat metrik, ikuti langkah-langkah berikut:

Buat resource PodMonitoring untuk meng-scrap metrik menurut labelSelector:

kubectl apply -n elastic -f manifests/04-prometheus-metrics/pod-monitoring.yaml

Manifes pod-monitoring.yaml menjelaskan resource PodMonitoring:

apiVersion: monitoring.googleapis.com/v1
kind: PodMonitoring
metadata:
  name: elasticsearch
spec:
  selector:
    matchLabels:
      app.stateful/component: elasticsearch
      elasticsearch.k8s.elastic.co/cluster-name: elasticsearch-ha
  endpoints:
  - port: 9114
    interval: 30s
    path: /metrics

Setelah beberapa menit, dasbor bawaan "Ringkasan Prometheus Elasticsearch" akan ditampilkan.

Untuk melihat lebih banyak grafik terkait data, impor dasbor Cloud Monitoring kustom dengan konfigurasi yang ditentukan di dashboard.json:
```
gcloud --project "${PROJECT_ID}" monitoring dashboards create --config-from-file monitoring/dashboard.json
```
Setelah perintah berhasil berjalan, buka Dasbor Cloud Monitoring:

Buka Ringkasan dasbor
Dari daftar dasbor, buka dasbor ElasticSearch Overview. Mungkin perlu waktu 1-2 menit untuk mengumpulkan dan menampilkan metrik.

Dasbor menampilkan jumlah metrik utama:
- Indeks
- Dokumen dan Shard
- Operasi tertunda
- Menjalankan node dengan status responsnya

Mencadangkan konfigurasi cluster

Fitur Pencadangan untuk GKE memungkinkan Anda menjadwalkan pencadangan reguler untuk seluruh konfigurasi cluster GKE, termasuk workload yang di-deploy dan datanya.

Dalam tutorial ini, Anda akan mengonfigurasi rencana pencadangan untuk cluster GKE guna melakukan pencadangan semua beban kerja, termasuk Secret dan Volume, setiap hari pukul 03.00. Untuk memastikan pengelolaan penyimpanan yang efisien, pencadangan yang lebih lama dari tiga hari akan otomatis dihapus.

Aktifkan fitur Pencadangan untuk GKE untuk cluster Anda:

gcloud container clusters update ${KUBERNETES_CLUSTER_PREFIX}-cluster \
    --project=${PROJECT_ID} \
    --region=${REGION} \
    --update-addons=BackupRestore=ENABLED

Buat rencana cadangan dengan jadwal harian untuk semua namespace dalam cluster:

gcloud beta container backup-restore backup-plans create ${KUBERNETES_CLUSTER_PREFIX}-cluster-backup \
    --project=${PROJECT_ID} \
    --location=${REGION} \
    --cluster="projects/${PROJECT_ID}/locations/${REGION}/clusters/${KUBERNETES_CLUSTER_PREFIX}-cluster" \
    --all-namespaces \
    --include-secrets \
    --include-volume-data \
    --cron-schedule="0 3 * * *" \
    --backup-retain-days=3

Perintah ini menggunakan variabel lingkungan yang relevan saat runtime.

Format nama cluster bersifat relatif terhadap project dan region Anda sebagai berikut:

projects/PROJECT_ID/locations/REGION/clusters/CLUSTER_NAME

Saat diminta, ketik y.Outputnya mirip dengan berikut ini:

Create request issued for: [elasticsearch-cluster-backup]
Waiting for operation [projects/PROJECT_ID/locations/us-central1/operations/operation-1706528750815-610142ffdc9ac-71be4a05-f61c99fc] to complete...⠹

Penyelesaian operasi ini mungkin memerlukan waktu beberapa menit. Setelah eksekusi selesai, output-nya akan mirip dengan berikut ini:

Created backup plan [elasticsearch-cluster-backup].

Anda dapat melihat rencana pencadangan elasticsearch-cluster-backup yang baru dibuat tercantum di konsol Backup untuk GKE.

Buka Pencadangan untuk GKE

Jika Anda ingin memulihkan konfigurasi cadangan tersimpan, lihat Memulihkan cadangan.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project

Cara termudah untuk menghindari penagihan adalah dengan menghapus project yang Anda buat untuk tutorial ini.

Perhatian: Menghapus project memiliki efek berikut:

Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

Delete a Google Cloud project:

gcloud projects delete PROJECT_ID

Jika Anda menghapus project ini, berarti pembersihan telah selesai. Jika Anda tidak menghapus project, lanjutkan untuk menghapus resource individual.

Menghapus resource satu per satu

Menetapkan variabel lingkungan.

export PROJECT_ID=${PROJECT_ID}
export KUBERNETES_CLUSTER_PREFIX=elasticsearch
export REGION=us-central1

Jalankan perintah terraform destroy:

export GOOGLE_OAUTH_ACCESS_TOKEN=$(gcloud auth print-access-token)
terraform  -chdir=terraform/FOLDER destroy \
-var project_id=${PROJECT_ID} \
-var region=${REGION} \
-var cluster_prefix=${KUBERNETES_CLUSTER_PREFIX}

Ganti FOLDER dengan gke-autopilot atau gke-standard, bergantung pada jenis cluster GKE yang Anda buat.

Saat diminta, ketik yes.

Temukan semua disk yang tidak terpasang:

export disk_list=$(gcloud compute disks list --filter="-users:* AND labels.name=${KUBERNETES_CLUSTER_PREFIX}-cluster" --format "value[separator=|](name,region)")

Hapus disk:

for i in $disk_list; do
 disk_name=$(echo $i| cut -d'|' -f1)
 disk_region=$(echo $i| cut -d'|' -f2|sed 's|.*/||')
 echo "Deleting $disk_name"
 gcloud compute disks delete $disk_name --region $disk_region --quiet
done

Hapus repositori GitHub:
```
rm -r ~/kubernetes-engine-samples/
```

Langkah selanjutnya

Pelajari software open source Elasticsearch.
Pelajari praktik terbaik untuk men-deploy database di GKE.
Temukan solusi untuk menjalankan workload yang memproses banyak data dengan GKE.