Ce guide explique comment déployer un cluster de base de données vectorielle Qdrant sur Google Kubernetes Engine (GKE).
Les bases de données vectorielles sont des data stores spécialement conçus pour gérer de vastes collections de vecteurs de grande dimension et faire des recherches dans celles-ci. Ces vecteurs représentent des données telles que du texte, des images, de l'audio, des vidéos ou toute autre donnée pouvant être encodée numériquement. Contrairement aux bases de données traditionnelles qui reposent sur des correspondances exactes, les bases de données vectorielles sont spécialisées dans la recherche d'éléments similaires ou dans l'identification de modèles dans des ensembles de données volumineux. Ces caractéristiques font de Qdrant un choix adapté pour diverses applications, y compris pour la mise en correspondance de réseaux de neurones ou basée sur la sémantique, et la recherche par attribut. Qdrant fonctionne non seulement comme une base de données vectorielle, mais également comme un moteur de recherche de similarités vectorielles.
Ce tutoriel est destiné aux administrateurs et architectes de plate-forme cloud, aux ingénieurs en ML et aux professionnels du MLOps (DevOps) qui souhaitent déployer des clusters de base de données Qdrant sur GKE.
Avantages
Qdrant offre les avantages suivants :
- Large éventail de bibliothèques pour différents langages de programmation et API ouverte à intégrer à d'autres services
- Scaling horizontal, et compatibilité avec la segmentation et la réplication afin de faciliter le scaling et la haute disponibilité
- Compatibilité avec les conteneurs et Kubernetes permettant le déploiement et la gestion dans des environnements cloud natifs modernes
- Charges utiles flexibles avec filtrage avancé pour adapter les critères de recherche avec précision
- Différentes options de quantification et autres optimisations permettant de réduire les coûts d'infrastructure et d'améliorer les performances
Objectifs
Dans ce tutoriel, vous allez apprendre à effectuer les opérations suivantes :
- Planifier et déployer l'infrastructure GKE pour Qdrant
- Déployer l'opérateur StatefulHA pour garantir la haute disponibilité de Qdrant
- Déployer et configurer le cluster Qdrant
- Importer un ensemble de données de démonstration et exécuter une requête de recherche simple
- Collecter des métriques et exécuter un tableau de bord
Architecture de déploiement
Cette architecture configure un cluster GKE évolutif et tolérant aux pannes pour Qdrant sur plusieurs zones de disponibilité, ce qui garantit le temps d'activité et la disponibilité avec des mises à jour progressives et des interruptions minimales. Cela inclut l'utilisation de l'opérateur StatefulHA pour une gestion efficace du basculement. Pour en savoir plus, consultez la page clusters régionaux.
Schéma de l'architecture
Le schéma suivant montre un cluster Qdrant s'exécutant sur plusieurs nœuds et zones dans un cluster GKE :
Dans cette architecture, le StatefulSet
Qdrant est déployé sur trois nœuds dans trois zones différentes.
- Vous pouvez contrôler la manière dont GKE répartit les pods entre les nœuds en configurant les règles d'affinité des pods et les contraintes de répartition de la topologie requises dans le fichier de valeurs du chart Helm.
- En cas de défaillance d'une zone, GKE replanifie les pods sur de nouveaux nœuds en fonction de la configuration recommandée.
Pour assurer la persistance des données, l'architecture décrite dans ce tutoriel présente les caractéristiques suivantes :
- Elle utilise des disques SSD régionaux (StorageClass
regional-pd
personnalisée) pour assurer la persistance des données. Nous vous recommandons d'utiliser des disques SSD régionaux pour les bases de données en raison de leur faible latence et du nombre élevé d'IOPS. - Toutes les données du disque sont répliquées entre les zones principale et secondaire de la région, ce qui augmente la tolérance aux défaillances potentielles de la zone.
Coûts
Dans ce document, vous utilisez les composants facturables suivants de Google Cloud :
Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût.
Une fois que vous avez terminé les tâches décrites dans ce document, vous pouvez éviter de continuer à payer des frais en supprimant les ressources que vous avez créées. Pour en savoir plus, consultez la section Effectuer un nettoyage.
Avant de commencer
Dans ce tutoriel, vous utilisez Cloud Shell pour exécuter des commandes. Cloud Shell est un environnement shell permettant de gérer les ressources hébergées sur Google Cloud. Il est doté des outils de ligne de commande préinstallés suivants : Google Cloud CLI, kubectl, Helm et Terraform. Si vous n'utilisez pas Cloud Shell, vous devez installer 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
-
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 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
-
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 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.
- Replace
Configurer votre environnement
Pour configurer votre environnement avec Cloud Shell, procédez comme suit :
Définissez des variables d'environnement pour votre projet, une région et un préfixe de ressource de cluster Kubernetes :
Pour les besoins de ce tutoriel, utilisez la région
us-central1
pour créer les ressources de déploiement.export PROJECT_ID=PROJECT_ID export KUBERNETES_CLUSTER_PREFIX=qdrant export REGION=us-central1
- Remplacez
PROJECT_ID
par l'ID de votre Google Cloudprojet.
- Remplacez
Vérifiez la version de Helm :
helm version
Mettez à jour la version si elle est antérieure à la version 3.13 :
curl https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-3 | bash
Clonez l'exemple de dépôt de code depuis GitHub :
git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
Accédez au répertoire
qdrant
pour commencer à créer des ressources de déploiement :cd kubernetes-engine-samples/databases/qdrant
Créer l'infrastructure de votre cluster
Cette section implique l'exécution d'un script Terraform pour créer un cluster GKE régional, privé et à disponibilité élevée afin de déployer votre base de données Qdrant.
Vous pouvez choisir de déployer Qdrant à l'aide d'un cluster Standard ou Autopilot. Chacun présente ses propres avantages et différents modèles de tarification.
Autopilot
Le schéma suivant présente un cluster GKE régional Autopilot déployé dans trois zones différentes.
Pour déployer l'infrastructure du cluster, exécutez les commandes suivantes dans 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=${KUBERNETES_CLUSTER_PREFIX}
Les variables suivantes sont remplacées au moment de l'exécution :
GOOGLE_OAUTH_ACCESS_TOKEN
: remplacé par un jeton d'accès récupéré par la commandegcloud auth print-access-token
pour authentifier les interactions avec différentes API Google Cloud.PROJECT_ID
,REGION
etKUBERNETES_CLUSTER_PREFIX
sont les variables d'environnement définies dans la section Configurer votre environnement et attribuées aux nouvelles variables pertinentes pour le cluster Autopilot que vous êtes en train de créer.
Lorsque vous y êtes invité, saisissez yes
.
Le résultat ressemble à ce qui suit :
...
Apply complete! Resources: 9 added, 0 changed, 0 destroyed.
Outputs:
kubectl_connection_command = "gcloud container clusters get-credentials qdrant-cluster --region us-central1"
Terraform crée les ressources suivantes :
- Un réseau VPC personnalisé et un sous-réseau privé pour les nœuds Kubernetes
- Un routeur cloud pour accéder à Internet via la traduction d'adresse réseau (NAT)
- Un cluster GKE privé dans la région
us-central1
. - Un
ServiceAccount
avec les autorisations de journalisation et de surveillance pour le cluster - Configuration de Google Cloud Managed Service pour Prometheus pour la surveillance et les alertes relatives au cluster.
Standard
Le schéma suivant présente un cluster GKE régional privé Standard déployé dans trois zones différentes.
Pour déployer l'infrastructure du cluster, exécutez les commandes suivantes dans Cloud Shell :
export GOOGLE_OAUTH_ACCESS_TOKEN=$(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}
Les variables suivantes sont remplacées au moment de l'exécution :
GOOGLE_OAUTH_ACCESS_TOKEN
est remplacé par un jeton d'accès récupéré par la commandegcloud auth print-access-token
pour authentifier les interactions avec différentes API Google Cloud.PROJECT_ID
,REGION
etKUBERNETES_CLUSTER_PREFIX
sont les variables d'environnement définies dans la section Configurer votre environnement et attribuées aux nouvelles variables pertinentes pour le cluster Standard que vous êtes en train de créer.
Lorsque vous y êtes invité, saisissez yes
. L'exécution de ces commandes et le passage du cluster à l'état prêt peuvent prendre plusieurs minutes.
Le résultat ressemble à ce qui suit :
...
Apply complete! Resources: 10 added, 0 changed, 0 destroyed.
Outputs:
kubectl_connection_command = "gcloud container clusters get-credentials qdrant-cluster --region us-central1"
Terraform crée les ressources suivantes :
- Un réseau VPC personnalisé et un sous-réseau privé pour les nœuds Kubernetes
- Un routeur cloud pour accéder à Internet via la traduction d'adresse réseau (NAT)
- Un cluster GKE privé dans la région
us-central1
avec l'autoscaling activé (un à deux nœuds par zone) - Un
ServiceAccount
avec les autorisations de journalisation et de surveillance pour le cluster - Configuration de Google Cloud Managed Service pour Prometheus pour la surveillance et les alertes relatives au cluster.
Se connecter au cluster
Configurez kubectl
pour récupérer les identifiants et communiquer avec votre nouveau cluster GKE :
gcloud container clusters get-credentials \
${KUBERNETES_CLUSTER_PREFIX}-cluster --region ${REGION}
Déployer la base de données Qdrant sur votre cluster
Dans ce tutoriel, vous allez déployer la base de données Qdrant (en mode distribué) et l'opérateur HA avec état dans votre cluster GKE à l'aide du chart Helm.
Le déploiement crée un cluster GKE avec la configuration suivante :
- Trois instances répliquées des nœuds Qdrant.
- Les tolérances, les affinités de nœuds et les contraintes de répartition de la topologie sont configurées pour garantir une distribution appropriée entre les nœuds Kubernetes. Cela permet d'exploiter les pools de nœuds et les différentes zones de disponibilité.
- Un volume RePD avec le type de disque SSD est provisionné pour le stockage des données.
- Un opérateur HA avec état permet de gérer les processus de basculement et d'assurer une haute disponibilité. Un StatefulSet est un contrôleur Kubernetes qui conserve une identité unique persistante pour chacun de ses pods.
- Pour l'authentification, la base de données crée un secret Kubernetes contenant la clé API.
Pour déployer la base de données Qdrant à l'aide du chart Helm, procédez comme suit :
Activez le module complémentaire StatefulHA :
Autopilot
GKE active automatiquement le module complémentaire
StatefulHA
lors de la création du cluster.Standard
Exécutez la commande ci-dessous.
gcloud container clusters update ${KUBERNETES_CLUSTER_PREFIX}-cluster \ --project=${PROJECT_ID} \ --region=${REGION} \ --update-addons=StatefulHA=ENABLED
L'exécution de cette commande et le passage du cluster à l'état prêt peuvent prendre 15 minutes.
Ajoutez le dépôt du chart Helm de la base de données Qdrant pour pouvoir le déployer sur votre cluster GKE :
helm repo add qdrant https://qdrant.github.io/qdrant-helm
Créez l'espace de noms
qdrant
pour la base de données :kubectl create ns qdrant
Appliquez le fichier manifeste pour créer un disque SSD persistant régional
StorageClass
:kubectl apply -n qdrant -f manifests/01-regional-pd/regional-pd.yaml
Le fichier manifeste
regional-pd.yaml
décrit le disque SSD persistantStorageClass
:Déployez un ConfigMap Kubernetes avec une configuration side-car
metrics
et un cluster Qdrant à l'aide de Helm :kubectl apply -n qdrant -f manifests/03-prometheus-metrics/metrics-cm.yaml helm install qdrant-database qdrant/qdrant -n qdrant \ -f manifests/02-values-file/values.yaml
Le fichier manifeste
metrics-cm.yaml
décrit lemetrics
side-carConfigMap
:Le fichier manifeste
values.yaml
décrit la configuration du cluster Qdrant :Cette configuration active le mode du cluster, ce qui vous permet de configurer un cluster Qdrant à disponibilité élevée et distribué.
Ajoutez un libellé au statefulset Qdrant:
kubectl label statefulset qdrant-database examples.ai.gke.io/source=qdrant-guide -n qdrant
Déployez un équilibreur de charge interne pour accéder à votre base de données Qdrant qui s'exécute dans le même VPC que votre cluster GKE:
kubectl apply -n qdrant -f manifests/02-values-file/ilb.yaml
Le fichier manifeste
ilb.yaml
décrit le serviceLoadBalancer
:Vérifiez l'état du déploiement :
helm ls -n qdrant
Le résultat ressemble à ce qui suit, si la base de données
qdrant
est bien déployée :NAME NAMESPACE REVISION UPDATED STATUS CHART APP VERSION qdrant-database qdrant 1 2024-02-06 20:21:15.737307567 +0000 UTC deployed qdrant-0.7.6 v1.7.4
Attendez que GKE démarre les charges de travail requises :
kubectl wait pods -l app.kubernetes.io/instance=qdrant-database --for condition=Ready --timeout=300s -n qdrant
L'exécution de cette commande peut prendre quelques minutes.
Une fois que GKE a démarré les charges de travail, vérifiez qu'il a créé les charges de travail Qdrant :
kubectl get pod,svc,statefulset,pdb,secret -n qdrant
Démarrez la ressource
HighAvailabilityApplication
(HAA) pour Qdrant :kubectl apply -n qdrant -f manifests/01-regional-pd/ha-app.yaml
Le fichier manifeste
ha-app.yaml
décrit la ressourceHighAvailabilityApplication
:Les ressources GKE suivantes sont créées pour le cluster Qdrant :
- Le
StatefulSet
Qdrant qui contrôle trois instances répliquées de pod. A PodDisruptionBudget
, qui garantit qu'une seule instance répliquée est indisponible.- Le service
qdrant-database
, qui expose le port Qdrant pour les connexions entrantes et la réplication entre les nœuds. - Le service
qdrant-database-headless
, qui fournit la liste des pods Qdrant en cours d'exécution. - Le secret
qdrant-database-apikey
, qui facilite la connexion sécurisée à la base de données. - Le pod de l'opérateur HA avec état et la ressource
HighlyAvailableApplication
, qui surveillent activement l'application Qdrant. La ressourceHighlyAvailableApplication
définit les règles de basculement à appliquer à Qdrant.
- Le
Pour vérifier si les règles de basculement sont appliquées, décrivez la ressource et confirmez
Status: Message: Application is protected
.kubectl describe highavailabilityapplication qdrant-database -n qdrant
Le résultat ressemble à ce qui suit :
Status: Conditions: Last Transition Time: 2023-11-30T09:54:52Z Message: Application is protected Observed Generation: 1 Reason: ApplicationProtected Status: True Type: Protected
Exécuter des requêtes avec le notebook Vertex AI Colab Enterprise
Qdrant organise les vecteurs et les charges utiles dans des collections. L'embedding vectoriel est une technique qui représente des mots ou des entités sous forme de vecteurs numériques tout en conservant leurs relations sémantiques. Cette pratique est importante pour les recherches de similarités, car elle permet de trouver des similarités basées sur la signification plutôt que sur des correspondances exactes, ce qui rend des tâches (par exemple, systèmes de recherche et de recommandation) plus efficaces et plus nuancées.
Cette section explique comment importer des vecteurs dans une nouvelle collection Qdrant et exécuter des requêtes de recherche.
Dans cet exemple, vous utilisez un ensemble de données issu d'un fichier CSV contenant une liste de livres de différents genres. Vous créez un notebook Colab Enterprise pour effectuer une requête de recherche dans la base de données Qdrant.
Créer un modèle d'environnement d'exécution
Pour créer un modèle d'exécution, procédez comme suit :
Dans la console Google Cloud, accédez à la page Modèles d'exécution de Colab Enterprise et assurez-vous que votre projet est sélectionné:
Cliquez sur add_box Nouveau modèle. La boîte de dialogue Créer un modèle d'exécution s'affiche.
Dans la section Principes de base de l'exécution:
- Dans le champ Nom à afficher, saisissez
qdrant-connect
. - Dans la liste déroulante Région, sélectionnez
us-central1
. Il s'agit de la même région que votre cluster GKE.
- Dans le champ Nom à afficher, saisissez
Dans la section Configurer le calcul:
- Dans la liste déroulante Type de machine, sélectionnez
e2-standard-2
. - Dans le champ Taille de disque disponible, saisissez
30
.
- Dans la liste déroulante Type de machine, sélectionnez
Dans la section Mise en réseau et sécurité:
- Dans la liste déroulante Réseau, sélectionnez le réseau sur lequel se trouve votre cluster GKE.
- Dans la liste déroulante Sous-réseau, sélectionnez un sous-réseau correspondant.
- Décochez la case Activer l'accès à l'Internet public.
Cliquez sur Créer pour terminer la création du modèle d'exécution. Votre modèle d'exécution apparaît dans la liste sur l'onglet Modèles d'exécution.
Créer un environnement d'exécution
Pour créer un environnement d'exécution, procédez comme suit :
Dans la liste des modèles d'environnement d'exécution, cliquez sur more_vert dans la colonne Actions pour le modèle que vous venez de créer, puis sur Créer un environnement d'exécution. Le volet Créer un environnement d'exécution Vertex AI s'affiche.
Cliquez sur Créer pour créer un environnement d'exécution basé sur votre modèle.
Dans l'onglet Environnements d'exécution qui s'affiche, attendez que l'état passe à Sains.
Importer le notebook
Pour importer le notebook:
Accédez à l'onglet Notebooks (Notebooks), puis cliquez sur Importer un notebook à partir d'URL.
Dans Source d'importation, sélectionnez URL.
Sous Notebook URLs (URL des notebooks), saisissez le lien suivant:
https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/databases/qdrant/manifests/04-notebook/vector-database.ipynb
Cliquez sur Importer.
Se connecter à l'environnement d'exécution et exécuter des requêtes
Pour vous connecter à l'environnement d'exécution et exécuter des requêtes:
Dans le notebook, à côté du bouton Connecter, cliquez sur arrow_drop_down Options de connexion supplémentaires. Le volet Se connecter à l'environnement d'exécution Vertex AI s'affiche.
Sélectionnez Se connecter à un environnement d'exécution, puis Se connecter à un environnement d'exécution existant.
Sélectionnez l'environnement d'exécution que vous avez lancé, puis cliquez sur Connect (Se connecter).
Cliquez sur le bouton
Run cell (Exécuter la cellule) à gauche de chaque cellule de code pour exécuter les cellules du notebook.
Le notebook contient des cellules de code et du texte qui décrit chaque bloc de code. L'exécution d'une cellule de code exécute ses commandes et affiche une sortie. Vous pouvez exécuter les cellules dans l'ordre ou exécuter des cellules individuelles si nécessaire.
Pour en savoir plus sur Vertex AI Colab Enterprise, consultez la documentation Colab Enterprise.
Afficher les métriques Prometheus pour votre cluster
Le cluster GKE est configuré avec Google Cloud Managed Service pour Prometheus, ce qui permet de collecter des métriques au format Prometheus. Ce service fournit une solution entièrement gérée pour la surveillance et les alertes, permettant la collecte, le stockage et l'analyse des métriques du cluster et de ses applications.
Le schéma suivant montre comment Prometheus collecte les métriques pour votre cluster :
Le cluster privé GKE du schéma contient les composants suivants :
- Pods Qdrant qui exposent des métriques sur le chemin d'accès
/
et le port80
. Ces métriques sont fournies par le conteneur side-car nommémetrics
. - Collecteurs basés sur Prometheus qui traitent les métriques à partir des pods Qdrant.
- Une ressource PodMonitoring qui envoie des métriques à Cloud Monitoring.
Pour exporter et afficher les métriques, procédez comme suit :
Créez la ressource
PodMonitoring
pour extraire les métriques parlabelSelector
:kubectl apply -n qdrant -f manifests/03-prometheus-metrics/pod-monitoring.yaml
Le fichier manifeste
pod-monitoring.yaml
décrit la ressourcePodMonitoring
:Créez un tableau de bord Cloud Monitoring avec les configurations définies dans
dashboard.json
:gcloud --project "${PROJECT_ID}" monitoring dashboards create --config-from-file monitoring/dashboard.json
Une fois la commande exécutée, accédez aux tableaux de bord Cloud Monitoring :
Dans la liste des tableaux de bord, ouvrez le tableau de bord
Qdrant Overview
. La collecte et l'affichage des métriques peuvent prendre une à deux minutes.Le tableau de bord affiche le nombre de métriques clés :
- Collections
- Vecteurs intégrés
- Opérations en attente
- Nœuds en cours d'exécution
Sauvegarder la configuration de votre cluster
La fonctionnalité Sauvegarde pour GKE vous permet de planifier des sauvegardes régulières de l'intégralité de la configuration de votre cluster GKE, y compris les charges de travail déployées et leurs données.
Dans ce tutoriel, vous allez configurer un plan de sauvegarde pour votre cluster GKE afin d'effectuer des sauvegardes de toutes les charges de travail, y compris les secrets et les volumes, tous les jours à 3h. Pour assurer une gestion efficace du stockage, les sauvegardes de plus de trois jours sont automatiquement supprimées.
Pour configurer des plans de sauvegarde, procédez comme suit :
Activez la fonctionnalité Sauvegarde pour GKE pour votre cluster :
gcloud container clusters update ${KUBERNETES_CLUSTER_PREFIX}-cluster \ --project=${PROJECT_ID} \ --region=${REGION} \ --update-addons=BackupRestore=ENABLED
Créez un plan de sauvegarde avec une programmation quotidienne pour tous les espaces de noms du 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
La commande utilise les variables d'environnement pertinentes lors de l'exécution.
Le format du nom du cluster est associé à votre projet et à votre région, comme suit :
projects/PROJECT_ID/locations/REGION/clusters/CLUSTER_NAME
Lorsque vous y êtes invité, saisissez
y.
. Le résultat ressemble à ce qui suit :Create request issued for: [qdrant-cluster-backup] Waiting for operation [projects/PROJECT_ID/locations/us-central1/operations/operation-1706528750815-610142ffdc9ac-71be4a05-f61c99fc] to complete...⠹
Cette opération peut prendre quelques minutes. Une fois l'exécution terminée, le résultat ressemble à ce qui suit :
Created backup plan [qdrant-cluster-backup].
Vous pouvez voir le plan de sauvegarde
qdrant-cluster-backup
que vous venez de créer dans la console Sauvegarde pour GKE.
Si vous souhaitez restaurer les configurations de sauvegarde enregistrées, consultez la page Restaurer une sauvegarde.
Effectuer un nettoyage
Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.
Supprimer le projet
Le moyen le plus simple d'empêcher la facturation est de supprimer le projet que vous avez créé pour ce tutoriel.
Delete a Google Cloud project:
gcloud projects delete PROJECT_ID
Si vous avez supprimé le projet, le nettoyage est terminé. Si vous n'avez pas supprimé le projet, suivez les étapes ci-après afin de supprimer les ressources individuelles.
Supprimer des ressources individuelles
Définissez les variables d'environnement.
export PROJECT_ID=${PROJECT_ID} export KUBERNETES_CLUSTER_PREFIX=qdrant export REGION=us-central1
Exécutez la commande
terraform destroy
:export GOOGLE_OAUTH_ACCESS_TOKEN=$(gcloud auth print-access-token) terraform -chdir=terraform/FOLDER destroy \ -var project_id=${PROJECT_ID} \ -var region=${REGION} \ -var cluster_prefix=${KUBERNETES_CLUSTER_PREFIX}
Remplacez
FOLDER
pargke-autopilot
ougke-standard
, selon le type de cluster GKE que vous avez créé.Lorsque vous y êtes invité, saisissez
yes
.Recherchez tous les disques non associés :
export disk_list=$(gcloud compute disks list --filter="-users:* AND labels.name=${KUBERNETES_CLUSTER_PREFIX}-cluster" --format "value[separator=|](name,region)")
Supprimez les disques :
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
Supprimez le dépôt GitHub :
rm -r ~/kubernetes-engine-samples/
Étape suivante
- Découvrez Qdrant sur la place de marché GKE.
- Découvrez les logiciels Open Source Qdrant.
- Essayez l'opérateur Qdrant qui permet de gérer les clés API, de garantir la compatibilité TLS avec la gestion des certificats et de planifier des sauvegardes.
- Découvrez les bonnes pratiques pour le déploiement de bases de données sur GKE.
- Découvrez des solutions pour exécuter des charges de travail utilisant beaucoup de données avec GKE.