[GCP] Dataflow

Cloud Dataflow 란?

• 서버리스 환경, 직접 클러스터를 관리할 필요 X
• 서비스를 위한 프로그래밍에 전념할 수 있음
• 간접 운영 비용이 줄어듬
• 다른 GCP 리소스들을 이용할 수 있음

지원하는 프로그래밍 언어

• Java
• Python
• Go

Dataflow vs. Dataproc

DataflowDataproc

Apache Beam기반	Apache Hadoop/Spark 기반
Severless	DevOps
기존에 레거시 없이 새로 접근할 때 적합	Apache 빅데이터 생태계에 적합

Apache Beam은 무엇인가?

Apache Beam은 구글에서 개발하여 2016년에 오픈소스로 공개한, ETL, batch, streaming 파이프라인을 처리하기 위한 unified programming model이다.

다양한 언어와 다양한 runner를 지원합니다.

Runner ?

분산처리 백앤드: Apache Flink, Apache Samza, Apache Spark, Google Cloud Dataflow

Dataflow 흐름 및 구성요소

• PCollection: 데이터 저장을 위한 데이터 타입

PCollection

Dataflow Pipeline 내에서 데이터를 저장하는 개념으로 한 번 생성되면 그 데이터는 수정이 불가능합니다.

데이터를 변경하거나 수정하기 위해서는 PCollection을 새로 새성해야합니다.

특징

• 요소 유형: 모두 동일한 유형
• 불변성 : 변경 불가능
• 무작위 접근 : 개별요소에 대한 무작위 액세스 지원 X
• 크기와 경계 : 크기와 제한을 정할 수 있음, 무제한 가능
• 요소 타임 스ㅌ매프: 각 요소에 고유한 타임 스탬프가 존재

Unbounded Data 처리

스트리밍 데이터 처리

• 데이터가 끊이지 않고 들어오기 때문에 결과를 내보내야 하는 타이밍을 잡기 애매
• 시간을 기준으로 작업을 끊어서 처리하는데 이를 윈도윙이라고 합니다.

Window 개념

• Fixed Window
  고정된 크기의 시간을 가지는 윈도우
• Slicling Window
  다른 윈도우들과 중첩이 되는 윈도우
• Session Window
  데이터가 들어오면 윈도우가 시작되고 세션 종료 시간까지 데이터가 들어오지 않으면 윈도우를 종료

지연 데이터와 Water Mark

실제 데이터들이 발생한 시간과 서버에 도착하는 시간의 차이를 어느 시점까지 대기하다가 처리를 할 수 있도록 예측하는 개념

• Watermark를 기반으로 윈도우의 시스템상의 시작 시간과 종료 시간을 예측

Trigger

처리 중인 데이터를 언제 다음 단계로 넘길지를 결정하는 개념

• Time trigger
  특정 이벤트 시간에 작동
• Element count trigger
  데이터의 개수를 기반으로 작동
• punctuations trigger
  특정 데이터가 들어오는 순간에 작동
• Composite trigger
  여러가지 trigger를 조합한 형태