downloads de arquiteturas de referência da lakehouse

Este artigo aborda a orientação arquitetônica para o lakehouse em termos de fonte de dados, ingestão, transformações, consulta e processamento, serviço, análise/saída e armazenamento.

Cada arquitetura de referência tem um PDF para download em formato 11 x 17 (A3).

Arquitetura de referência genérica

downloads: Arquitetura de referência genérica de lakehouse para Databricks (PDF)

Organização das arquiteturas de referência

A arquitetura de referência está estruturada de acordo com as raias de natação Source, Ingest, Transform, Query and Process, Serve, Análise e Storage:

Origem

A arquitetura faz distinção entre dados semiestruturados e não estruturados (sensores e IoT, mídia, arquivos/logs) e dados estruturados (RDBMS, aplicativos de negócios). As fontes SQL (RDBMS) também podem ser integradas ao lakehouse e ao Unity Catalog sem ETL por meio da federação de lakehouse. Além disso, os dados podem ser carregados de outros provedores de nuvem.
Ingerir

Os dados podem ser ingeridos no lakehouse por meio de lotes ou transmissão:
- Os arquivos entregues ao armazenamento em nuvem podem ser carregados diretamente usando o Databricks Auto Loader.
- Para a ingestão de lotes de dados de aplicativos corporativos no Delta Lake, a Databricks Lakehouse conta com ferramentas de ingestão de parceiros com adaptadores específicos para esses sistemas de registro.
- Os eventos de transmissão podem ser ingeridos diretamente dos sistemas de transmissão de eventos, como o Kafka, usando a transmissão estruturada da Databricks. As fontes de transmissão podem ser sensores, IoT ou processos de captura de dados de alterações (CDC).
Armazenar

Normalmente, os dados são armazenados no sistema de armazenamento em nuvem, onde o pipeline de ETL usa a arquitetura de medalhão para armazenar dados de forma organizada como arquivos/tabelas Delta.
Transformar, consultar e processar

O Databricks lakehouse usa seus mecanismos Apache Spark e Photon para todas as transformações e consultas.

Devido à sua simplicidade, a estrutura declarativa DLT(Delta Live Tables) é uma boa opção para criar um pipeline de processamento de dados confiável, sustentável e testável.

Com o Apache Spark e o Photon, a Databricks Data Intelligence Platform oferece suporte a ambos os tipos de cargas de trabalho: Consultas SQL via armazém SQL e cargas de trabalho SQL, Python e Scala via workspace clusters.

Para a ciência de dados (modelagem de ML e IA geral), a plataforma de IA e aprendizado de máquina da Databricks oferece tempos de execução de ML especializados para AutoML e para codificação de trabalhos de ML. Todos os fluxos de trabalho de ciência de dados e MLOps têm o melhor suporte do MLflow.
Servir

Para casos de uso de DWH e BI, o Databricks lakehouse oferece o Databricks SQL, o data warehouse alimentado pelo SQL warehouse.

Bancos de dados operacionais: Sistemas externos, como bancos de dados operacionais, podem ser usados para armazenar e fornecer o produto final de dados aos aplicativos do usuário.

Colaboração: Os parceiros de negócios obtêm acesso seguro aos dados de que precisam por meio do Delta Sharing. Com base no Delta Sharing, o Databricks Marketplace é um fórum aberto para a troca de produtos de dados.
Análise

Os aplicativos de negócios finais estão nessa faixa de natação. Os exemplos incluem clientes personalizados que acessam dados enviados do site lakehouse para um banco de dados operacional.

Para casos de uso de BI, os analistas normalmente usam ferramentas de BI para acessar o data warehouse. Os desenvolvedores de SQL podem usar adicionalmente o Databricks SQL Editor (não mostrado no diagrama) para consultas e painéis.

Recursos para suas cargas de trabalho

Além disso, o Databricks lakehouse vem com recursos de gerenciamento que dão suporte a todas as cargas de trabalho:

Governança de dados e IA

O sistema central de governança de dados e IA na Databricks Data Intelligence Platform é o Unity Catalog. O Unity Catalog fornece um único local para gerenciar políticas de acesso a dados que se aplicam a todo o espaço de trabalho e oferece suporte a todos os ativos criados ou usados no lakehouse, como tabelas, volumes, recursos(repositório de recursos) e modelos(registro de modelo). O Unity Catalog também pode ser usado para capturar a linhagem de dados em tempo de execução nas consultas executadas no Databricks.
Mecanismo de inteligência de dados

A Databricks Data Intelligence Platform permite que toda a sua organização use dados e IA. Ele é alimentado pelo DatabricksIQ e combina IA generativa com os benefícios de unificação de um lakehouse para entender a semântica exclusiva de seus dados.

O Databricks Assistant está disponível no Databricks Notebook, no editor SQL e no editor de arquivos como um assistente de IA com reconhecimento de contexto para desenvolvedores.

Orquestração

Databricks Workflows orquestrar o processamento de dados, machine learning, e o pipeline analítico na Plataforma de Inteligência de Dados da Databricks. O fluxo de trabalho tem um serviço de orquestração totalmente gerenciado e integrado à plataforma Databricks, incluindo o Databricks Jobs para execução de código não interativo em seu Databricks workspace e o Delta Live Tables para criar um pipeline ETL confiável e sustentável.

A arquitetura de referência da Data Intelligence Platform nas nuvens do Google

A arquitetura de referência do GCP é derivada da arquitetura de referência genérica, adicionando serviços específicos do GCP para os elementos Source, Ingest, Serve, análise/Output e Storage.

Arquitetura de referência para o Databricks lakehouse no Google Clouds

downloads: Arquitetura de referência para o Databricks lakehouse no GCP

A arquitetura de referência do GCP mostra os seguintes serviços específicos do GCP para Ingest, Storage, Serve e análise/Output:

BigQuery como um sistema de origem para a Federação lakehouse
Pub/Sub e Datastream para transmissão e ingestão
serviço de fusão de nuvens e transferência de armazenamento para ingestão de lotes
Armazenamento em nuvem como armazenamento de objetos
Big Table nas nuvens, SQL nas nuvens e Data Store como bancos de dados operacionais
Looker como ferramenta de BI

Observação

Este view da arquitetura de referência concentra-se apenas no serviço de nuvens do Google e no Databricks lakehouse. O lakehouse na Databricks é uma plataforma aberta que se integra a um grande ecossistema de ferramentas de parceiros.
Os serviços de provedores de nuvens apresentados não são exaustivos. Elas foram selecionadas para ilustrar o conceito.

Caso de uso: lotes ETL

Arquitetura de referência para lotes ETL no Databricks no GCP

downloads: lotes ETL reference architecture for Databricks on Google Cloud

As ferramentas de ingestão usam adaptadores específicos da fonte para ler os dados da fonte e, em seguida, armazená-los no armazenamento em nuvem, de onde o Auto Loader pode lê-los, ou chamar o Databricks diretamente (por exemplo, com ferramentas de ingestão de parceiros integradas ao Databricks lakehouse). Para carregar os dados, o ETL da Databricks e o mecanismo de processamento - via DLT - executam as consultas. O trabalho único ou multitarefa pode ser orquestrado pelo fluxo de trabalho do Databricks e governado pelo Unity Catalog (controle de acesso, auditoria, linhagem e assim por diante). Se os sistemas operacionais de baixa latência exigirem acesso a golden tables específicas, elas poderão ser exportadas para um banco de dados operacional, como um RDBMS ou um armazenamento de valores key, no final do pipeline de ETL.

Caso de uso: transmissão e captura de dados de alterações (CDC) (CDC)

downloads: Spark transmissão estruturada arquitetura para Databricks on Google Cloud

O mecanismo de ETL da Databricks usa a transmissão estruturada do Spark para ler a partir de filas de eventos, como o Apache Kafka ou o Pub/Sub. Os passos downstream seguem a abordagem do caso de uso lotes acima.

A captura de dados de alterações (CDC) em tempo real normalmente usa uma fila de eventos para armazenar os eventos extraídos. A partir daí, o caso de uso segue o caso de uso de transmissão.

Se o CDC for feito em lotes, onde os registros extraídos são armazenados primeiro no armazenamento em nuvem, o Databricks Autoloader poderá lê-los e o caso de uso seguirá o lotes ETL.

Caso de uso: Aprendizado de máquina e IA

downloads: Arquitetura de referência de aprendizado de máquina e IA para Databricks on Google Cloud

Para machine learning, a Plataforma de Inteligência de Dados da Databricks fornece o Mosaic AI, que vem com máquinas de última geração e aprendizagem profunda na biblioteca. Ele oferece recursos como repositório de recursos e registro de modelo (ambos integrados ao Unity Catalog), recurso low-code com AutoML e integração do MLflow ao ciclo de vida da ciência de dados.

Todos os ativos relacionados à ciência de dados (tabelas, recursos e modelos) são governados pelo Unity Catalog e os cientistas de dados podem usar o Databricks Workflows para orquestrar seu trabalho.

Caso de uso: BI e SQL analítico

Arquitetura de referência de BI e SQL analítico para Databricks on Google Cloud

downloads: Arquitetura de referência de BI e SQL analítica para Databricks on Google Cloud

Para casos de uso de BI, o analista de negócios pode usar o editor Databricks SQL ou ferramentas específicas de BI, como o Tableau ou o Looker. Em ambos os casos, o mecanismo é o Databricks SQL (serverless ou nãoserverless) e o descobrimento de dados, a exploração e o controle de acesso são fornecidos pelo Unity Catalog.

Caso de uso: Federação de lagos

lakehouse arquitetura de referência de federação para Databricks on Google Cloud

downloads: lakehouse arquitetura de referência da federação para Databricks on Google Cloud

lakehouse A federação permite que bancos de dados SQL externos (como MySQL ou Postgres) sejam integrados ao Databricks.

Todas as cargas de trabalho (IA, DWH e BI) podem se beneficiar disso sem a necessidade de ETL dos dados no armazenamento de objetos primeiro. O catálogo de fontes externas é mapeado no catálogo do Unity e o controle de acesso refinado pode ser aplicado ao acesso por meio da plataforma Databricks.