Panoramica della garbage collection

La garbage collection in Bigtable consente di rimuovere automaticamente i dati scaduti e obsoleti dalle tabelle. La configurazione di queste norme ti aiuta a gestire i costi di archiviazione e a mantenere le prestazioni di lettura.

La garbage collection è il processo automatico e continuo di rimozione dei dati scaduti e obsoleti dalle tabelle Bigtable. Un criterio di garbage collection è un insieme di regole che crei per indicare quando i dati in una specifica famiglia di colonne non sono più necessari.

La garbage collection è un processo in background asincrono integrato che si svolge durante la compattazione. La garbage collection viene eseguita in base a una pianificazione fissa che non varia in base alla quantità di dati da eliminare. Fino all'eliminazione, i dati vengono visualizzati nei risultati di lettura. Puoi filtrare le letture per escludere questi dati.

Per saperne di più, consulta la sezione Quando i dati vengono eliminati di questo documento.

I vantaggi delle norme di garbage collection includono:

  • Ridurre al minimo le dimensioni delle righe: vuoi sempre impedire che le righe crescano indefinitamente. Le righe di grandi dimensioni influiscono negativamente sulle prestazioni. Idealmente, non dovresti mai lasciare che una riga superi le dimensioni di 100 MB e il limite è 256 MB. Se non devi conservare i dati storici o le versioni precedenti dei dati attuali, l'utilizzo della garbage collection può aiutarti a ridurre al minimo le dimensioni di ogni riga.
  • Contenere i costi: la garbage collection garantisce che non paghi per archiviare dati non più necessari o utilizzati. Ti viene addebitato il costo dell'archiviazione dei dati scaduti o obsoleti fino a quando non viene eseguita la compattazione e i dati idonei per la garbage collection vengono eliminati. Questa procedura in genere richiede alcuni giorni, ma potrebbe richiedere fino a una settimana.

Puoi impostare le policy di Garbage Collection in modo programmatico o con la CLI cbt . Le policy di garbage collection sono impostate a livello di famiglia di colonne.

Ogni famiglia di colonne di una tabella ha il proprio criterio di garbage collection. La procedura di garbage collection cerca la policy di garbage collection corrente per ogni famiglia di colonne, quindi elimina i dati in base alle regole della policy.

Timestamp

In Bigtable, l'intersezione di una riga e una colonna può avere più celle, che contengono versioni con timestamp del valore per quell'intersezione. Ogni cella ha un timestamp. Un timestamp è il numero di microsecondi trascorsi dall'epoca di Unix, 1970-01-01 00:00:00 UTC. Puoi utilizzare i timestamp predefiniti o impostarli quando invii richieste di scrittura.

Un timestamp che invii a Bigtable deve essere un valore in microsecondi con una precisione massima di un millisecondo. Un timestamp con precisione in microsecondi, ad esempio 3023483279876543, viene rifiutato. In questo esempio, il valore accettabile per il timestamp è 3023483279876000.

La proprietà timestamp di una cella può essere un timestamp "reale", che riflette l'ora effettiva in cui viene scritto il valore della cella, oppure può essere un timestamp "artificiale". I timestamp artificiali includono numeri sequenziali, zeri o valori formattati come timestamp che non corrispondono all'ora effettiva in cui è stata scritta la cella. Prima di utilizzare i timestamp artificiali, esamina i casi d'uso, inclusi i rischi:

Assicurati di impostare un timestamp predefinito quando invii richieste di scrittura, a meno che tu non debba supportare un caso d'uso con timestamp artificiali.

Tipi di garbage collection

Questa sezione descrive i tipi di garbage collection disponibili in Bigtable. Gli esempi di codice per ogni tipo di garbage collection sono disponibili in Configurazione della garbage collection.

Valori in scadenza (in base all'età)

Puoi impostare una regola di garbage collection in base al timestamp di ogni cella. Ad esempio, potresti non voler conservare le celle con timestamp più vecchi di 30 giorni rispetto alla data e all'ora attuali. Con questo tipo di regola di garbage collection, imposti la durata (TTL) dei dati. Bigtable esamina ogni famiglia di colonne durante la garbage collection ed elimina le celle scadute.

Numero di versioni

Puoi impostare una regola di garbage collection che indichi esplicitamente il numero massimo di celle da conservare per tutte le colonne di una famiglia di colonne.

Ad esempio, se vuoi conservare solo l'ultimo nome utente e indirizzo email di un cliente, puoi creare una famiglia di colonne contenente queste due colonne e impostare il numero massimo di valori su 1 per questa famiglia di colonne.

In un altro caso, potresti voler conservare le ultime cinque versioni dell'hash della password di un utente per assicurarti che non riutilizzi la password, quindi imposteresti il numero massimo di versioni per la famiglia di colonne contenente la colonna della password su 5. Quando Bigtable esamina la famiglia di colonne durante la raccolta dei rifiuti, se nella colonna della password è stata scritta una sesta cella, la cella meno recente viene eliminata per mantenere il numero di celle a cinque.

Combinazioni di regole relative a scadenza e numero di versione

Puoi utilizzare una combinazione di regole di scadenza e numero di versione per la garbage collection. I tipi di combinazioni sono intersezione, unione e nidificata. Per esempi di configurazione, consulta Garbage collection basata su più criteri.

Incrocio

Una policy di garbage collection di intersezione contrassegna i dati per l'eliminazione quando soddisfano tutti i criteri in un determinato insieme di regole. Ad esempio, potresti voler eliminare i profili più vecchi di 30 giorni, ma conservarne sempre almeno uno per ogni utente. In questo caso, la policy di intersezione per la famiglia di colonne contenente la colonna del profilo consisterebbe in una regola per un valore in scadenza e una regola per il numero di versioni.

Union

Un criterio di garbage collection unione contrassegna i dati per l'eliminazione quando soddisfano qualsiasi elemento di un determinato insieme di regole. Ad esempio, potresti voler assicurarti di conservare un massimo di due record di visualizzazione di pagina per utente, ma solo se sono meno di 30 giorni. In questo caso, i criteri dell'unione sono impostati per un valore in scadenza o un numero di versioni.

Nidificati

Una policy di garbage collection nidificata ha una combinazione di regole di unione e intersezione.

Impostazioni predefinite per la garbage collection

Non esiste un TTL predefinito per una famiglia di colonne. Il numero di celle conservate per una colonna dipende da come crei la famiglia di colonne in cui si trova la colonna, come spiegato nelle sezioni seguenti.

Norme HBase

Se crei la famiglia di colonne con il client HBase per Java, la shell HBase o un altro strumento che utilizza il client HBase per Java, Bigtable conserva solo la cella più recente in ogni colonna della famiglia di colonne, a meno che tu non modifichi la regola. Questa impostazione predefinita è coerente con HBase.

Tutte le altre librerie client o strumenti

Se crei la famiglia di colonne con un'altra libreria client o un altro strumento, Bigtable conserva un numero infinito di celle in ogni colonna della famiglia di colonne. Sono incluse le famiglie di colonne create con gcloud e l'interfaccia a riga di comando cbt. Devi modificare la policy di garbage collection per la famiglia di colonne se vuoi limitare il numero di versioni.

Quando i dati vengono eliminati

La garbage collection è un processo continuo in cui Bigtable controlla le regole per ogni famiglia di colonne ed elimina i dati scaduti e obsoleti di conseguenza. In generale, possono essere necessari fino a una settimana dal momento in cui i dati corrispondono ai criteri nelle regole per l'eliminazione effettiva dei dati. Non puoi modificare la tempistica della garbage collection.

Poiché l'eliminazione dei dati scaduti può richiedere fino a una settimana, non devi mai fare affidamento esclusivamente sulle norme di garbage collection per assicurarti che le richieste di lettura restituiscano i dati selezionati. Applica sempre alle richieste di lettura un filtro che escluda gli stessi valori delle regole di Garbage Collection. Puoi filtrare limitando il numero di celle per colonna o specificando un intervallo di timestamp.

Ad esempio, supponiamo che la regola di garbage collection di una famiglia di colonne sia impostata in modo da conservare solo le cinque versioni più recenti di un profilo e che siano già memorizzate cinque versioni. Dopo la scrittura di una nuova versione del profilo, potrebbe essere necessaria fino a una settimana prima che la cella meno recente venga eliminata. Pertanto, per evitare di leggere il sesto valore, devi filtrare tutto tranne le cinque versioni più recenti.

Ti viene addebitato il costo dell'archiviazione dei dati scaduti fino a quando non viene eseguita la compattazione e i dati vengono eliminati.

La garbage collection è retroattiva: quando viene impostata una nuova norma di garbage collection, nei giorni successivi viene applicata a tutti i dati della tabella. Se la nuova norma è più restrittiva di quella precedente, i dati precedenti vengono eliminati durante <x0A>l'elaborazione in background, inclusi i dati scritti prima della modifica <x0A>della norma.

Se vuoi assicurarti che i dati contrassegnati per la garbage collection vengano eliminati, puoi eseguire una query sulla tabella e confrontare i dati con i risultati previsti. Puoi anche monitorare le dimensioni delle tabelle nella console Cloud de Confiance . Una tabella che non si riduce mai potrebbe riflettere un criterio di garbage collection che non funziona come previsto, ma ricorda che la garbage collection viene eseguita con un ritardo.

Replica e garbage collection

La replica può influire sulla garbage collection in diversi modi.

Garbage collection basata sulla versione e utilizzo della CPU

In un'istanza che utilizza la replica, le eliminazioni dalla garbage collection basata sulla versione vengono replicate in tutti i cluster dell'istanza nello stesso modo in cui vengono replicate le richieste dell'applicazione. Se scrivi rapidamente nuove celle che causano la marcatura per l'eliminazione delle celle precedenti, potresti notare un aumento dell'utilizzo della CPU quando Bigtable elimina le celle obsolete e replica queste eliminazioni in altri cluster nell'istanza. Preparati a questo aumento dell'utilizzo della CPU se aggiungi un cluster a un'istanza contenente tabelle che utilizzano la garbage collection basata sulla versione.

La raccolta dei rifiuti basata sull'età, invece, non aumenta l'utilizzo della CPU nelle istanze replicate.

Modifica delle policy di garbage collection basate sulla versione

Puoi modificare il numero massimo di versioni di una famiglia di colonne in una tabella replicata. Tuttavia, se riduci il numero di versioni per una famiglia di colonne, potrebbero essere necessari fino a una settimana prima che tutti i cluster replicati riflettano il nuovo numero inferiore. Pertanto, devi sempre utilizzare i filtri durante la lettura dei dati.

Modifica delle policy di garbage collection basate sull'età

Puoi aumentare o diminuire il tempo di conservazione specificato nelle norme di garbage collection indipendentemente dal fatto che l'istanza utilizzi la replica. Se l'istanza non utilizza la replica, puoi anche eliminare un criterio di garbage collection basato sull'età.

Riduzione del tempo di conservazione

Se riduci il periodo di conservazione in una policy basata sull'età, potrebbero essere necessari fino a una settimana prima che tutti i cluster si sincronizzino e utilizzino la nuova policy.

Aumentare il tempo di conservazione

In una tabella replicata, puoi aumentare il periodo di conservazione di un criterio di garbage collection di un massimo di 90 giorni.

Se aumenti il periodo di conservazione per una famiglia di colonne, tieni presente che i cluster potrebbero non essere sincronizzati per più di una settimana. Per capire il motivo, considera un caso ipotetico in cui hai una tabella in un'istanza a due cluster e modifica il periodo di conservazione di una famiglia di colonne da 30 giorni a 50 giorni:

  1. Al cluster A viene inviata una richiesta di scrittura per la chiave di riga ip#685 con un valore di 2023-01-02 per la colonna click-through nella famiglia di colonne profile. I dati vengono replicati nel cluster B.
  2. Trentuno giorni dopo, viene eseguita la garbage collection sul cluster A e il valore nella colonna click-through viene riconosciuto come scaduto ed eliminato.
  3. Modifichi la policy di garbage collection per la famiglia di colonne profile, aumentando il TTL da 30 a 50 giorni.
  4. Un giorno dopo, la garbage collection viene eseguita sul cluster B. Poiché il TTL è di 50 giorni, il valore 2023-01-02 viene conservato.
  5. I cluster non sono più sincronizzati e rimangono tali per quasi 20 giorni finché il valore presente nel cluster B ma non nel cluster A non viene eliminato.

Passaggi successivi