[ GCP ] アーキテクト構成例を色々集めてみる(2)

こんばんは、七色メガネです。

今回は前回に引き続き、GCPのアーキテクト例を集めていこうと思います。よろしければお付き合いください。

[ GCP ] アーキテクト構成例を色々集めてみる(1)

アークテクト例

一般的なWebサイトを構築する

用途

静的なコンテンツおよび動的なコンテンツをユーザに提供する、一般的なWebサイトの構築

Load Bralancer

AppEngine がオートスケールするので、それらに適切にトラフィックを振り分ける。

App Engine (Front)

コンテンツをユーザにサーブする。トラフィック需要によりサーバが自動でスケールされる。スタンダードで可。フルマネージドなので、インフラ周りを制御する必要がない。

App Engine (Batch)

バッチ処理を担う。

Cloud Strage

配信される静的なコンテンツの保持、あるいはユーザからアップロードされるメディアファイルの保存などに使用するデータストレージ。

Cloud SQL / Cloud Data Store

配信される動的なコンテンツの保持に使用するデータベース。

出典

https://cloud.google.com/solutions/web-serving-overview

アプリに音声翻訳機能を追加する

用途

携帯アプリなどで日本語音声を英語音声に変換するサービスを実装するときなど

Speech-to-Text

音声をテキスト化するGCPのAPI.

Translation

テキストを翻訳するGCPのAPI.

Text-to-Speech

テキストを音声化するGCPのAPI.

Cloud Strage

非構造化データを格納できるデータストレージ。

出典

https://cloud.google.com/solutions/mobile/speech-translation-android-microservice

CloudSQL のフェイルオーバー構成

用途

Cloud SQL を冗長化し、DB可用性を高める

HA構成

HA構成はクラスタとも呼ばれ、データの冗長性を確保するための構成。プライマリゾーンのマスターインスタンスと、セカンダリゾーンのフェイルオーバーレプリカによって構成される。
マスターインスタンスへの変更は準同期的にセカンダリインスタンスへと適用され、マスターインスタンスが応答しなくなった場合には、トラフィックを自動でセカンダリインスタンスへと移行する。(=フェイルオーバー)

出典

https://clonos.jp/knowledge/detail03/

機械学習で構造化データを扱う

用途

蓄積された構造化データに対して、データ分析・処理・機械学習を行う

Cloud Datalab

GCPで提供されるデータの解析・可視化ツール。Cloud Strage 上のデータや Cloud BigQuery 上のデータを扱うことができる。
機械学習における分析とはデータ項目の選別・加工も含む。

Cloud Dataflow

データの処理エンジン。分析を終えたデータを機械学習用のローデータへと変換する。この構成では、処理は Apache Beam で実装され、それを Dataflow で実行している。作成された教師データは、Cloud Strage へと保存される。

Cloud ML Engine

機械学習エンジン。Cloud Strage に保存された教師データを元にして、機械学習を行う。この構成では、学習モデルの実装は TensorFlow によって行われている。機械学習により作成されたモデルは Cloud Strage へと保存され、App Engine から利用できるように整理される。