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。
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。
出典
https://www.topgate.co.jp/gcp13-visualize-data-with-cloud-datalab
終わり
今回はここまでー。
プログラマのためのGoogle Cloud Platform入門 サービスの全体像からクラウドネイティブアプリケーション構築まで