En esta página se explica cómo usar VMs de Arm como trabajadores de trabajos de Dataflow por lotes y de streaming.
Puedes usar las series de máquinas Tau T2A y C4A (vista previa) de procesadores Arm para ejecutar trabajos de Dataflow. Como la arquitectura Arm está optimizada para la eficiencia energética, el uso de estas VMs ofrece una mejor relación precio-rendimiento para algunas cargas de trabajo. Para obtener más información sobre las VMs Arm, consulta VMs Arm en Compute.
Requisitos
- Los siguientes SDKs de Apache Beam son compatibles con las VMs Arm:
- Versiones 2.50.0 o posteriores del SDK de Java de Apache Beam
- Versiones 2.50.0 o posteriores del SDK de Apache Beam para Python
- Versiones 2.50.0 o posteriores del SDK de Go de Apache Beam
- Selecciona una región en la que estén disponibles las máquinas Tau T2A o C4A. Para obtener más información, consulta Regiones y zonas disponibles.
- Usa Runner v2 para ejecutar el trabajo.
- Las tareas de streaming deben usar Streaming Engine.
Limitaciones
- Se aplican todas las limitaciones de Tau T2A y las limitaciones de C4A.
- No se admiten GPUs.
- Cloud Profiler no es compatible.
- Dataflow Prime no es compatible.
- No se admite la recepción de métricas de máquinas virtuales de trabajador de Cloud Monitoring.
- No se admite la compilación previa de imágenes de contenedor.
Ejecutar un trabajo con VMs Arm
Para usar máquinas virtuales Arm, define la siguiente opción de canalización.
Java
Define la opción de workerMachineType flujo de procesamiento y especifica un tipo de máquina ARM.
Para obtener más información sobre cómo definir las opciones de la canalización, consulta Definir opciones de canalización de Dataflow.
Python
Define la opción de machine_type flujo de procesamiento y especifica un tipo de máquina ARM.
Para obtener más información sobre cómo definir las opciones de la canalización, consulta Definir opciones de canalización de Dataflow.
Go
Define la opción de worker_machine_type flujo de procesamiento y especifica un tipo de máquina ARM.
Para obtener más información sobre cómo definir las opciones de la canalización, consulta Definir opciones de canalización de Dataflow.
Usar imágenes de contenedor de varias arquitecturas
Si usas un contenedor personalizado en Dataflow, este debe coincidir con la arquitectura de las VMs de los trabajadores. Si tienes previsto usar un contenedor personalizado en máquinas virtuales ARM, te recomendamos que crees una imagen de varias arquitecturas. Para obtener más información, consulta Crear una imagen de contenedor de varias arquitecturas.
Precios
Se te cobra por los recursos de computación de Dataflow. Los precios de Dataflow no dependen de la familia de tipos de máquinas. Para obtener más información, consulta los precios de Dataflow.
Siguientes pasos
- Configurar las opciones de un flujo de procesamiento de Dataflow
- Usar contenedores personalizados en Dataflow