Autenticación del clúster personal de Dataproc

Cuando creas un clúster de Dataproc, puedes habilitar la autenticación del clúster personal de Dataproc para permitir que las cargas de trabajo interactivas del clúster se ejecuten de forma segura con tu identidad de usuario. Esto significa que las interacciones con otros recursos de Google Cloud, como Cloud Storage, se autenticarán como tú en lugar de la cuenta de servicio del clúster.

Consideraciones

• Cuando crees un clúster con la autenticación de clústeres personales habilitada, solo tu identidad podrá usarlo. Los demás usuarios no podrán ejecutar trabajos en el clúster ni acceder a los extremos de la Component Gateway en el clúster.

• Los clústeres con la autenticación de clúster personal habilitada bloquean el acceso SSH y las funciones de Compute Engine, como las secuencias de comandos de inicio en todas las VM del clúster.

• Los clústeres con la autenticación de clúster personal habilitada habilitan y configuran automáticamente Kerberos en el clúster para una comunicación segura dentro del clúster. Sin embargo, todas las identidades de Kerberos del clúster interactuarán con los recursos de Google Cloud como el mismo usuario.

• Actualmente, la autenticación del clúster personal de Dataproc no es compatible con los flujos de trabajo de Dataproc.

• La autenticación de clúster personal de Dataproc está diseñada solo para trabajos interactivos que ejecuta un usuario individual (humano). Las operaciones y trabajos de larga duración deben configurar y usar una identidad de cuenta de servicio adecuada.

• Las credenciales propagadas se reducen con un límite de acceso a las credenciales. El límite de acceso predeterminado se limita a la lectura y escritura de objetos de Cloud Storage en buckets de Cloud Storage que pertenecen al mismo proyecto que contiene el clúster. Puedes definir un límite de acceso no predeterminado cuando enable_an_interactive_session.

Objetivos

• Crea un clúster de Dataproc con la autenticación del clúster personal de Dataproc habilitada.

• Inicia la propagación de credenciales al clúster.

• Usa un notebook de Jupyter en el clúster para ejecutar trabajos de Spark que se autentican con tus credenciales

Antes de comenzar

Crea un proyecto

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Go to project selector

3. Make sure that billing is enabled for your Google Cloud project.

4. Enable the Dataproc API.

   Enable the API

5. Install the Google Cloud CLI.

6. To initialize the gcloud CLI, run the following command:

   gcloud init

7. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Go to project selector

8. Make sure that billing is enabled for your Google Cloud project.

9. Enable the Dataproc API.

   Enable the API

10. Install the Google Cloud CLI.

11. To initialize the gcloud CLI, run the following command:

    gcloud init

Configura el entorno

Configura el entorno desde Cloud Shell o una terminal local:

Crea un clúster y habilita una sesión interactiva

1. Busca la dirección de correo electrónico de tu cuenta activa en gcloud.

   gcloud auth list --filter=status=ACTIVE --format="value(account)"
   

2. Crea un clúster.

   gcloud dataproc clusters create cluster-name \
       --properties=dataproc:dataproc.personal-auth.user=your-email-address \
       --enable-component-gateway \
       --optional-components=ZEPPELIN \
       --region=region
   

3. Habilita una sesión de propagación de credenciales para que el clúster comience a usar tus credenciales personales cuando interactúas con recursos de Google Cloud.

   gcloud dataproc clusters enable-personal-auth-session \
       --region=region \
       cluster-name
   

   Resultado de muestra:

   Injecting initial credentials into the cluster cluster-name...done.
   Periodically refreshing credentials for cluster cluster-name. This will continue running until the command is interrupted...
   

   1. Ejemplo de límite de acceso con alcance reducido: En el siguiente ejemplo, se habilita una sesión de autenticación personal que es más restrictiva que el límite de acceso de credenciales con alcance reducido predeterminado. Restringe el acceso al bucket de preparación del clúster de Dataproc (consulta Reduce el permiso con límites de acceso de credenciales para obtener más información).

gcloud dataproc clusters enable-personal-auth-session \
    --project=PROJECT_ID \
    --region=REGION \
    --access-boundary=<(echo -n "{ \
  \"access_boundary\": { \
    \"accessBoundaryRules\": [{ \
      \"availableResource\": \"//storage.googleapis.com/projects/_/buckets/$(gcloud dataproc clusters describe --project=PROJECT_ID --region=REGION CLUSTER_NAME --format="value(config.configBucket)")\", \
      \"availablePermissions\": [ \
        \"inRole:roles/storage.objectViewer\", \
        \"inRole:roles/storage.objectCreator\", \
        \"inRole:roles/storage.objectAdmin\", \
        \"inRole:roles/storage.legacyBucketReader\" \
      ] \
    }] \
  } \
}") \
   CLUSTER_NAME

1. Mantén el comando en ejecución y cambia a una pestaña nueva de Cloud Shell o a una sesión de la terminal. El cliente actualizará las credenciales mientras se ejecuta el comando.

2. Escribe Ctrl-C para finalizar la sesión.

Accede a Jupyter en el clúster

Ejecuta un trabajo de PySpark desde Jupyter

1. Navega a una carpeta y, luego, crea un notebook de PySpark.

2. Ejecuta un trabajo de recuento de palabras básico en el archivo rose.txt que creaste antes.

   text_file = sc.textFile("gs://bucket-name/rose.txt")
   counts = text_file.flatMap(lambda line: line.split(" ")) \
            .map(lambda word: (word, 1)) \
            .reduceByKey(lambda a, b: a + b)
   print(counts.collect())

   Spark puede leer el archivo rose.txt en Cloud Storage porque se ejecuta con tus credenciales de usuario.

   También puedes verificar los Registros de auditoría del bucket de Cloud Storage para verificar que el trabajo esté accediendo a Cloud Storage con tu identidad (consulta Registros de auditoría de Cloud con Cloud Storage para obtener más información).

   

Limpieza

1. Borra el clúster de Dataproc.

   gcloud dataproc clusters delete cluster-name --region=region