Surveiller les requêtes BigQuery en quasi temps réel pour identifier les requêtes les plus coûteuses et les utilisateurs qui génèrent des coûts. Quelle approche permet cela ?

L'approche correcte consiste à créer un récepteur Cloud Logging qui exporte les journaux d'accès aux données BigQuery vers une table BigQuery. Ces journaux contiennent des informations détaillées sur chaque requête, y compris l'utilisateur, les ressources consommées et les coûts estimés. En interrogeant cette table, vous pouvez identifier les requêtes coûteuses et les utilisateurs responsables en quasi temps réel. Les autres options sont moins efficaces ou ne répondent pas entièrement au besoin : Étiqueter les datasets par utilisateur et utiliser les Rapports de facturation du projet filtrés par utilisateur ne permet pas une granularité au niveau de la requête individuelle ni un suivi en quasi temps réel. Exporter les journaux vers Cloud Storage et utiliser Dataflow est une solution plus complexe et coûteuse pour ce cas d'usage, qui peut être géré plus simplement avec Cloud Logging et BigQuery. Activer l'exportation de la facturation vers BigQuery fournit des données de coût agrégées, mais ne détaille pas les requêtes individuelles ni les utilisateurs spécifiques en quasi temps réel.