Monitoruj zapytania BigQuery w czasie zbliżonym do rzeczywistego, aby zidentyfikować najbardziej kosztowne zapytania i użytkowników, którzy generują koszty. Które podejście to zapewnia?

Prawidłowa odpowiedź to utworzenie sinka Cloud Logging, który eksportuje logi dostępu do danych BigQuery do BigQuery, a następnie zapytanie na wynikowej tabeli. To podejście pozwala na monitorowanie zapytań w czasie zbliżonym do rzeczywistego, ponieważ logi są przesyłane do BigQuery, gdzie można je analizować za pomocą standardowych zapytań SQL. Logi dostępu do danych zawierają szczegółowe informacje o każdym zapytaniu, w tym o użytkowniku, który je wykonał, oraz o ilości przetworzonych danych, co jest kluczowe do identyfikacji kosztownych zapytań i użytkowników. Pozostałe opcje są mniej efektywne lub nie spełniają wszystkich wymagań: Oznaczanie zestawów danych etykietami dla każdego użytkownika i użycie raportów rozliczeniowych nie zapewnia szczegółowości na poziomie pojedynczego zapytania ani nie jest w czasie zbliżonym do rzeczywistego. Eksportowanie logów do Cloud Storage i uruchamianie potoku Dataflow jest bardziej złożone i wprowadza większe opóźnienia w analizie. Eksport rozliczeń do BigQuery dostarcza dane o kosztach, ale nie na poziomie pojedynczego zapytania BigQuery w czasie zbliżonym do rzeczywistego, co utrudnia identyfikację konkretnych problematycznych zapytań.