Google在臺正式公開介紹GCP雲端平臺多款工具和服務

Google近日（19日）在臺舉辦一場Google Cloud Platform Onboard的科技活動，介紹Google Cloud Platform（GCP）提供給企業的幾項服務，包含運算（Compute）、儲存裝置（Store）、大數據（Big Data）、API、機器學習（Ｍachine Learning）、運用與工具（Management Tools）等類別中的重要服務。

另外，Google也提供使用者完成雲端平臺的註冊後，即可獲得免費試用額度300美元，試用期限為1年，Google的雲端平臺採用專案的方式管理，企業用戶建立專案後就可以使用GCP上所有的服務，且可以在一個雲端平臺上建立多個專案，再分別運行每個專案，企業若要了解計價方式，Google也提供價格計算機（Pricing Calculator）的服務，讓企業依照使用的服務項目與用量試算價格。

Google提供企業透過3種介面存取GCP服務，視覺化使用者介面（Web Console）提供用戶可以透過網頁的方式存取服務，並可以集中管理所有的專案，命令列介面（Cloud SDK/Ｃloud Shell）提供指令的介面讓用戶使用，SDK中包含CLI Tool，和程式化介面（RESTful API）則是透過HTTP的方式存取服務，此外，為了能讓用戶更了解各項API的操作，Google也提供APIs Explorer，讓用戶測試所有API執行狀況，像是Request的傳送和Reply的回應。

Google在運算的產品中提供Compute Engine、App Engine和Container Engine等服務，其中，APP Engine提供PaaS服務形式，簡化開發過程讓用戶可以容易上手，並支援多種程式語言，像是Java、Go、PHP、Python，提供用戶使用API存取Queue、DataStore等服務。

儲存的服務中，GCP提供Cloud Storage、Cloud SQL、Cloud Datastore、Cloud Bigtable等服務，又可分為使用SQL的Cloud SQL，和使用NoSQL服務的Cloud Datastore、Cloud Bigtable，其中，Cloud BigTable由於ＮoSQL服務，適合動態存取，且利用HBase API方式存取資料，能負載PB級的資料量，以及建立大量的欄位資料庫。

此外，稍早Google 2017年Next大會中發布了儲存裝置的新成員Cloud Spanner，可支援全球跨區域存取資料，結合NoSQL資料庫及傳統關聯式資料庫的特性，提供水平擴充、分散資料，以及ACID交易管理，安全性上更是提供了加密防護、身份與存取管理、登入稽核等機制，且能夠支援多種語言，Spanner在Client Library提供Java、Go、Python、Node.js，與第三方的工具連線則是以JDBC的連線方式，不過，目前Cloud Spanner還只是測試版。

大數據分析主要分為資料擷取、資料處理、資料儲存、分析和應用5個環節，GCP在每個環節都提供了服務給企業使用，資料擷取可用App Engine、Cloud Pub/Sub，資料處理的部分Google提供Cloud Dataflow，Cloud Dataflow是以Data Pipeline的託管服務進行資料處理，讓資料的輸入與輸出可串接至Dataflow來讀取和儲存。

資料儲存則可利用BigQuery Storage、Cloud Bigtable、 Cloud Storage，分析則是有Cloud Dataflow、Dataproc、BigQuery Analytics提拱給用戶，BigQuery是無伺服器的資料倉儲服務，以分散式的Column Base方式儲存資料，並透過MapReduce的概念提供資料的查詢與分析，並允許多個資料表之間的Join，讓用戶可在BigQuery匯入CSV、JSON和Avro的資料檔，或從Cloud Storage、Cloud Dataflow等其他GCP的服務匯入資料，讓用戶可直接下SQL命令來查詢資訊。

最後應用的環節，Google則是提供Data Studio、Datalab的服務，Datalab專為資料科學家設計，結合BigQuery、SQL、Python，用戶可在新增程式碼（Add code）後，直接看到可視化的結果，透過簡單的操作介面，將資料輸入，且可立即呈現視覺化的分析結果，若結果不理想，資料科學家可以即時調整分析方法。

圖片來源：Google

機器學習Google則是提供ML Engine和許多API，包含語音辨識的Speech API、翻譯的Translate API、影片辨識的Video Intelligence API、電腦視覺的Vision API、自然語言處理的Natural Language API等，用戶可透過RESTful或Library呼叫的方式使用這些API，若用戶不想自行建置TensorFlow的框架，可以利用ML Engine的服務，快速上手分析和設計演算法模型，省去部署和管理機器學習框架的步驟。