Google Cloud

Google Cloud

Cara Merencanakan Jaringan IPv6 dengan Google Cloud

/

 Google Cloud mendukung berbagai kemampuan IPv6. Saat menggunakan IPv6 addressing, Cloud memberi Anda 2 pilihan: menggunakan Global Unicast Addresses (GUA) untuk konektivitas eksternal atau Unique Loca Addresses (ULA) untuk konektivitas pribadi. Artikel ini akan membahas cara menggunakan address space GUA dan ULA Google Cloud dalam jaringan VPC serta menyesuaikannya untuk lingkungan Anda, dengan 4 miliar IPv6 addressing tersedia untuk setiap VM instance. Penting untuk diingat, Anda hanya dapat mengonfigurasi jaringan VPC dengan dual-stack subnet disetel ke kustom; IPv6 addressing tidak tersedia jika mode subnet diatur ke otomatis. Anda dapat membuat jaringan VPC mode kustom sebagai berikut: Jika memilih untuk menggunakan ULA addressing sebagai jaringan VPC Anda, Google Cloud akan memberi pilihan berikut ini: Alokasi otomatis rentang alamat /48 untuk VPC Anda dari rentang fd20::/20 Rentang alamat /48 pilihan Anda dari rentang fd20::/20 range gcloud compute networks create my-test-network –subnet-mode=custom –enable-ula-internal-ipv6 –internal-ipv6-range fd20:1:2:3::/48 Baca juga: Penyempurnaan Facet Google Cloud Search, Seperti Apa? Setiap rentang alamat /48 secara otomatis dialokasikan di semua region GCP dengan bagian dari /48 dicadangkan untuk setiap region (mis., /54 untuk us-central1, /55 untuk europe-west1, /56 untuk asia-south1). Subnet dengan panjang awalan /64 dialokasikan dari masing-masing reservasi regional. Ini memungkinkan Anda membuat: hingga 256 subnet di region tempat /56 dicadangkan secara otomatis; hingga 512 subnet di region tempat /55 dicadangkan secara otomatis; dan hingga 1024 subnet di region tempat /54 dicadangkan secara otomatis. Photo Credit: Freepik Keseluruhan /48 hanya tersedia untuk jaringan Anda dan dijamin tidak akan tumpang tindih dengan jaringan lain mana pun di GCP. Anda dapat membuat subnet dengan rentang ULA yang terkait dengan mengetikkan: Anda dapat membuat VM dengan ULA addressing untuk konektivitas internal dengan mengaitkannya ke subnet ULA. A /96 dialokasikan ke VM saat pembuatan: Jika memilih menggunakan GUA addressing untuk subnet Anda, maka /64 dialokasikan untuk setiap subnet yang dibuat. Subnet GUA dialokasikan dari rentang alamat 2600:1900::/28: Anda juga dapat membuat VM dengan GUA address untuk konektivitas eksternal dengan mengaitkannya ke subnet GUA. A /96 dialokasikan ke VM saat pembuatan: Secara default, Google Cloud menggunakan DHCPv6 untuk menetapkan alamat /128 pertama ke antarmuka VM dan membuat data Auto-DNS AAAA untuk /128 pertama. Namun, Google Cloud memberi Anda fleksibilitas untuk menggunakan 4 miliar IPv6 addressing yang dialokasikan ke setiap antarmuka VM dengan mengubah konfigurasi default. Berikut adalah beberapa hal menarik yang dapat Anda lakukan dengan kapabilitas ini: Buat container dan sematkan container id 32-bit unik di rentang alamat VM. Misalnya: <VM 96-bit IPv6 range> <32-bit container id>. Ini memungkinkan penerima traffic untuk mengenali pengirim dari container id. Jika membuat aplikasi di Google Cloud, Anda dapat meneruskan beberapa metadata melalui lapisan jaringan secara buram. Untuk tujuan pengaburan, gunakan sembarang alamat IPv6 /128 dari rentang alamat /96 yang ditetapkan. Anda juga dapat menyandikan informasi yang relevan dengan lingkungan Anda seperti ID lokasi, menggunakan random bits dari 32-bit terakhir. Terakhir, gunakan pemrograman berbasis sufiks dengan menggunakan sufiks terkenal untuk mengidentifikasi jenis beban kerja tertentu. Baca juga: Cara Memigrasikan Pengguna Active Directory Lokal ke Google Cloud Managed Microsoft AD Contoh Berikut adalah contoh penetapan IPv6 addressing unik ke container menggunakan ruang nama jaringan: Photo Credit: Google Cloud Blog Pertimbangkan kasus di mana Anda memiliki container untuk lingkungan dev dan prod yang berjalan di VM. Jika setiap lingkungan diberi ID unik (katakanlah, lingkungan dev memiliki ID=1 dan lingkungan prod memiliki ID=2), maka 32-bit VM yang lebih rendah dapat menyandikan ID ini. Anda kemudian dapat menerapkan ACL sehingga prod database hanya dapat menerima koneksi dengan alamat yang 32-bitnya lebih rendah adalah ‘2’. Ini menambah tingkat keamanan lain dengan menyediakan isolasi lingkungan pada lapisan jaringan. Semoga dokumentasi ini dapat membantu Anda memahami cara memanfaatkan alokasi /96 address untuk setiap VM dengan cara yang unik dan menyesuaikannya untuk lingkungan Anda. Untuk mempelajari lebih lanjut mengenai cara memulai IPv6 di Google Cloud, Anda dapat mengunjungi halaman berikut ini. Baca juga: Storage Transfer Service Google Cloud Kini Mendukung Kapabilitas Replikasi Google Cloud mendukung berbagai kapabilitas IPv6, Anda bahkan dapat memilih jaringan untuk konektivitas eksternal atau pribadi. Nikmati kemudahan ini dengan berlangganan Google Cloud melalui EIKON Technology, partner resmi Google Cloud Indonesia. Di samping menyediakan solusi resmi bergaransi, kami juga memberikan pelayanan menyeluruh dari tahap perencanaan hingga penerapan. Untuk informasi lebih lanjut, silakan klik di sini!

Google Cloud

Mengintip Layanan Baru Google Cloud: Tawarkan Fleksibilitas Tinggi bagi Pengguna

/

Masih banyak pengguna cloud yang merasa kesulitan memprediksi resources apa yang akan mereka butuhkan di masa mendatang. Google Cloud menawarkan solusi dengan menghadirkan cara baru bagi pelanggan dalam menggunakan dan membayar layanan. Paling baru, Cloud menawarkan fleksibilitas tinggi bagi pelanggan dalam memilih dan membayar layanan yang disediakan. Menghapus hambatan dengan Google Flex Agreements Banyak pelanggan memilih paket berlangganan multi-year karena memudahkan dalam penganggaran. Namun paket tersebut dapat menimbulkan kesulitan bagi mereka yang tidak memiliki visibilitas jelas terhadap kebutuhan konsumsi cloud di masa mendatang. Sebagai solusi, Cloud meluncurkan Flex Agreements, yang memungkinkan pelanggan memigrasikan beban kerja mereka ke cloud tanpa komitmen di awal. Bukan hanya itu, tahun 2022 lalu, Cloud juga meluncurkan langganan tahunan Innovators Plus, yang menghadirkan toolkit pilihan untuk membantu developer, serta akses ke pelatihan langsung melalui Google Cloud Skills Boost, kredit Google Cloud, dan lainnya. Baca juga: Melihat Contoh Penerapan Google Distributed Cloud Edge Appliance Fleksibilitas kontrak dan fitur Photo Credit: rawpixel.com (Freepik) Google Cloud menawarkan beberapa kontrak yang fleksibel seperti Committed Use Discounts (CUDs yang memberikan potongan harga sebagai imbalan atas komitmen untuk menggunakan tingkat minimum resources untuk jangka waktu tertentu. Selain fleksibilitas kontrak, Cloud juga menawarkan keleluasaan dalam memilih fitur dan fungsionalitas berdasarkan tahapan adopsi cloud dan kompleksitas kebutuhan bisnis. Oleh karenanya, pada beberapa waktu ke depan, Google Cloud akan meluncurkan edisi baru Standard, Enterprise, dan Enterprise Plus. Untuk pelanggan yang menjalankan workload yang diatur seperti perbankan dan sektor publik, tingkat Enterprise Plus kelas atas akan menawarkan layanan komputasi, penyimpanan, jaringan, dan analitik dengan ketersediaan tinggi, dukungan multi-region, regional failover dan pemulihan bencana, keamanan tingkat lanjut, dan berbagai dukungan kepatuhan peraturan. Baca juga: Memahami Cara Kerja Cloud Load Balancing di Lingkungan Hybrid dan Multicloud Sesuaikan biaya konsumsi dengan penskalaan otomatis Persyaratan inti Google Cloud adalah menyediakan kemampuan terdepan di industri kepada pelanggan untuk menaikkan dan menurunkan skala layanan secara otomatis untuk menyesuaikan kapasitas dengan permintaan real-time. Penskalaan otomatis meningkatkan waktu kerja, mengurangi biaya infrastruktur, dan menghilangkan beban operasional. Banyak produk Google Cloud menyertakan kemampuan penskalaan otomatis untuk membantu pelanggan mengelola variasi permintaan yang tidak direncanakan. Misalnya, penskalaan otomatis vertikal dan horizontal Dataflow, dikombinasikan dengan konfigurasi resources adaptif granular, menghasilkan penghematan biaya infrastruktur untuk streaming hingga 50% dan secara otomatis memilih jumlah instans yang tepat yang diperlukan untuk menjalankan pekerjaan. Bigtable juga menyediakan kemampuan penskalaan otomatis asli, dan penskalaan otomatis Spanner adalah tool open-source  yang berfungsi di seluruh penerapan Spanner regional dan multiregional. Photo Credit: Google Cloud Blog Google juga tengah meningkatkan kemampuan ini dengan mengaktifkan penskalaan otomatis di BigQuery pada tingkat yang lebih terperinci sehingga Anda tidak perlu membayar lebih dari yang Anda gunakan. Hal ini memungkinkan Anda menyediakan kapasitas tambahan dalam peningkatan yang lebih kecil, sehingga Anda tidak perlu menyediakan dan membayar lebih untuk kapasitas yang kurang terpakai. Pelanggan BigQuery sekarang dapat mencoba penskala otomatis BigQuery baru di konsol Google Cloud mereka. Baca juga: Penyempurnaan Infrastruktur Google Cloud untuk Menyesuaikan Beban Kerja Anda Google Cloud terus berkomitmen terhadap kesuksesan pelanggan dengan menghadirkan inovasi yang akan memudahkan mereka dalam mengelola cloud resources. Dengan menghadirkan fleksibilitas yang tinggi, pelanggan dapat memilih layanan sesuai kebutuhan dan tentunya bujet mereka tanpa perlu mengorbankan fitur-fitur penting. Mulai perjalanan migrasi cloud Anda ke Google Cloud bersama EIKON Technology. Sebagai partner Google Cloud Indonesia, kami menghadirkan produk resmi berlisensi yang didukung oleh layanan konsultasi untuk memudahkan proses penerapan. Untuk nformasi lebih lanjut mengenai perencanaan dan penerapan Google Cloud, silakan hubungi kami di sini!

Google Cloud, Info

Mengoptimalkan Penggunaan BigQuery BI Engine

/

BigQuery BI Engine adalah sebuah sistem analisis in-memory untuk BigQuery yang saat ini memproses lebih dari 2 miliar kueri per bulan dan akan terus bertambah. Penggunaan BI Engine sangatlah mudah, Anda cukup membuat reservasi memori pada project yang menjalankan BigQuery, dan itu akan meng-cache data serta menggunakan optimalisasi. Artikel kali ini akan membahas bagaimana BI Engine memberikan performa yang sangat cepat untuk kueri BigQuery Anda dan apa yang dapat dilakukan pengguna untuk memanfaatkan potensinya. Optimalisasi BI Engine Dua pilar utama BI Engine adalah in-memory data caching dan pemrosesan vektor. Optimalisasi lainnya termasuk pemangkasan metadata CMETA, pemrosesan simpul tunggal, dan optimalisasi gabungan untuk tabel yang lebih kecil. Baca juga: Penyempurnaan Facet Google Cloud Search, Seperti Apa? Bantu BigQuery dalam pengelolaan data BI Engine menggunakan filter kueri untuk mempersempit sekumpulan blok yang akan dibaca. Oleh karenanya, mempartisi dan mengelompokkan data Anda akan mengurangi jumlah data yang akan dibaca, latensi, dan penggunaan slot. Kedalaman kueri BI Engine saat ini mempercepat tahapan kueri yang membaca data dari tabel, yang biasanya merupakan bagian dari eksekusi kueri. Artinya, hampir setiap kueri akan menggunakan beberapa slot BigQuery. Untuk memitigasi hal ini, BI Engine mencoba mendorong komputasi sebanyak mungkin ke tahap pertama. Misalnya, Query1 dari benchmark TPCH 10G relatif sederhana. Kedalamannya 3 tahap dengan filter dan agregasi efisien yang memproses 30 juta baris, namun hanya menghasilkan 1. Photo Credit: Google Cloud Blog Menjalankan kueri ini di BI Engine, Anda dapat melihat bahwa kueri lengkap membutuhkan waktu 215 ms dengan tahap “S00: Input” yang dipercepat oleh BI Engine hingga menjadi 26 ms saja. Photo Credit: Google Cloud Blog Menjalankan kueri yang sama di BigQuery menghasilkan 583 md, dengan “S00: Input” membutuhkan waktu 229 md saja. Photo Credit: Google Cloud Blog Itu artinya, waktu proses tahap “S00: Input” turun hingga 8x, tapi kueri keseluruhan tidak menjadi 8x lebih cepat. Sebab, dua tahap lainnya tidak dipercepat dan waktu prosesnya tetap kurang lebih sama. Berikut gambaran perincian antar tahapannya: Photo Credit: Google Cloud Blog Joins BI mempercepat tahapan “leaf” kueri. Namun, ada satu pola yang sangat umum digunakan dalam alat BI yang dioptimalkan oleh BI Engine. Saat itulah, satu tabel “fact” besar digabungkan dengan satu atau lebih tabel “dimension” yang lebih kecil. Kemudian BI Engine dapat melakukan banyak gabungan, semuanya dalam satu tahap “leaf”, menggunakan apa yang disebut sebagai strategi eksekusi gabungan “broadcast”. Baca juga: Storage Transfer Service Google Cloud Kini Mendukung Kapabilitas Replikasi Real- Time Selama broadcast join, tabel fakta dipecah untuk dieksekusi secara paralel pada beberapa node, sedangkan tabel dimensi dibaca pada setiap node secara keseluruhan. Misalnya, Anda menjalankan Query 3 dari benchmark TPC-DS 1G. Tabel faktanya adalah store_sales dan tabel dimensinya adalah date_dim dan item. Di BigQuery, tabel dimensi akan dimuat ke pengacakan terlebih dahulu, lalu ke tahap “S03: Join+”. Untuk setiap bagian paralel store_sales, akan membaca semua kolom yang diperlukan dari tabel dua dimensi untuk digabungkan. Photo Credit: Google Cloud Blog Dengan BI Engine, katakanlah dua node akan memproses kueri karena tabel store_sales terlalu besar untuk pemrosesan satu node. Pada gambar di bawah, Anda dapat melihat bahwa kedua node akan memiliki operasi yang serupa—membaca data, memfilter, membuat tabel pencarian, dan kemudian melakukan penggabungan. Meski hanya sebagian data untuk tabel store_sales, yang diproses pada masing-masing tabel, semua operasi pada tabel dimensi akan diulang. Photo Credit: Google Cloud Blog Baca juga: Melihat Contoh Penerapan Google Distributed Cloud Edge Appliance Bisa disimpulkan bahwa untuk mengoptimalkan penggunaan BI Engine, pastikan untuk memfilter dan mengagregasi data sebanyak mungkin di awal kueri. Dorong filter dan komputasi ke dalam BI Engine. Kueri dengan jumlah tahapan yang sedikit akan mendapat akselerasi terbaik. Penggunaan join terkadang mahal, namun BI Engine mungkin akan sangat efisien dalam mengoptimalkan kueri skema biasa. Mempartisi dan/atau mengelompokkan tabel bermanfaat untuk membatasi jumlah data yang akan dibaca. BigQuery BI Engine merupakan mesin analitik data untuk menjalankan data yang disimpan di BigQuery. Mesin ini berjalan di ekosistem Google Cloud, menawarkan pengalaman yang lebih seamless, cepat, dan tentunya aman. Dapatkan layanan komputasi awan Google Cloud melalui EIKON Technology. Kami merupakan partner resmi Google Cloud Indonesia, yang menghadirkan produk berlisensi dengan layanan konsultasi penerapan komprehensif. Untuk informasi lebih lanjut, hubungi kami di sini!

Google Cloud

Mengenal Fitur Data Praprocessing dari BigQuery ML

/

 Pra-pemrosesan dan transformasi data mentah menjadi features merupakan langkah penting namun memakan waktu dalam proses machine learning (ML). Terutama ketika seorang data scientist harus memindahkan data. Dalam artikel ini, Anda dapat menyimak tentang bagaimana BigQuery ML dapat menyederhanakan proses tersebut dengan menambahkan dua kemampuan rekayasa fitur. Fitur Data Preprocessing BigQuery ML Photo Credit: Freepik Bulan Oktober 2022 lalu, BigQuery ML meluncurkan beberapa fungsi rekayasa fitur lanjutan. Fitur-fitur tersebut akan membantu mereka untuk menghitung, menormalkan, hingga encode data. Dengan memanfaatkan fitur-fitur ini, tahapan prapemrosesan data pun menjadi lebih cepat dan aman. Berikut adalah beberapa fitur yang diluncurkan BigQuery ML dalam rilisan tersebut: ML.MAX_ABS_SCALER Menskalakan kolom numerik ke range [-1, 1] tanpa pemusatan dengan nilai absolut maksimum. ML.ROBUST_SCALER Skala kolom numerik dengan memusatkan median (opsional) dan membaginya dengan quantile range pilihan ([25, 75] secara default). ML.NORMALIZER Mengubah input numerical array menjadi unit norm array untuk p-norm apa pun: 0, 1, >1, +inf. Standarnya adalah 2, menghasilkan array yang dinormalisasi di mana jumlah kuadratnya adalah 1. ML.IMPUTER Mengganti nilai yang hilang dalam input numerik atau kategori dengan rata-rata, median, atau mode (paling sering). ML.ONE_HOT_ENCODER One-hot encode input kategori. Selain itu, fitur ini secara opsional melakukan dummy encoding dengan menghilangkan nilai yang paling sering. Dimungkinkan juga untuk membatasi ukuran pengkodean dengan menentukan k untuk k kategori yang paling sering dan/atau ambang batas yang lebih rendah untuk frekuensi kategori. ML.LABEL_ENCODER Enkode input kategori ke nilai integer [0, n kategori] di mana 0 mewakili NULL dan kategori yang dikecualikan. Anda dapat mengecualikan kategori dengan menentukan k untuk k kategori yang paling sering dan/atau ambang batas yang lebih rendah untuk frekuensi kategori. Baca juga: Mengenal Fitur Log Analytics dari Cloud Logging yang Telah Didukung oleh BigQuery Ekspor model dengan TRANSFORM Statement Anda kini dapat mengekspor model BigQuery ML yang menyertakan statemen feature TRANSFORM. Kemampuan untuk menyertakan statemen TRANSFORM membuat model lebih portabel saat mengekspornya untuk prediksi online. Kemampuan ini juga berfungsi saat model BigQuery ML didaftarkan dengan Vertex AI Model Registry dan diterapkan ke end point Vertex AI Prediction. Fitur baru ini tersedia melalui Google Cloud Console, BigQuery API, dan client libraries. Baca juga: Pengalaman Terpadu Log Gmail di BigQuery, Seperti Apa? Kemudahan prepemrosesan data dengan BigQuery ML Photo Credit: Freepik Dengan fungsi prapemrosesan baru dari BigQuery ML ini, Anda dapat menyederhanakan eksplorasi data dan prapemrosesan feature. Selanjutnya, dengan menyematkan prapemrosesan dalam pelatihan model menggunakan statemen TRANSFORM, proses penyajian disederhanakan dengan menggunakan model yang sudah disiapkan tanpa memerlukan langkah tambahan. Dengan kata lain, prediksi dilakukan langsung di dalam BigQuery atau sebagai alternatif, model dapat diekspor ke lokasi mana pun di luar BigQuery seperti Vertex AI Prediction untuk penayangan online. Untuk mempelajari cara kerja fitur Data Praprocessing BigQuery ML, Anda dapat mengunjungi halaman tutorial ini. Baca juga: 3 Fitur Rahasia BigQuery untuk Kelola Data Lebih Baik Memanfaatkan fitur Data Praprocessing dari BigQuery ML ini pengguna dapat menyederhanakan proses eksplorasi data secara mudah dan aman. BigQuery ML sendiri merupakan sebuah solusi yang dihadirkan Google Cloud untuk memanggil model ML pada data terstruktur hanya dengan menggunakan SQL. Mulai perjalanan transformasi cloud Anda dengan Google Cloud yang kini telah tersedia di EIKON Technology. Sebagai partner Google Cloud Indonesia, kami menghadirkan produk resmi bergaransi yang disertai dengan konsultasi untuk memastikan penerapan yang mulus dan aman. Informasi lebih lanjut mengenai cara berlangganan, silakan hubungi kami di sini!

Google Cloud, Info

Fitur Connected Sheets Looker: Jelajahi Data secara Interaktif

/

Google Cloud baru saja meluncurkan peningkatan kapabilitas untuk Looker, platform business intelligence (BI) modern mereka. Upgrade yang diperkenalkan pada 1 Februari 2023 tersebut menghadirkan sebuah fitur baru yakni Connected Sheets. Bagaimana cara kerjanya? Fitur Connected Sheets di Looker Photo Credit: Google Workspace Updates Looker yang merupakan platform business intelligence (BI) andalan Google Cloud baru saja meluncurkan sebuah fitur baru bernama Connected Sheets. Fitur baru ini menghadirkan konektivitas antara interface Google Sheets dengan 50 lebih sumber data yang tersedia dalam ekosistem terbuka Looker (ini termasuk BigQuery, Cloud SQL, Snowflake, dan juga Redshift). Dengan fitur baru ini Anda akan mendapatkan satu source of truth, yang dapat digunakan untuk menganalisis data menggunakan tabel pivot, charts, formula, dan sumber data terintegrasi lainnya. Selain itu, dengan koneksi langsung ini, lini akses menjadi lebih aman dan data akan tetap diperbarui. Connected Sheets memungkinkan eksplorasi data yang bersifat intuitif, menghadirkan tampilan model yang terorganisasi dengan bidang dan ukuran seperti yang ditentukan di Looker. Data Looker melalui Connected Sheets dapat digunakan dalam konstruksi Sheets standar, seperti tabel pivot dan rumus, memungkinkan fleksibilitas analisis melalui konstruksi yang sudah dikenal. Baca juga: Memahami Cara Kerja Cloud Load Balancing di Lingkungan Hybrid dan Multicloud Mulai menggunakan fitur Photo Credit: Google Workspace Updates Untuk bisa menggunakan fitur Connected Sheets di Looker, administrator harus lebih dulu mengaktifkan opsi Looker BI Connectors atau toggle Connected Sheets pada panel BI Connectors di pilihan “Platform” yang ada di menu Looker’s Admin. Anda juga harus memastikan bahwa Instance Looker sudah di-hosting oleh Looker di Google Cloud. Pastikan instance yang Anda gunakan adalah versi 22.20 atau lebih baru. Penting untuk diingat, setiap pengguna yang ingin terhubung ke instance Looker dari Google Spreadsheet harus menggunakan alamat email yang sama di akun pengguna Looker (alamat email yang digunakan untuk akun Google Workspace). Jika alamat email akun Workspace dan Looker berbeda, sistem akan menampilkan pesan error saat mencoba terhubung ke Looker dari Sheets. Baca juga: Memanfaatkan Confidential Space untuk Kolaborasi Data yang Lebih Aman di Google Setelah aktivasi oleh administrator, pengguna bisa langsung menjelajah data Looker menggunakan Connected Sheets dengan langkah-langkah berikut: Di Google Sheets, navigasikan kursor ke Data > Data connectors > Connect to Looker > masukkan URL instance Looker, misalnya https://example.looker.com. Selanjutnya, Anda harus mengotorisasi Sheets untuk mengakses data Looker Anda. Setelah terhubung ke Explore, Anda dapat melihat data yang tersedia dan melanjutkan analisis di Google Sheets. Ketersediaan fitur Photo Credit: Google Workspace Updates Fitur Connected Sheets ini dirilis secara bertahap, baik itu untuk domain rilis cepat maupun domain rilis terjadwal. Perilisan dimulai pada tanggal 1 Februari 2023 (kemungkinan memerlukan waktu hingga 15 hari ke depan untuk visibilitas fitur). Fitur baru dari Looker ini dapat dinikmati oleh seluruh pelanggan Google Workspace Essentials, Business Starter, Business Standard, Business Plus, Enterprise Essentials, Enterprise Standard, Enterprise Plus, Education Fundamentals, Education Plus, Education Standard, Teaching and Learning Upgrade, Frontline, serta Nonprofits. Fitur tidak tersedia untuk pelanggan G Suite Basic dan G Suite Business (rangkaian produktivitas Google pendahulu Workspace). Connected Sheets tersedia untuk pemilik Google Account pribadi. Baca juga: Melihat Contoh Penerapan Google Distributed Cloud Edge Appliance Looker merupakan sebuah platform BI yang diluncurkan Google Cloud untuk membantu Anda dalam mengelola data bisnis hingga membuatnya lebih mudah untuk digunakan dalam membangun workflows maupun aplikasi. Looker dengan fitur Connected Sheets kini telah tersedia untuk seluruh pelanggan Google Workspace for Business dan Education yang tersedia di EIKON Technology. Sebagai partner resmi Google Workspace Indonesia, kamu menyediakan produk resmi berlisensi yang disertai dengan konsultasi penerapan menyeluruh. Untuk informasi lebih lanjut, hubungi kami di sini!

Cloud Computing, Google Cloud

3 Kultur Kerja yang Dapat Memengaruhi Kesuksesan DevOps

/

DevOps adalah tentang alat, praktik, dan cara orang bekerja sama untuk menghadirkan perangkat lunak dengan cepat, andal, sekaligus aman. Riset yang dilakukan oleh tim DORA selama delapan tahun terakhir secara konsisten menunjukkan bahwa kultur kerja merupakan landasan bagi kesuksesan perusahaan dan kesejahteraan karyawannya. Data Google Cloud menunjukkan bahwa perusahaan dengan performa yang memenuhi tujuan kinerja dan profitabilitasnya, cenderung memiliki kultur kerja yang generatif. Laporan State of DevOps 2022 pun mendukung klaim ini. Pada awal tahun 2023 ini Google Cloud memeriksa tiga area utama yang berhubungan dengan dampak kultur kerja DevOps: Dampak pergeseran tatanan kerja yang terjadi sejak awal pandemi terhadap performa perusahaan. Apakah tingkat pergantian tim yang lebih tinggi berdampak pada performa perusahaan. Dampak dari kelelahan kerja karyawan. Pergeseran pengaturan kerja Photo Credit: tonodiaz (Freepik) Pengaturan kerja yang fleksibel kini telah menjadi suatu hal yang lumrah ditemukan di banyak perusahaan. Karyawan di berbagai industri memiliki kesempatan untuk memilih antara pengaturan kerja tatap muka, hybrid, atau jarak jauh sepenuhnya yang paling sesuai dengan kebutuhan. Penelitian yang dilakukan Google menunjukkan bahwa pergeseran ini adalah suatu hal yang positif. Diketahui bahwa pengaturan kerja yang fleksibel dikaitkan dengan kinerja perusahaan yang lebih tinggi dibanding dengan perusahaan dengan pengaturan kerja yang kaku. Itu artinya, kultur kerja employee centric terbukti dapat memberikan manfaat nyata dan langsung bagi perusahaan. Baca juga: Penyempurnaan Facet Google Cloud Search, Seperti Apa? Tingkat pergantian karyawan Pergantian yang terus-menerus dapat memengaruhi produktivitas dan moral. Sebab, anggota tim baru pasti memerlukan waktu untuk bisa beradaptasi. Di samping itu, mereka yang bertahan pun kemungkinan masih perlu beradaptasi dengan perubahan beban kerja dan dinamika tim mereka. Riset yang dilakukan Google menunjukkan bahwa tim yang lebih stabil cenderung memiliki performa yang lebih berkualitas dibandingkan dengan tim yang mengalami lebih banyak pergantian (churn). Sebuah tim yang terus-menerus berurusan dengan perubahan mungkin lebih sulit mengikuti praktik yang menghasilkan dokumentasi berkualitas. Baca juga: Memanfaatkan Confidential Space untuk Kolaborasi Data yang Lebih Aman di Google Cloud Kelelahan karyawan Photo Credit: creativeart (Freepik) Terakhir, penelitian Google Cloud ini juga berfokus pada rasa kelelahan, perasaan takut, sikap apatis, dan sinisme seputar pekerjaan. Mengalami kelelahan dapat menyebabkan orang memiliki tingkat kepuasan kerja yang lebih rendah dan peningkatan omzet perusahaan. Belum lagi, hal tersebut pun berpotensi meningkatkan risiko kesehatan mental dan fisik yang buruk (seperti peningkatan risiko depresi dan kecemasan, dan bahkan penyakit jantung). Temuan Google Cloud menunjukkan bahwa pengaturan kerja yang kaku meningkatkan tingkat kelelahan karyawan sebesar 30%. Secara keseluruhan, ketiga temuan ini menggarisbawahi pentingnya menciptakan kultur kerja yang lebih sehat dan inklusif bagi karyawan baik di tingkat organisasi maupun tim. Baca juga: Penyempurnaan Infrastruktur Google Cloud untuk Menyesuaikan Beban Kerja Anda Meski dari temuan di atas diketahui bahwa kultur kerja memiliki peranan besar, namun meningkatkan atau mengubah kultur kerja jelas bukanlah perkara mudah—terutama jika hal tersebut sudah berjalan begitu lama. Perusahaan sebaiknya mencoba lebih memahami pengalaman karyawan mereka dan kemudian menginvestasikan sumber daya untuk mengatasi masalah kultur kerja sebagai bagian dari upaya transformasi DevOps. Untuk mempelajari lebih lanjut tentang bagaimana budaya memengaruhi kinerja organisasi, Anda bisa menyimak Laporan Status DevOps 2022 ini. Anda dapat memulai langkah transformasi kultur kerja dengan menerapkan solusi komputasi awan Google Cloud. EIKON Technology sebagai authorized reseller untuk produk-produk Google menyediakan solusi Cloud berlisensi yang dapat disesuaikan dengan kebutuhan Anda. Informasi lebih lanjut mengenai penerapan, silakan klik di sini!

Google Cloud

Storage Transfer Service Google Cloud Kini Mendukung Kapabilitas Replikasi Real-time

/

Google Cloud menemukan bahwa salah satu permintaan tinggi pelanggan mereka adalah pemindahan data real-time dengan semua manfaat yang ditawarkan Storage Transfer Service (STS)—penjadwalan, percobaan ulang, checksumming, dan detail logs. Ini karena pelanggan membutuhkannya untuk mereplikasi data dengan lancar di antara bucket Cloud Storage. Pelanggan memerlukan layanan asinkron yang dapat diskalakan sehingga data daapt digabungkan dalam satu bucket untuk pemrosesan dan analisis data, emnjaga agar bucket di seluruh proyek tetap sinkron, dapat menjaga salinan dev/prod tetap sinkron, sekaligus menyimpan salinan sekunder di kelas penyimpanan yang lebih terjangkau. Kasus penggunaan lain untuk kapabilitas ini adalah analitik lintas cloud. Pelanggan memerlukan replikasi data otomatis dan real-time dari AWS S3 ke Cloud Storage untuk memanfaatkan kemampuan analitik dan machine learning Google Cloud. Memperkenalkan transfer berbasis peristiwa STS kini menawarkan dukungan pratinjau untuk transfer berbasis peristiwa, kemampuan replikasi real-time tanpa server untuk memindahkan salinan dari AWS S3 ke Cloud Storage dan menyalin data di antara beberapa bucket Cloud Storage. Photo Credit: Google Cloud Blog Untuk melakukannya, STS mengandalkan Pubsub dan SQS. Pelanggan harus menyiapkan notifikasi dan memberikan akses STS ke antrean ini. Menggunakan bidang baru “Event Stream” di Transfer Job, pelanggan dapat menentukan nama event stream serta mengontrol kapan STS dimulai dan berhenti. Dengan transfer berbasis peristiwa, Anda dapat menyiapkan replikasi data otomatis dan berkelanjutan antar bucket hanya dengan beberapa klik. Sudah dilengkapi berbagai fitur pendukung, termasuk pemfilteran berdasarkan awalan, penanganan percobaan ulang, checksumming, transfer logs terperinci melalui Cloud Logging dan pelacakan kemajuan melalui Cloud Monitoring. Selain mudah disiapkan dan digunakan, juga skalabel dan fleksibel, memungkinkan replikasi data antar bucket dalam satu proyek, di proyek yang berbeda, atau bahkan di berbagai region Cloud Storage. Baca juga: Memanfaatkan Google Cloud Sebagai Pengamanan Tambahan bagi Developer Mengonfigurasi transfer berbasis peristiwa Anda dapat membuat transfer berbasis peristiwa antar bucket Cloud Storage dalam tiga langkah: Buat langganan pubsub yang memproses perubahan pada bucket Cloud Storage. Tetapkan izin untuk STS untuk menyalin data antar bucket dan mendengarkan langganan pubsub ini. Buat Transfer Job dengan konfigurasi Event Stream. Membuat pemberitahuan acara Untuk memulai, buat notifikasi Pub/Sub bucket Cloud Storage sumber dan langganan untuk topik: $ gcloud storage buckets notifications create gs://SOURCE_BUCKET_NAME –topic=TOPIC_NAME $ gcloud pubsub subscriptions create SUBSCRIPTION_ID –topic=TOPIC_ID –ack-deadline=300 –enable-exactly-once-delivery Ganti SOURCE_BUCKET_NAME dengan nama bucket sumber Anda, TOPIC_NAME dengan nama topik yang ingin dibuat, dan SUBSCRIPTION_ID dengan nama langganan yang ingin dibuat. STS akan menggunakannya untuk membaca pesan tentang perubahan objek di bucket sumber Anda. Baca juga: Update Google Cloud VMware Engine: Hadirkan Peningkatan Fleksibilitas Komersial Membuat Transfer Job Photo Credit: jannoon028 (Freepik) Selanjutnya, buat Transfer Job berbasis peristiwa dengan konfigurasi EventStream. Transfer Job mengoordinasikan pergerakan data antara sumber dan tujuan berdasarkan notifikasi peristiwa yang dihasilkan dari sumber. gcloud transfer jobs create \   gs://SOURCE_BUCKET_NAME gs://DESTINATION_BUCKET_NAME \   –event-stream-name=SUBSCRIPTION_ID Ganti SOURCE_BUCKET_NAME dengan bucket sumber, DESTINATION_BUCKET_NAME dengan bucket tujuan, dan SUBSCRIPTION_ID dengan subscription ID, yang merupakan form proyek projects/<project_id>/subscriptions/<subscription_name>. Tindakan ini akan membuat Transfer Job yang menunggu pemberitahuan pada langganan Pub/Sub dan mereplikasi data dalam beberapa menit setelah diberi tahu tentang perubahan di bucket Cloud Storage sumber. Baca juga: Penyempurnaan Infrastruktur Google Cloud untuk Menyesuaikan Beban Kerja Anda Transfer berbasis peristiwa adalah solusi yang dapat membantu Anda mengotomatiskan transfer data dan tugas pemrosesan, sekaligus menghemat waktu dan sumber daya. Transfer berbasis peristiwa STS tersedia di semua region Google Cloud. Region untuk eksekusi transfer didasarkan pada region bucket Cloud Storage sumber. Untuk melihat di mana pekerjaan transfer dapat dibuat, silakan periksa daftar lokasi. Tidak ada biaya tambahan untuk menggunakan transfer yang digerakkan oleh Storage Transfer Service dan Anda bisa mendapatkan semua detailnya di halaman harga layanan STS. Layanan ini merupakan bagian dari solusi komputasi awan Google Cloud. Anda bisa memanfaatkannya dengan berlangganan melalui EIKON Technology yang merupakan distributor partner Google Indonesia. Untuk informasi lebih lanjut, hubungi kami di sini!

Google Cloud

Opsi Isolasi Dan Konektivitas Bidang Kontrol Baru untuk Klaster Google Kubernetes Engine

/

Dahulu, Sekali waktu, semua klaster Google Kubernetes Engine (GKE) menggunakan pengalamatan IP publik untuk komunikasi antar node dan bidang kontrol. Setelah muncul masalah keamanan, GKE memperkenalkan klaster pribadi yang diaktifkan oleh VPC peering. Untuk mengonsolidasikan jenis konektivitas, mulai Maret 2022, GKE menggunakan Private Service Connect (PSC) Google Cloud untuk komunikasi klaster publik baru antara control plane dan node cluster GKE. Pada akhir Desember, GKE menghadirkan framework berbasis PSC baru untuk konektivitas bidang kontrol GKE dari node cluster. Selain itu, GKE juga meluncurkan rangkaian fitur baru yang menyertakan isolasi kluster di bidang kontrol dan level kumpulan node: Klaster GKE. Arsitektur baru Google Kubernetes Engine Sejak GKE versi 1.23 dan yang lebih baru, semua klaster publik baru yang dibuat pada atau setelah tanggal 15 Maret 2022 mulai menggunakan infrastruktur PSC Google Cloud untuk berkomunikasi antara bidang kontrol klaster GKE dan node. PSC menyediakan kerangka kerja konsisten yang membantu menghubungkan berbagai jaringan melalui pendekatan jaringan layanan, memungkinkan produsen layanan dan konsumen berkomunikasi menggunakan alamat IP pribadi internal ke VPC. Baca juga: Cost Estimator, Fitur Baru GKE untuk Perkiraan Biaya yang Lebih Akurat Manfaat terbesar dari perubahan ini adalah membantu pengguna dalam menggunakan fitur yang mengaktifkan PSC untuk klaster GKE. Photo Credit: Google Cloud Blog Serangkaian kemampuan isolasi klaster baru ini merupakan bagian dari evolusi menuju postur klaster GKE yang lebih skalabel dan aman. Sebelumnya, klaster GKE pribadi diaktifkan dengan VPC peering. Dengan rangkaian fitur ini, kini Anda memiliki kemampuan untuk: Memperbarui bidang kontrol klaster GKE untuk membatasi akses ke endpoint pribadi. Membuat atau memperbarui kumpulan node cluster GKE dengan node publik atau pribadi. Mengaktifkan atau menonaktifkan akses bidang kontrol klaster GKE dari IP milik Google. Selain itu, infrastruktur PSC baru dapat memberikan penghematan biaya. Secara tradisional, komunikasi bidang kontrol dikenakan biaya untuk klaster publik sebagai biaya IP publik normal. Dengan infrastruktur PSC, GKE menghilangkan biaya komunikasi antara bidang kontrol dan node klaster Anda, sehingga menjadi lebih terjangkau. Berikut adalah beberapa kapabilitas baru yang bisa Anda nikmati. Izinkan akses ke bidang kontrol hanya melalui endpoint pribadi Pengguna klaster pribadi telah lama memiliki kemampuan untuk membuat bidang kontrol dengan endpoint publik dan pribadi. Kini GKE memperluas fleksibilitas yang sama ke klaster GKE publik berdasarkan PSC. Dengan ini, Anda bisa memiliki akses khusus pribadi ke bidang kontrol GKE, tapi semua kumpulan node tetap bersifat publik. Model ini memberikan postur keamanan yang lebih ketat untuk bidang kontrol, sambil membiarkan Anda memilih node cluster yang dibutuhkan, berdasarkan penerapan. Untuk mengaktifkan akses hanya ke endpoint pribadi di bidang kontrol, gunakan perintah gcloud berikut: gcloud container clusters update CLUSTER_NAME \ –enable-private-endpoint Konfigurasikan akses dari Google Cloud Photo Credit: DilokaStudio (Freepik) Dalam beberapa skenario, pengguna telah mengidentifikasi beban kerja di luar klaster GKE mereka. Misalnya, aplikasi yang berjalan di Cloud Run atau VM GCP apa pun yang bersumber dari IP publik Google Cloud diizinkan untuk mencapai bidang kontrol klaster. Untuk memitigasi potensi masalah keamanan, GKE dilengkapi dengan fitur yang memungkinkan Anda mengalihkan akses ke bidang kontrol klaster dari sumber tersebut. Untuk menghapus akses IP publik Google Cloud ke bidang kontrol, gunakan perintah gcloud berikut: gcloud container clusters update CLUSTER_NAME \ –no-enable-google-cloud-access Baca juga: Inovasi Baru Google Sambut Era Baru Desain Sistem, Lebih Andal dan Aman Dengan serangkaian fitur baru ini, semua komunikasi IP publik untuk klaster GKE Anda pun dapat dihapus. Itu artinya, Anda dapat menjadikan klaster GKE sepenuhnya pribadi. Selain itu, Anda dapat menggunakan REST API atau Terraform Providers untuk benar-benar membangun klaster GKE berbasis PSC baru dengan kumpulan default node untuk memiliki node pribadi. Hal ini dapat dilakukan dengan menyetel kolom enablePrivateNodes ke true. Saat mengevaluasi apakah Anda siap untuk memindahkan tipe klaster GKE berbasis PSC ini untuk memanfaatkan isolasi klaster pribadi, perlu diingat bahwa endpoint pribadi bidang kontrol memiliki batasan berikut: Alamat pribadi di URL untuk webhook baru atau lama yang Anda konfigurasikan tidak didukung. Untuk mengurangi ketidakcocokan ini dan menetapkan alamat IP internal ke URL untuk webhook, siapkan webhook ke alamat pribadi dengan URL, buat layanan tanpa kepala tanpa pemilih dan titik akhir yang sesuai untuk tujuan yang diperlukan. Endpoint pribadi bidang kontrol saat ini tidak dapat diakses dari sistem lokal. Baca juga: Apa Itu Metrik Bidang Kontrol Kubernetes yang Baru Diluncurkan Di GKE? Google Kubernetes Engine atau GKE merupakan platform unggulan yang dimiliki oleh Google Cloud. Dapatkan solusi Google Cloud yang telah disesuaikan dengan penggunaan skala besar hanya di EIKON Technology. Kami merupakan authorized reseller resmi yang dipilih langsung oleh Google untuk melakukan distribusi di Indonesia. Untuk mulai berlangganan, hubungi kami di sini!

Google Cloud

Melihat Contoh Penerapan Google Distributed Cloud Edge Appliance

/

Pada saat makin banyak organisasi mendorong transformasi digital dengan bermigrasi ke cloud, ada beberapa kasus penggunaan yang memerlukan pendekatan berbeda untuk modernisasi cloud. Industri seperti kesehatan, telekomunikasi, dan perbankan memiliki persyaratan residensi dan kedaulatan data yang ketat. Industri lain harus memenuhi persyaratan pemrosesan data lokal, sementara yang lain memerlukan pemrosesan data real-time dengan latensi sub-milidetik. Kasus penggunaan ini menuntut kombinasi layanan edge, on-premise, dan cloud untuk infrastrukturnya. Dengan mempertimbangkan persyaratan ini, Google Cloud meluncurkan Google Distributed Cloud Edge, cloud terdistribusi yang didukung oleh Anthos untuk memperluas kekuatan infrastruktur dan layanan Google Cloud. Artikel kali ini akan membahas Google Distributed Cloud Edge Appliance dan bagaimana contoh penerapannya di beberapa industri. Cara kerja Google Distributed Cloud Edge Appliance Google Distributed Cloud Edge Appliances terdiri dari dua komponen, yakni infrastruktur Distributed Cloud Edge dan (2) layanan Distributed Cloud Edge. Photo Credit: Google Cloud Blog Google Distributed Cloud Edge berjalan di Google Cloud dan berfungsi sebagai bidang kontrol untuk node dan klaster yang berjalan di peralatan Anda. Untuk melakukan pengelolaan alat dari jarak jauh dan untuk mengumpulkan metrik, layanan ini harus terhubung ke Google Cloud setiap saat, sehingga Anda dapat mengelola beban kerja di perangkat keras edge melalui Google Cloud Console. Untuk pelanggan yang tidak dapat terhubung setiap saat karena alasan residensi atau kedaulatan data, dapat dihubungkan ke cloud setidaknya sebulan sekali untuk pembaruan keamanan yang diperlukan. Google Distributed Cloud Edge Appliances dilengkapi dengan port jaringan bawaan yang menyediakan konektivitas ke bidang kontrol melalui internet, Cloud VPN, atau interkoneksi khusus, dan ke jaringan lokal Anda. Setiap Google Distributed Cloud Edge Appliance ditempatkan di region Google Cloud tertentu, tapi juga dirancang untuk menggunakan endpoint Google Cloud publik apa pun untuk berkomunikasi dengan bidang kontrol di Google Cloud, sehingga Anda dapat memindahkan peralatan ini di antara lokasi geografis yang berbeda. Baca juga: Google Cloud Backup and DR, Apa Keunggulannya? Kasus penggunaan vertikal Sekarang setelah Anda memahami cara Google Cloud Edge Appliance dikonfigurasi, mari pertimbangkan beberapa kasus penggunaan berikut ini. Manufaktur Dalam industri manufaktur, kontrol kualitas dan keamanan merupakan faktor penting. Bisnis perlu memastikan produk diproduksi dengan standar terbaik agar tetap kompetitif di pasar mereka, mempertahankan pelanggan, dan menjaga keamanan pekerja pabrik. Untuk melakukan ini, perusahaan memerlukan data real-time tentang produk yang diproduksi di jalur produksi, memastikan kontrol kualitas, dan mendapatkan tampilan real-time posisi pekerja. Di lingkungan manufaktur, Google Distributed Cloud Edge Appliance dapat digunakan untuk mendeteksi bahaya atau cacat produksi secara real-time. Photo Credit: Google Cloud Blog Dalam arsitektur ini, kamera di lantai pabrik mengalirkan video langsung ke Google Distributed Cloud Edge Appliance. Bergantung pada jumlah kamera dan peralatan, kamera dapat dibagi atau dipetakan ke peralatan yang berbeda. Arsitektur ini memungkinkan untuk mentransfer data video ke Google Cloud menggunakan berbagi NFS online. Setelah berada di Google Cloud, Anda dapat menggunakan AutoML untuk melatih dan membuat model yang dapat digunakan sebagai bagian dari solusi deteksi bahaya. Baca juga: Memanfaatkan Confidential Space untuk Kolaborasi Data yang Lebih Aman di Google Cloud Retail  Dalam industri retail, arsitektur referensi Google Distributed Cloud Edge Appliance memungkinkan sejumlah kemampuan transformatif untuk operasi retail, termasuk: Checkout tanpa kontak; Pemindaian produk; Checkout tanpa kasir. Semua ini dilakukan dalam fasilitas retail dengan latensi rendah dan throughput tinggi yang Anda perlukan untuk memproses data secara lokal, untuk memperoleh informasi yang dapat ditindaklanjuti dari data Anda. Anda juga dapat menggunakan Google Distributed Cloud Edge Appliance di edge untuk merombak operasi manajemen toko, misalnya, memantau keterisian toko, kedalaman antrean dan waktu tunggu, mendeteksi barang yang jatuh, kehabisan stok, atau memantau kepatuhan inventaris. Baca juga: Penyempurnaan Facet Google Cloud Search, Seperti Apa? Di atas hanyalah beberapa kasus penggunaan Google Distributed Cloud Edge Appliance dengan aplikasi modern dan dalam container yang diberdayakan oleh Google Cloud. Jika Anda tertarik untuk membawa kehebatan Google Cloud ke edge menggunakan Google Distributed Cloud Edge Appliances untuk mengembangkan bisnis, hubungi EIKON Technology. Sebagai partner distribusi Google Cloud Indonesia, EIKON Technology menyediakan solusi penerapan menyeluruh. Kami siap membantu menemukan solusi cloud terbaik untuk bisnis Anda. Informasi lebih lanjut, silakan hubungi kami di sini!

Google Cloud

4 Contoh Pemanfaatan API Management Sepanjang Tahun 2022

/

API menciptakan cara terstandarisasi, dapat digunakan kembali, dan aman untuk bertukar informasi. Teknologi dimulai sebagai jaringan ikat yang diturunkan ke konteks teknis dan dengan cepat berkembang menjadi pintu gerbang ke model bisnis baru. Pada tahun 2017, McKinsey memperkirakan bahwa total laba yang dapat diperoleh ekonomi API adalah sebesar US$1 triliun. Tahun 2022, GGV Capital membuat indeks startup pertama API, mendorong terjadinya perubahan di dunia API management. Dengan lebih dari 15 tahun pengalaman mengelola API, Google memiliki perspektif sendiri dalam menyikapi perubahan tersebut. Artikel kali ini akan memaparkan beberapa contoh kasus penggunaan API management yang makin menonjol dan bagaimana Anda dapat memanfaatkannya untuk memperkuat arsitektur API masa depan. tren ini untuk membuktikan arsitektur Anda di masa depan. Pergeseran keamanan API Sebagai pintu gerbang ke banyak informasi, API bisa menjadi vektor serangan utama dalam insiden keamanan. Menambah besarnya serangan, ditemukan pula peningkatan jumlah vektor untuk potensi insiden keamanan API seperti kesalahan konfigurasi, API/data/komponen yang sudah usang, dan bot/spam/penyalahgunaan. Photo Credit: 2022 API Security Research Report Masalah keamanan ini tidak hanya di API produksi, tapi juga di setiap tahap dalam siklus hidup API, khususnya, pada proses manajemen rilis. Tren ini mendorong perusahaan untuk “shifting left”, memindahkan kontrol lebih awal ke alur kerja produksi. Caranya dengan mendekatkan tim keamanan dan tim API. Agar tetap terdepan dalam ancaman keamanan, banyak perusahaan secara aktif mencari solusi yang memungkinkan mereka bersikap proaktif sambil meminimalkan beban tim keamanan mereka.  Kebutuhan mendesak terhadap kontrol “omni”. API telah mengambil peran yang sangat penting dalam aplikasi modern sehingga perlahan-lahan menjadi penghubung saraf di seluruh arsitektur perusahaan—menjembatani aplikasi lama dan modern, mengubah arsitektur menuju layanan mikro, dan memungkinkan operasi di lingkungan yang heterogen. Untuk mendukung semua itu tanpa mengorbankan kecepatan, perusahaan mengadopsi beberapa API gateway dan solusi API management yang terfragmentasi. Namun, hal ini menyebabkan kurangnya visibilitas universal, tata kelola yang konsisten, keamanan komprehensif, dan analitik. Dengan evolusi ini, kebutuhan akan bidang kontrol omni pun meningkat. Baca juga: Penyempurnaan Facet Google Cloud Search, Seperti Apa? Evolusi pola desain dengan rangkaian API gateway Adopsi gaya arsitektur API baru dan layanan mikro meningkatkan kompleksitas tumpukan aplikasi modern. Secara paralel, ada adopsi luas dari protokol baru seperti GraphQL atau AsyncAPI, melampaui inovasi di API management. Misalnya, dalam survei terbaru dari DZone menemukan bahwa GraphQL menyumbang 22,7% dari integrasi aplikasi. Photo Credit: Google Cloud Blog Menanggapi tantangan ini, tim TI mengadopsi beberapa API gateway yang menciptakan kebutuhan akan pola komunikasi yang rumit untuk skalabilitas di masa mendatang. Namun pola desain yang ada sebagian besar cukup ketika aplikasi klien menggunakan protokol API homogen. Meski pola seperti Backend For FrontEnd (BFF) dimaksudkan untuk menyediakan interaksi API spesifik yang relevan berdasarkan basis per klien, pola tersebut tetap tidak memperhitungkan kompleksitas dari beberapa gateway dan protokol. Baca juga: Cara Memigrasikan Pengguna Active Directory Lokal ke Google Cloud Managed Microsoft AD Komersialisasi akses ke produk data Meningkatnya penggunaan layanan kaya data (seperti IoT, model ML, dan layanan akses jarak jauh) ditambah dengan penyerapan data secara besar-besaran setiap hari, telah menciptakan pertumbuhan dalam paradigma pengiriman data seperti data lakehouses, data marketplaces, dan data streaming systems. Sayangnya, sebagian besar sistem ini terfragmentasi dengan hampir tidak ada interoperabilitas. Photo Credit: Google Cloud Blog API mengisi celah kritis ini untuk organisasi dengan dua cara kritis. Pertama, API menyediakan akses standar dan mudah ke sistem seperti data lakehouses atau hub analitik. Kedua, API adalah pendukung utama produk data, komponen inti dari sistem berbagi data apa pun. API menyediakan cara standar untuk berbagai aplikasi untuk berinteraksi dengan produk data. Misalnya, API dapat digunakan agar aplikasi seluler dapat mengakses data dari ramalan cuaca atau produk data mesin rekomendasi. Di luar produk data, API juga menyediakan akses yang mudah dan terstandarisasi ke berbagai platform manajemen data Baca juga: Migrasi Cloud dengan Cerdas Menggunakan Google Cloud Migration Center API terus memainkan peran penting dalam setiap aplikasi, pengalaman, dan ekosistem. Strategi API yang tangguh membantu organisasi beradaptasi dengan arsitektur, model bisnis, atau lingkungan apa pun dalam menghadapi perubahan lanskap teknologi. Dengan pengalaman lebih dari 15 tahun dalam API management, Google Cloud dengan dukungan Apigee mendorong inovasi dan membantu perusahaan membangun arsitektur mereka di masa depan agar tetap terdepan dalam tren API teratas. Mulai gunakan solusi Google Cloud untuk dukungan API perusahaan Anda dengan penerapan dari EIKON Technology. Kami akan membantu Anda menemukan solusi Cloud terbaik untuk memenuhi kebutuhan perusahaan. Untuk informasi lebih lanjut, hubungi kami di sini!

Scroll to Top