Google在台正式公开介绍GCP云端平台多款工具和服务

Google近日（19日）在台举办一场Google Cloud Platform Onboard的科技活动，介绍Google Cloud Platform（GCP）提供给企业的几项服务，包含运算（Compute）、储存装置（Store）、大数据（Big Data）、API、机器学习（Ｍachine Learning）、运用与工具（Management Tools）等类别中的重要服务。

另外，Google也提供使用者完成云端平台的注册后，即可获得免费试用额度300美元，试用期限为1年，Google的云端平台采用专案的方式管理，企业用户建立专案后就可以使用GCP上所有的服务，且可以在一个云端平台上建立多个专案，再分别运行每个专案，企业若要了解计价方式，Google也提供价格计算机（Pricing Calculator）的服务，让企业依照使用的服务项目与用量试算价格。

Google提供企业透过3种界面存取GCP服务，视觉化使用者界面（Web Console）提供用户可以透过网页的方式存取服务，并可以集中管理所有的专案，命令列界面（Cloud SDK/Ｃloud Shell）提供指令的界面让用户使用，SDK中包含CLI Tool，和程式化界面（RESTful API）则是透过HTTP的方式存取服务，此外，为了能让用户更了解各项API的操作，Google也提供APIs Explorer，让用户测试所有API执行状况，像是Request的传送和Reply的回应。

Google在运算的产品中提供Compute Engine、App Engine和Container Engine等服务，其中，APP Engine提供PaaS服务形式，简化开发过程让用户可以容易上手，并支援多种程式语言，像是Java、Go、PHP、Python，提供用户使用API存取Queue、DataStore等服务。

储存的服务中，GCP提供Cloud Storage、Cloud SQL、Cloud Datastore、Cloud Bigtable等服务，又可分为使用SQL的Cloud SQL，和使用NoSQL服务的Cloud Datastore、Cloud Bigtable，其中，Cloud BigTable由于ＮoSQL服务，适合动态存取，且利用HBase API方式存取资料，能负载PB级的资料量，以及建立大量的字段数据库。

此外，稍早Google 2017年Next大会中发布了储存装置的新成员Cloud Spanner，可支援全球跨区域存取资料，结合NoSQL数据库及传统关联式数据库的特性，提供水平扩充、分散资料，以及ACID交易管理，安全性上更是提供了加密防护、身份与存取管理、登入稽核等机制，且能够支援多种语言，Spanner在Client Library提供Java、Go、Python、Node.js，与第三方的工具连线则是以JDBC的连线方式，不过，目前Cloud Spanner还只是测试版。

大数据分析主要分为资料撷取、资料处理、资料储存、分析和应用5个环节，GCP在每个环节都提供了服务给企业使用，资料撷取可用App Engine、Cloud Pub/Sub，资料处理的部分Google提供Cloud Dataflow，Cloud Dataflow是以Data Pipeline的托管服务进行资料处理，让资料的输入与输出可串接至Dataflow来读取和储存。

资料储存则可利用BigQuery Storage、Cloud Bigtable、 Cloud Storage，分析则是有Cloud Dataflow、Dataproc、BigQuery Analytics提拱给用户，BigQuery是无服务器的资料仓储服务，以分散式的Column Base方式储存资料，并透过MapReduce的概念提供资料的查询与分析，并允许多个资料表之间的Join，让用户可在BigQuery汇入CSV、JSON和Avro的资料档，或从Cloud Storage、Cloud Dataflow等其他GCP的服务汇入资料，让用户可直接下SQL命令来查询资讯。

最后应用的环节，Google则是提供Data Studio、Datalab的服务，Datalab专为资料科学家设计，结合BigQuery、SQL、Python，用户可在新增程式码（Add code）后，直接看到可视化的结果，透过简单的操作界面，将资料输入，且可立即呈现视觉化的分析结果，若结果不理想，资料科学家可以即时调整分析方法。

图片来源：Google

机器学习Google则是提供ML Engine和许多API，包含语音辨识的Speech API、翻译的Translate API、影片辨识的Video Intelligence API、电脑视觉的Vision API、自然语言处理的Natural Language API等，用户可透过RESTful或Library呼叫的方式使用这些API，若用户不想自行建置TensorFlow的框架，可以利用ML Engine的服务，快速上手分析和设计算法模型，省去部署和管理机器学习框架的步骤。