Konsep utama

Memahami terminologi inti Lakehouse tanpa batas membantu Anda mengevaluasi arsitektur lakehouse serta mengonfigurasi katalog, tabel, mesin kueri, dan tata kelola di Google Cloud. Setiap entri menentukan konsep utama yang digunakan di seluruh dokumentasi Lakehouse dan link ke panduan mendetail. Untuk melihat secara menyeluruh bagaimana komponen-komponen ini saling melengkapi, lihat Cara kerja Lakehouse tanpa batas.

Dasar-dasar Lakehouse

Konsep berikut menjadi dasar arsitektur Lakehouse Google Cloud.

Data lakehouse

Data lakehouse menggabungkan penghematan biaya dan fleksibilitas data lake dengan pengelolaan data dan performa data warehouse. Dengan BigLake, Anda dapat menyimpan data dalam format terbuka di Cloud Storage dan menggunakan fitur BigQuery, seperti kontrol keamanan yang akurat dan kueri cepat.

Arsitektur medali

Pola desain umum dalam data lakehouse adalah arsitektur medali, yang secara logis mengatur data ke dalam lapisan struktur dan kualitas yang progresif:

• Lapisan Bronze (mentah): Menyerap dan menyimpan data mentah dalam format terbuka seperti Apache Iceberg di Cloud Storage.
• Lapisan silver (dibersihkan): Membersihkan, memfilter, dan memperkaya data mentah menjadi tabel standar.
• Lapisan gold (terseleksi): Memberikan tabel tingkat bisnis gabungan yang sepenuhnya terseleksi. BigQuery sering digunakan untuk menyajikan lapisan gold untuk konsumsi, pelaporan, dan analisis berperforma tinggi.

Interoperabilitas terbuka

Interoperabilitas terbuka adalah kemampuan beberapa sistem analisis dan transaksional—seperti BigQuery, Apache Spark, Apache Flink, dan Trino—untuk beroperasi pada satu salinan data dalam format terbuka seperti Apache Iceberg. Hal ini menghilangkan kebutuhan akan duplikasi data dan memberikan tampilan data yang konsisten di seluruh alat.

Katalog runtime Lakehouse

Katalog runtime Lakehouse adalah layanan metadata serverless terpusat yang berfungsi sebagai satu sumber tepercaya untuk Lakehouse Google Cloud. Metastore ini memungkinkan beberapa mesin, seperti Apache Spark, Apache Flink, Trino, dan BigQuery, menemukan dan mengkueri tabel yang sama secara bersamaan. Mesin terhubung ke BigLake Metastore melalui endpoint katalog. Untuk mengetahui informasi selengkapnya, lihat Tentang katalog runtime Lakehouse.

Hierarki resource

Katalog runtime Lakehouse mengatur metadata dalam hierarki yang selaras dengan standar Apache Iceberg dan memetakan identitas logis ke jalur penyimpanan fisik.

Katalog

Katalog adalah container logis tingkat teratas dalam katalog runtime Lakehouse. Region ini menentukan tempat data tabel dapat disimpan dan region mana yang menyajikan metadatanya. Untuk mengetahui informasi selengkapnya, lihat Membuat katalog.

Jenis katalog

Saat membuat katalog, Anda dapat memilih antara dua model penyimpanan:

• Katalog multi-bucket (direkomendasikan): Memungkinkan Anda memberi nama katalog secara independen dan mengonfigurasi lokasi penyimpanan default (default_location) dan hingga 128 bucket Cloud Storage atau subjalur tambahan di restricted_locations. Saat mengonfigurasi mesin kueri klien (seperti Spark atau Trino), tetapkan jalur warehouse ke bl://projects/PROJECT_ID/catalogs/CATALOG_ID.
• Katalog bucket tunggal: Konfigurasi lama tempat katalog dikunci ke satu bucket Cloud Storage dan mewarisi nama bucket. Saat mengonfigurasi mesin kueri klien, tetapkan jalur warehouse ke gs://CLOUD_STORAGE_BUCKET_NAME.

Untuk mengetahui informasi selengkapnya, lihat Katalog dan lokasi penyimpanan.

Namespace

Namespace adalah pengelompokan logis tabel dalam katalog. Bagi pengguna yang sudah memahami BigQuery, namespace secara fungsional mirip dengan set data. Namespace mewarisi region katalog induknya dan tidak mendukung penyusunan bertingkat.

Tabel

Tabel adalah entity yang mengarah ke data di Cloud Storage. Untuk tabel Apache Iceberg, metadata tabel berisi skema, informasi partisi, dan pointer ke status tabel saat ini melalui file metadata.json. Untuk jenis tabel yang didukung Lakehouse, lihat Jenis tabel.

Konvensi penamaan P.C.N.T

Konvensi penamaan P.C.N.T adalah konvensi empat bagian yang digunakan untuk mengidentifikasi dan mengkueri tabel secara unik di katalog runtime Lakehouse dari BigQuery. PCNT adalah singkatan dari Project.Catalog.Namespace.Table:

• Project: Project ID Google Cloud .
• Catalog: Nama katalog di katalog runtime Lakehouse.
• Namespace: Pengelompokan logis untuk tabel (mirip dengan set data).
• Tabel: Nama tabel data.

Endpoint katalog

Endpoint katalog adalah antarmuka protokol yang digunakan mesin kueri untuk terhubung ke katalog runtime Lakehouse. Endpoint yang Anda gunakan menentukan format tabel dan mesin yang dapat Anda gunakan.

Endpoint katalog REST Apache Iceberg

Endpoint katalog REST Apache Iceberg mengimplementasikan Iceberg REST Catalog API standar terbuka. Endpoint ini direkomendasikan untuk workload baru dan menyediakan interoperabilitas baca dan tulis antara mesin open source dan BigQuery. Fitur ini mendukung katalog multi-bucket, penjualan kredensial, dan replikasi lintas region (Pratinjau). Untuk mengetahui informasi selengkapnya, lihat ringkasan endpoint katalog REST Apache Iceberg.

Endpoint katalog Apache Hive

Endpoint katalog Apache Hive memberikan kompatibilitas untuk workload open source yang bergantung pada antarmuka Apache Hive metastore (HMS). Karena katalog runtime Lakehouse menyajikan endpoint ini, Anda dapat menjalankan workload Apache Hive atau Spark tanpa memelihara metastore Hive yang dihosting sendiri. Endpoint ini mengelola tabel Hive dan Spark standar, bukan tabel Apache Iceberg, serta mendukung kunci enkripsi yang dikelola pelanggan (CMEK) untuk data di Cloud Storage. Untuk mengetahui informasi selengkapnya, lihat Tentang endpoint katalog Hive.

Katalog Apache Iceberg kustom untuk BigQuery

Katalog Apache Iceberg kustom untuk BigQuery adalah integrasi sebelumnya yang menggunakan plugin katalog (BigQueryMetastoreCatalog) agar mesin open source dapat menyimpan definisi tabel Apache Iceberg di BigQuery. Namespace dipetakan ke set data BigQuery, sehingga Anda dapat mengkueri tabel ini dengan sintaksis set data BigQuery standar. Untuk workload baru, gunakan endpoint katalog REST Apache Iceberg. Untuk mengetahui informasi selengkapnya, lihat Katalog Apache Iceberg kustom untuk BigQuery.

Jenis tabel

Lakehouse Google Cloud mendukung beberapa jenis tabel, bergantung pada mesin yang digunakan untuk mengelola data dan endpoint katalog yang Anda gunakan. Untuk mengetahui perbandingan mendetail, lihat Membandingkan jenis tabel.

Tabel Apache Iceberg di katalog runtime Lakehouse

Tabel ini adalah tabel Apache Iceberg yang dikelola dan disajikan oleh katalog runtime Lakehouse melalui endpoint katalog REST Apache Iceberg, dengan data yang disimpan di Cloud Storage. Mesin open source memiliki akses baca dan tulis ke tabel ini. BigQuery memiliki akses baca, dan akses tulis (Pratinjau) saat Anda mengaktifkan BigQuery DML. Ini adalah opsi yang direkomendasikan untuk sebagian besar workload lakehouse terbuka. Untuk mengetahui informasi selengkapnya, lihat Mengelola tabel Apache Iceberg.

Tabel Apache Hive

Tabel ini adalah tabel Apache Hive dan Spark standar, dalam format seperti Parquet, ORC, Avro, dan Delta Lake, yang dikelola katalog runtime Lakehouse melalui endpoint katalog Apache Hive. Mesin open source memiliki akses baca dan tulis, sedangkan BigQuery memiliki akses hanya baca. Untuk menggunakan tabel Delta Lake, Anda harus membuatnya dengan mesin yang kompatibel dengan Delta seperti Apache Spark dan mendaftarkannya di metastore. Untuk mengetahui informasi selengkapnya, lihat Format dan jenis penyimpanan yang didukung.

Tabel BigQuery

Tabel ini dikelola dengan BigQuery.

Tabel terkelola Apache Iceberg

Tabel ini adalah tabel Apache Iceberg yang Anda buat dari BigQuery dan simpan di Cloud Storage. BigQuery menangani semua tata letak dan pengoptimalan data. Meskipun beberapa mesin dapat membaca tabel ini, BigQuery adalah satu-satunya mesin yang dapat menulis langsung ke tabel tersebut. Tabel ini berbeda dengan tabel Apache Iceberg di katalog runtime Lakehouse. Untuk mengetahui informasi selengkapnya, lihat Tabel terkelola Apache Iceberg.

Tabel native

Tabel ini dikelola oleh BigQuery dan menyimpan data di penyimpanan BigQuery. Anda dapat menghubungkan tabel ini ke katalog runtime Lakehouse.

Tabel eksternal

Tabel eksternal berada di luar katalog runtime Lakehouse. Data dan metadatanya dikelola sendiri di penyimpanan seperti Cloud Storage, Amazon S3, atau Azure Blob Storage, dan BigQuery mengaksesnya melalui koneksi. BigQuery hanya dapat membaca dari tabel ini.

Fitur dan opsi tabel

Fitur berikut berlaku untuk tabel Apache Iceberg di katalog runtime Lakehouse, kecuali jika dinyatakan lain.

Versi tabel Apache Iceberg

Katalog runtime Lakehouse mendukung tabel Apache Iceberg V2 dan tabel V3 (Pratinjau). Tabel V3 mendukung vektor penghapusan biner, yang memungkinkan Anda menghapus baris tertentu tanpa menulis ulang seluruh file data. Tabel Iceberg V1 tidak didukung; Anda harus mengupgradenya ke V2 terlebih dahulu. Untuk mengetahui informasi selengkapnya, lihat Menggunakan vektor penghapusan biner di tabel Iceberg V3.

Evolusi tabel

Evolusi tabel memungkinkan Anda mengubah skema atau spesifikasi partisi tabel dari waktu ke waktu tanpa menulis ulang data tabel atau membuat ulang tabel. Tabel Apache Iceberg di katalog runtime Lakehouse juga mendukung nama kolom fleksibel secara default, sehingga nama kolom dapat berisi karakter seperti spasi dan karakter internasional.

Perjalanan waktu

Perjalanan waktu memungkinkan Anda membuat kueri data tabel sebagaimana adanya pada titik waktu atau ID snapshot tertentu. Hal ini berguna untuk mengaudit, mereproduksi eksperimen, atau memulihkan data setelah penghapusan yang tidak disengaja. Mesin open source dapat melakukan perjalanan waktu dalam retensi yang dikonfigurasi di properti tabel, sedangkan perjalanan waktu BigQuery dibatasi hingga tujuh hari.

Opsi tabel

Opsi tabel adalah properti tabel yang mengaktifkan kemampuan yang dikelola Google untuk setiap tabel Apache Iceberg. Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi opsi tabel.

DML BigQuery

DML BigQuery masih dalam versi Pratinjau. Saat Anda menetapkan properti tabel gcp.biglake.bigquery-dml.enabled, BigQuery dapat membuat, mengubah, dan memodifikasi tabel menggunakan pernyataan DDL dan DML GoogleSQL (INSERT, UPDATE, DELETE, dan MERGE), sementara mesin open source terus membaca dan menulis tabel yang sama.

Pengelolaan tabel

Pengelolaan tabel (Pratinjau) mengotomatiskan pemeliharaan penyimpanan untuk tabel Apache Iceberg. Saat Anda menetapkan properti tabel gcp.biglake.table-management.enabled, Lakehouse akan menjalankan pemadatan latar belakang (coalesce), masa berlaku snapshot, dan pembersihan sampah memori untuk mempertahankan performa kueri dan efisiensi penyimpanan. Pengelolaan tabel mengharuskan katalog menggunakan penjualan kredensial. Untuk mengetahui informasi selengkapnya, lihat Mengaktifkan pengelolaan tabel.

Histori perubahan

Histori perubahan memungkinkan Anda menggunakan fungsi bernilai tabel APPENDS GoogleSQL untuk melacak baris yang ditambahkan ke tabel terkelola Apache Iceberg selama rentang waktu yang ditentukan. Anda dapat menggunakannya untuk mengelola replika secara bertahap, mengaudit penambahan data, atau memicu pipeline downstream tanpa pemindaian tabel lengkap. Untuk mengetahui informasi selengkapnya, lihat Menggunakan histori perubahan.

Caching Metadata

Caching metadata mempercepat performa kueri untuk tabel eksternal BigQuery. Metadata tabel ini menyimpan salinan metadata tabel di penyimpanan BigQuery, sehingga mengurangi kebutuhan untuk membaca file metadata dari Cloud Storage selama eksekusi kueri.

Penyerapan dan migrasi data

Lakehouse menyediakan beberapa jalur untuk memuat data ke dalam tabel Apache Iceberg dan memindahkan metadata dari metastore yang ada.

Impor tabel batch

Template builder tugas Dataflow memungkinkan Anda mengimpor Apache Iceberg, tabel Delta Lake, dan file Parquet yang ada ke dalam tabel Apache Iceberg yang dikelola oleh Lakehouse tanpa menulis kode.

Penyerapan streaming

Anda dapat melakukan streaming data ke tabel Apache Iceberg menggunakan mesin open source (seperti Spark atau Kafka), Dataflow, atau BigQuery Storage Write API (gRPC), yang menyediakan penulisan transaksional, tepat satu kali. Anda juga dapat menulis output kueri berkelanjutan BigQuery langsung ke tabel terkelola Apache Iceberg.

Pengambilan data perubahan (CDC)

Penyerapan CDC menjaga tabel Apache Iceberg tetap sinkron dengan sistem sumber dengan menerapkan penyisipan, pembaruan, dan penghapusan, bukan memuat ulang tabel lengkap. Tabel terkelola Apache Iceberg mendukung penyerapan CDC BigQuery (Pratinjau), dan Anda dapat menggunakan Dataflow untuk memigrasikan log CDC dari tabel Apache Iceberg dan Delta Lake (Pratinjau).

Migrasi metastore

Migrasi metastore memindahkan metadata tabel dari metastore yang ada ke katalog runtime Lakehouse tanpa menyalin file data. Anda dapat menjalankan migrasi satu kali atau uji coba dari Dataproc Metastore ke endpoint katalog REST Apache Iceberg atau endpoint katalog Apache Hive, atau melakukan migrasi dari metastore eksternal seperti metastore Hive (Pratinjau).

Akses data lintas cloud

Akses data lintas cloud memungkinkan Anda mengkueri data yang disimpan di cloud dan platform SaaS lain langsung dari Google Cloud, tanpa memigrasikan file atau membangun pipeline ETL. Untuk mengetahui informasi selengkapnya, lihat Tentang akses data lintas cloud.

Katalog gabungan

Katalog gabungan adalah katalog di katalog runtime Lakehouse yang terhubung ke penyedia katalog jarak jauh dan mengekspos tabelnya melalui endpoint katalog REST Apache Iceberg. Kemudian, Anda dapat mengkueri tabel tersebut dengan BigQuery, Managed Service untuk Apache Spark, atau Apache Spark. Penyedia katalog jarak jauh yang didukung mencakup Databricks Unity Catalog, AWS Glue Data Catalog, Snowflake Horizon Catalog, Workday Data Lake, dan SAP Business Data Cloud (SAP BDC). Untuk mengetahui informasi selengkapnya, lihat Membuat kueri data jarak jauh.

Pemuatan ulang metadata di latar belakang

Refresh metadata latar belakang adalah proses saat katalog gabungan menyinkronkan metadata namespace dan tabel secara berkala dari katalog jarak jauh, berdasarkan interval refresh. Lakehouse melakukan autentikasi ke katalog jarak jauh menggunakan penggabungan token OIDC atau kredensial yang disimpan di Secret Manager.

Transportasi lintas cloud

Akses data lintas cloud memisahkan pemuatan ulang metadata latar belakang dari pemindahan data kueri. Anda dapat merutekan salah satu atau keduanya melalui internet publik atau secara pribadi melalui Cross-Cloud Interconnect untuk memenuhi persyaratan keamanan dan biaya. Untuk membatasi pemindahan data yang tidak sah, Anda juga dapat melindungi endpoint katalog gabungan dengan Kontrol Layanan VPC.

Caching lintas cloud

Caching lintas cloud menyimpan blok file yang dibaca dari penyimpanan objek jarak jauh secara lokal di region Google Cloud tempat kueri dijalankan, sehingga kueri berulang dibaca dari cache, bukan dari cloud jarak jauh. Caching membantu mengurangi biaya egress lintas cloud dan dinonaktifkan secara default; Anda dapat mengaktifkannya di katalog gabungan atau koneksi lintas cloud BigQuery. Untuk mengetahui informasi selengkapnya, lihat Caching cerdas.

Mode identitas

Mode identitas menentukan identitas mana yang menjalankan kueri terhadap katalog jarak jauh:

• Identitas layanan (default): Pembaruan metadata latar belakang dan kueri dijalankan sebagai akun layanan katalog.
• Federasi identitas pengguna: Kueri dijalankan sebagai identitas pengguna akhir, yang memungkinkan katalog jarak jauh menerapkan izinnya sendiri dan mengatribusikan log audit ke setiap pengguna. Mode ini didukung untuk Databricks Unity Catalog.

Integrasi SAP BDC

Integrasi SAP BDC berfungsi dalam dua arah. Federasi menyinkronkan berbagi SAP BDC ke Lakehouse menggunakan protokol Delta Sharing sehingga Anda dapat mengkuerinya dari BigQuery. Publikasi membagikan tabel Apache Iceberg atau produk data Knowledge Catalog ke SAP BDC tanpa memigrasikan data. Untuk mengetahui informasi selengkapnya, lihat Tentang integrasi SAP BDC.

Set data publik

Lakehouse Tanpa Batas menghosting set data publik yang disajikan melalui endpoint katalog REST Apache Iceberg, sehingga memberikan akses hanya baca untuk eksplorasi dan pengujian tanpa mengelola infrastruktur. Google membayar untuk penyimpanan, dan Anda hanya membayar untuk kueri yang Anda jalankan. Untuk mengetahui informasi selengkapnya, lihat Set data publik.

Keamanan dan tata kelola

Lakehouse menggabungkan Identity and Access Management (IAM), delegasi akses penyimpanan, dan kontrol jaringan untuk mengamankan lakehouse Anda.

Kontrol akses tingkat resource

Kebijakan IAM pada katalog, namespace, dan tabel mengontrol siapa yang dapat melihat dan mengubah resource Lakehouse. Untuk informasi selengkapnya, lihat Mengelola ACL katalog, namespace, dan tabel serta Peran dan izin.

Penyediaan kredensial

Pemberian kredensial sementara adalah mekanisme keamanan yang memperketat kontrol akses saat menggunakan katalog runtime Lakehouse. Alih-alih memberikan izin bucket langsung kepada pengguna, endpoint katalog REST Apache Iceberg menyediakan kredensial penyimpanan berdurasi singkat dan terbatas dengan akses yang dibatasi ke jalur tabel tertentu yang diperlukan kueri. Pemberian kredensial juga diperlukan untuk pengelolaan tabel. Untuk mengetahui informasi selengkapnya, lihat Penyediaan kredensial.

Koneksi

Koneksi adalah resource BigQuery yang menyimpan kredensial untuk mengakses data eksternal. Di Lakehouse Google Cloud, koneksi mendelegasikan akses ke Cloud Storage dengan mengizinkan akun layanan koneksi mengakses bucket penyimpanan atas nama Anda.

Kontrol Layanan VPC

Perimeter layanan Kontrol Layanan VPC membantu mencegah pemindahan data yang tidak sah dengan membatasi akses ke Lakehouse API (biglake.googleapis.com) dan bucket Cloud Storage yang menyimpan data tabel. Untuk mengetahui informasi selengkapnya, lihat Menggunakan Kontrol Layanan VPC dengan penjualan kredensial.

Endpoint regional

Endpoint regional membatasi permintaan sehingga hanya dilanjutkan jika resource katalog target ada di lokasi yang ditentukan oleh endpoint, yang membantu Anda memenuhi persyaratan residensi data. Untuk mengetahui informasi selengkapnya, lihat Endpoint regional.

Logging audit

Cloud Audit Logs mencatat aktivitas akses data dan administratif pada resource Lakehouse. Untuk mengetahui informasi selengkapnya, lihat Melihat log audit.

Tata kelola terpadu

Tata kelola terpadu memungkinkan Anda menentukan dan menerapkan kebijakan keamanan dan pengelolaan data secara terpusat melalui integrasi dengan Knowledge Catalog. Saat Anda mendaftarkan tabel di katalog runtime Lakehouse, sistem akan otomatis mendaftarkan entri yang sesuai di Knowledge Catalog, sehingga memungkinkan penelusuran dan penemuan, silsilah data, pembuatan profil data, dan insight data (Pratinjau) yang dihasilkan AI di seluruh mesin tanpa memindahkan atau menyalin file.

Mesin dan alat kueri

Lakehouse Google Cloud memisahkan penyimpanan dari komputasi, sehingga berbagai mesin analisis dapat bekerja dengan tabel terbuka yang sama.

Mesin open source

Mesin open source terhubung ke katalog runtime Lakehouse melalui endpoint katalog REST Apache Iceberg menggunakan konfigurasi klien Apache Iceberg standar. Untuk penyiapan khusus mesin, lihat Apache Spark, Apache Flink, dan Trino. Anda juga dapat mengelola resource Lakehouse dengan Terraform.

Managed Service untuk Apache Spark

Managed Service untuk Apache Spark (sebelumnya Dataproc Serverless) menyediakan runtime yang terkelola sepenuhnya untuk memproses format tabel terbuka seperti Apache Iceberg. Framework ini mendukung dua mode eksekusi utama:

• Batch serverless: Dirancang untuk pipeline pemrosesan data non-interaktif dan otomatis serta workload ETL. Model bayar per eksekusi ini menghilangkan pengelolaan cluster, menghapus perebutan resource antar-tugas, dan mengotomatiskan pemeliharaan infrastruktur.
• Sesi interaktif serverless: Dirancang untuk analisis data eksploratif, data engineering, dan eksperimen data science. Sesi interaktif mendukung notebook Apache Spark menggunakan Spark Connect atau kernel Spark jarak jauh, yang menyediakan lingkungan penskalaan otomatis tanpa penyiapan infrastruktur.

Tingkat layanan

Saat menjalankan workload Apache Spark di Managed Service untuk Apache Spark, Anda dapat memilih di antara paket layanan:

• Paket standar: Paket eksekusi default yang cocok untuk workload pemrosesan batch standar.
• Paket premium: Menyediakan kemampuan lanjutan, termasuk dukungan untuk sesi notebook interaktif serverless dan fitur yang mempercepat performa seperti Lightning Engine.

Template sesi

Template sesi menyederhanakan konfigurasi sesi interaktif serverless. Dengan template ini, administrator dapat menentukan dan mempertahankan setelan lingkungan umum (seperti properti katalog, konfigurasi jaringan, dan versi runtime), yang meningkatkan konsistensi dan meminimalkan penyiapan berulang. Anda dapat membuat dan mengelola template sesi menggunakan konsol Google Cloud , gcloud CLI, REST API, atau Terraform.

analisis percakapan

Analisis percakapan (Pratinjau) memungkinkan Anda mengkueri tabel di katalog runtime Lakehouse, termasuk sumber lintas cloud, menggunakan perintah bahasa alami di BigQuery.

Keandalan

Katalog runtime Lakehouse menyediakan disaster recovery terkelola untuk katalog yang menggunakan endpoint katalog REST Apache Iceberg (Pratinjau). Untuk mengetahui informasi selengkapnya, lihat Tentang replikasi lintas region dan disaster recovery.

Replikasi lintas-region

Replikasi lintas region menyalin metadata katalog dari region utama ke region sekunder saat katalog menggunakan bucket Cloud Storage dual-region atau multi-region, yang membuat katalog tetap tersedia selama pemadaman layanan regional. Cloud Storage mereplikasi data tabel yang mendasarinya.

Failover

Failover mengalihkan region utama dan sekunder untuk katalog serta semua namespace dan tabelnya. Failover ringan menunggu semua data disinkronkan sebelum database utama baru menerima penulisan, yang mencegah kehilangan data dan sesuai untuk pengujian terencana. Hard failover memprioritaskan ketersediaan dan memungkinkan instance utama baru mengambil alih meskipun instance utama sebelumnya tidak dapat dijangkau.