클래식 컴퓨팅에서 서버리스 컴퓨팅으로 워크로드를 마이그레이션합니다. 서버리스 컴퓨팅은 프로비전, 크기 조정, 런타임 업그레이드 및 최적화를 자동으로 처리합니다.
대부분의 클래식 워크로드는 코드 변경을 최소화하거나 변경하지 않고 마이그레이션할 수 있습니다. 이 페이지는 이러한 워크로드에 중점을 둡니다. 일부 기능(예: df.cache)은 서버리스에서 아직 지원되지 않지만, 지원이 시작되면 코드 변경이 필요하지 않습니다. R 또는 Scala Notebook에 의존하는 특정 워크로드에는 클래식 컴퓨팅이 필요하며 서버리스로 마이그레이션할 수 없습니다. 현재 제한 사항의 전체 목록은 서버리스 컴퓨팅 제한을 참조하세요.
마이그레이션 에이전트와 함께 마이그레이션하세요
Important
이 기능은 베타 버전으로 제공됩니다. 워크스페이스 관리자는 Compute Agent 미리보기에 참여하여 Previews 페이지에서 활성화할 수 있습니다. Azure Databricks 미리 보기 관리를 참조하세요.
마이그레이션 에이전트를 사용해 단일 노트북이나 작업을 서버리스 컴퓨트로 마이그레이션할 수 있습니다. 에이전트는 워크로드의 환경, 라이브러리, Spark 설정, 태그, 코드를 검토한 후, 각 변경 사항을 개별 제안으로 제안하여 수락 또는 거부할 수 있도록 합니다. 승인된 변경 사항은 적용되며 되돌릴 수 있습니다.
상담원이 검토하고 변경하는 내용
| Area | 에이전트가 수행하는 작업 |
|---|---|
| 환경 및 라이브러리 | 라이브러리 설치를 서버리스 환경 사양으로 변환하며, 여기에는 %pip 설치, 클러스터 초기화 스크립트, 작업의 클러스터 라이브러리, 비공개 패키지 인덱스에 대한 참조가 포함됩니다. |
| 환경 변수 | 클러스터 환경 변수를 서버리스 버전으로 변환하며, 작업 공간 비밀 참조를 보존하고 플랫폼 관리 값은 생략합니다. |
| 데이터 및 저장 접근 | 로컬 디스크, dbfs:/마운트 경로와 같은 서버리스 호환 불가능한 경로를 Unity 카탈로그 볼륨으로 다시 작성합니다. 에이전트는 자동으로 명확한 재작성을 적용하고, 목표가 모호할 때 볼륨을 선택하라고 요청합니다. |
| Spark 구성 | 각 Spark 구성을 분류하고, 안전하게 포기할 수 있는 구성은 주석 처리하며, 서버리스가 지원하지 않는 구성을 플래그하고 제거합니다. 클러스터 부착 및 노트북 내 구성 모두를 지원합니다. |
| 워크로드 코드 | 서버리스가 지원하지 않는 코드를 RDD 연산을 DataFrame 연산으로 재작성하는 호환 가능한 버전으로 재작성하고, 서버리스에서 ANSI 모드 SQL 동작에 맞게 코드를 조정합니다. |
| Tags | 비용 센터 태그와 같은 맞춤형 클러스터 태그를 서버리스 태그로 변환합니다. |
| 공연 모드 | 클러스터 구성을 기반으로 한 성능 모드를 제안합니다. 성능 모드 선택을 참조하세요. |
요구 사항
완전한 마이그레이션을 위해 작업 공간 관리자 권한이 권장됩니다. 이는 에이전트가 대상 워크로드를 넘어 작업 공간 수준의 전역 init 스크립트도 검사하기 때문입니다. 워크로드에 권한이 있다면
CAN MANAGE마이그레이션이 가능할 수도 있지만, 관리자 권한이 없으면 라이브러리, 환경 설정, 태그가 누락될 수 있습니다.상담원과 연락할 수 있는지 확인하세요. 지니 코드를 입력
/compute하세요./compute자동 완성 메뉴에 나타나야 합니다. 만약 나타나지 않는다면, 작업 공간 관리자가 작업 공간에서 미리보기를 활성화해야 합니다.
노트북 마이그레이션
- 마이그레이션하고 싶은 노트북을 열어보세요.
- Genie 코드를 열고 명령 팔레트에서
/실행/compute migrate to serverless하세요. - 중개인의 조사 결과를 검토하세요. 에이전트는 노트북의 환경, 라이브러리, 코드를 스캔하고, 라이브러리 설치를 환경 명세로 옮기거나 서버 없이 실행되도록 코드 셀을 다시 작성하는 등 각 항목에 대해 변경 사항을 제안합니다.
- 제안된 각 변경 사항을 수용하거나 거부하세요.
- 수락한 변경 사항을 적용하세요. 그것들은 노트북의 해당 위치에 바로 기록됩니다.
- 노트북을 서버리스에 연결해서 실행해서 기대하는 대로 동작하는지 확인하세요. 마이그레이션 된 워크로드 검증을 참조하세요.
일자리 이전하기
- 이주하고 싶은 직무를 열어보세요.
- Genie 코드를 열고 명령 팔레트에서
/실행/compute migrate to serverless하세요. - 에이전트가 당신의 작업을 복제하고 복제된 작업을 서버리스로 이전하려고 시도합니다.
- 중개인의 조사 결과를 검토하세요. 다중 작업 작업의 경우, 에이전트는 모든 작업과 작업별 클러스터별 구성을 열거하고, 작업의 일정을 유지하면서 각 작업에 대한 변경 제안을 합니다.
- 마이그레이션 표면 전반에 걸쳐 각 제안된 변경 사항을 수용하거나 거부하세요: 환경과 라이브러리, Spark 구성, 그리고 변경해야 하는 워크로드 코드.
- 수락한 변경 사항을 적용하세요. 작업의 컴퓨트는 서버리스로 전환됩니다.
- 서버리스 모드로 작업을 실행하고 결과를 확인하세요. 마이그레이션 된 워크로드 검증을 참조하세요.
- 선택적으로, 마지막 단계로 에이전트는 마이그레이션된 클론을 승격시킵니다. 복제본의 설정과 노트북을 원래 작업(작업 ID, 일정, 권한 유지)으로 복사한 후 복제본을 삭제합니다. 승격을 건너뛰고 두 작업을 모두 유지하는 경우, 실행하지 않을 작업의 스케줄을 일시 중지하세요. 그렇지 않으면 동일한 트리거로 두 작업이 모두 실행되어 쓰기 작업이나 기타 부작용이 중복될 수 있습니다.
마이그레이션된 워크로드를 검증하세요
에이전트는 변경 사항을 제안하고 적용하지만, 워크로드를 실행하거나 출력을 검증하지는 않습니다. 마이그레이션된 워크로드는 항상 서버리스에서 실행하고 결과를 확인한 후 의존하세요, 특히 프로덕션 테이블에 쓰는 워크로드의 경우에는 더욱 그렇습니다. 에이전트가 제안한 변경이 이상하면 거부하고 피드백을 보내 에이전트를 개선할 수 있도록 하세요. 제품 피드백 제출을 참조하세요.
Tip
마이그레이션된 워크로드를 검증하는 동안, 성능 최적화 모드로 실행하세요. 표준 모드보다 빠르게 시작되어, 결과를 확인할 때 더 빠른 피드백을 받을 수 있습니다. 운영 전에 작업 부하에 가장 적합한 모드로 전환하세요. 성능 모드 선택을 참조하세요.
에이전트가 안전하게 마이그레이션할 수 없는 것을 발견하면 차단기를 보고하고 기본적으로 중지합니다. 호환성이나 의존성 차단기를 명시적으로 통과하도록 지시할 수는 있지만, 그렇게 하면 해당 의존성, 비용 귀속, 런타임 동작이 이월되지 않아 서버리스에서 워크로드가 실패할 위험이 있습니다.
마이그레이션 변경 사항 되돌리기
에이전트가 적용하는 변화는 되돌릴 수 있습니다.
노트북의 경우, 노트북을 열고 마이그레이션 직전의 수정 버전을 복원하세요. Databricks Notebook의 버전 기록을 참조하세요.
작업의 경우 마이그레이션된 클론을 승격하지 않은 경우, 원래 작업은 전혀 변경되지 않은 상태입니다. 이전과 같이 실행한 다음 클론을 삭제하면 됩니다. 클론을 승격했다면, 에이전트가 변경하기 전에 작성한 백업에서 복원하세요:
- 작업 공간 홈에서 백업 폴더를 열어보세요:
/Workspace/Users/<your-username>/serverless-migration/backups/job-<job-id>/<timestamp>/. 요원은 이동 중에 이 경로를 보여줬다. 여러 개의 타임스탬프가 있다면, 마이그레이션 직전의 것을 선택하세요. - 마이그레이션 전 작업 설정이 저장된
job.yaml를 열고, 사용자가 제공하는 설정으로 해당 작업의 설정을 덮어쓰는POST /api/2.2/jobs/reset요청으로 그 설정을 동일한 작업에 다시 적용합니다. 또한 UI의 작업 JSON 정의에 붙여넣을 수도 있습니다. 이로 인해 작업은 클래식 컴퓨트로 반환됩니다. - 각 백업된 파일과 해당 파일의 원래 경로가 나열된
mapping.yaml을 여세요. 각 백업 파일을 원래 경로로 복사해서 코드 재작성을 되돌리세요. - 마이그레이션 전과 똑같이 작동하는지 작업을 실행해 보세요.
마이그레이션 과정에서 이 백업은 절대 삭제되지 않습니다. 에이전트가 수정하지 않은 작업(예: Git에서 가져온 작업, SQL 작업, dbt 작업)은 job.yaml에 기록되지만 해당 파일은 백업에 복사되지 않으므로, 필요한 경우 신뢰할 수 있는 원본에서 복원하세요.
알려진 제한 사항
- 다음과 같은 것들이 차단 요소로 보고됩니다: 맞춤 이미지, ML 런타임 변형, 13 이전 Databricks 런타임 버전, 서버리스에서 안전하게 무시할 수 없는 Spark 구성, 그리고 eggs, JAR, Maven 라이브러리와 같은 의존성. 차단기는 에이전트가 해당 항목을 이전하지 않고 중단하는 것을 의미합니다. 직접 해결하고 마이그레이션을 다시 실행하거나, 에이전트에게 마이그레이션을 명령하면 해당 항목이 해결되지 않고 서버리스에서 워크로드가 실패할 수 있습니다.
- 에이전트는 작업 공간 파일이나 Unity 카탈로그 볼륨에 저장된 init 스크립트를 읽습니다. ABFSS 또는 DBFS에 저장된 init 스크립트는 읽을 수 없으며 차단기로 보고됩니다.
- 에이전트는 모든 클래식 컴퓨트 속성을 검사하지 않습니다. 클러스터 로그 전달과 SSH 키는 모델링되지 않으며, 워크로드 코드에서 많은 DBFS 마운트 의존성을 감지하지만 모든 마운트를 열거하거나 해결하지는 않습니다.
- 캐시 및 체크포인트 API, 글로벌 임시 뷰, DBFS 마운트 관리 호출, Scala 또는 R 코드는 기본적으로 하드 블로커입니다. 에이전트에게 진행을 지시할 수는 있지만, 해결되지 않은 기능은 변경되지 않고 서버리스에서는 실패할 수 있습니다.
- 10개 이상의 마이그레이션 가능한 작업을 가진 작업은 현재 마이그레이션이 불가능합니다.
- 에이전트는 한 번에 하나의 워크로드를 마이그레이션합니다. 플릿 전체의 검색, 대량 마이그레이션, 관리자 승인 워크플로우는 없습니다.
- 에이전트는 변경 제안을 제안하고 당신이 수락한 변경 사항을 적용하지만, 작업 부하를 실행하거나 출력 정확성을 검증하지는 않습니다. 마이그레이션된 워크로드를 본식 데이터에 의존하기 전에 반드시 검증하세요.
- 만약 워크로드의 진실이 Databricks Asset Bundle이나 Git 폴더라면, 에이전트는 해당 작업 공간 객체에 변경 사항을 적용합니다. 이러한 변경 사항을 번들이나 저장소와 조화시켜 나중에 배포할 때 마이그레이션이 덮어쓰지 않도록 하세요.
수동으로 서버리스로 이전
클래식 컴퓨팅에서 서버리스 컴퓨팅으로 워크로드를 마이그레이션하려면 다음 단계를 수행합니다.
- 필수 구성 요소 확인: 작업 영역, 네트워킹 및 클라우드 스토리지 액세스가 요구 사항을 충족하는지 확인합니다. 시작하기 전에 참조하세요.
- 코드 업데이트: 필요한 코드 및 구성을 변경합니다. 코드 업데이트를 참조하세요.
- 워크로드 테스트: 잘라내기 전에 호환성 및 정확성의 유효성을 검사합니다. 워크로드 테스트를 참조하세요.
- 성능 모드 선택: 워크로드 요구 사항에 가장 적합한 성능 모드를 선택합니다. 성능 모드 선택을 참조하세요.
- 단계별 마이그레이션: 신규 및 저위험 워크로드부터 시작하여 서버리스를 증분 방식으로 롤아웃합니다. 단계별 마이그레이션을 참조하세요.
- 비용 모니터링: 서버리스 DBU 사용량을 추적하고 경고를 설정합니다. 비용 모니터링을 참조하세요.
시작하기 전 주의 사항:
마이그레이션을 시작하기 전에 작업 영역에서 일부 레거시 구성을 업데이트해야 할 수 있습니다.
| 전제 조건 | 조치 | 세부 정보 |
|---|---|---|
| Unity 카탈로그에 작업 공간이 활성화됨 | 필요한 경우 Hive Metastore에서 마이그레이션 | Azure Databricks 작업 영역을 Unity 카탈로그로 업그레이드 |
| 네트워크 구성 완료 | VPC 피어링을 NCC, Private Link 또는 방화벽 규칙으로 바꾸기 | 서버리스 컴퓨터 플레인 네트워킹 |
| 클라우드 스토리지 액세스 | 레거시 데이터 액세스 패턴을 Unity 카탈로그 외부 위치로 바꾸기 | Unity Catalog를 사용하여 클라우드 객체 스토리지에 연결 |
작업 영역이 지원되는 지역에 있는지 확인합니다.
코드 업데이트
다음 섹션에서는 워크로드가 서버리스와 호환되도록 하는 데 필요한 코드 및 구성 변경 내용을 나열합니다.
데이터 액세스
레거시 데이터 액세스 패턴은 서버리스에서 지원되지 않습니다. 대신 Unity 카탈로그를 사용하도록 코드를 업데이트합니다.
| 클래식 패턴 | 서버리스 대체 | 세부 정보 |
|---|---|---|
DBFS 경로(dbfs:/...) |
Unity 카탈로그 볼륨 | Unity 카탈로그의 볼륨이란 무엇입니까? |
| Hive Metastore 테이블 | Unity 카탈로그 테이블(또는 HMS 페더레이션) | Azure Databricks 작업 영역을 Unity 카탈로그로 업그레이드 |
| 스토리지 계정 자격 증명 | Unity 카탈로그 외부 위치 | Unity Catalog를 사용하여 클라우드 객체 스토리지에 연결 |
| 사용자 지정 JDBC JAR | 레이크하우스 연합 | 쿼리 페더레이션이란? |
경고
DBFS 액세스는 서버리스에서 제한됩니다. 마이그레이션하기 전에 Unity 카탈로그 볼륨의 모든 dbfs:/ 경로를 업데이트합니다. 자세한 내용은 DBFS에 저장된 파일 마이그레이션을 참조하세요.
예: DBFS 경로 및 Hive Metastore 참조 바꾸기
# Classic
df = spark.read.csv("dbfs:/mnt/datalake/data.csv", header=True)
df.write.parquet("dbfs:/mnt/output/results")
df = spark.table("my_database.my_table")
# Serverless
df = spark.read.csv("/Volumes/main/sales/raw_data/data.csv", header=True)
df.write.parquet("/Volumes/main/analytics/output/results")
df = spark.table("main.my_database.my_table") # three-level namespace
API 및 코드
서버리스에서는 특정 API 및 코드 패턴이 지원되지 않습니다. 코드를 업데이트해야 하는지 확인하려면 이 테이블을 참조하세요.
| 클래식 패턴 | 서버리스 대체 | 세부 정보 |
|---|---|---|
RDD API들(sc.parallelize, rdd.map) |
DataFrame API | Spark Connect와 Spark 클래식 비교 |
df.cache(), df.persist() |
캐싱 호출 제거 | 서버리스 컴퓨팅 제한 사항 |
spark.sparkContext, sqlContext |
spark (SparkSession)을 직접 사용하십시오 |
Spark Connect와 Spark 클래식 비교 |
Hive 변수(${var}) |
SQL DECLARE VARIABLE 또는 Python f 문자열 |
DECLARE VARIABLE |
| 지원되지 않는 Spark 구성 | 지원되지 않는 구성을 제거합니다. 서버리스 기능은 대부분의 설정을 자동으로 최적화합니다. | 서버리스 노트북 및 작업에 대한 Spark 속성 설정 |
예: RDD 작업을 DataFrames로 바꾸기
from pyspark.sql import functions as F
# sc.parallelize + rdd.map
# Classic: rdd = sc.parallelize([1, 2, 3]); rdd.map(lambda x: x * 2).collect()
df = spark.createDataFrame([(1,), (2,), (3,)], ["value"])
result = df.select((F.col("value") * 2).alias("value")).collect()
# rdd.flatMap
# Classic: sc.parallelize(["hello world"]).flatMap(lambda l: l.split(" ")).collect()
df = spark.createDataFrame([("hello world",)], ["line"])
words = df.select(F.explode(F.split("line", " ")).alias("word")).collect()
# rdd.groupByKey
# Classic: rdd.groupByKey().mapValues(list).collect()
df = spark.createDataFrame([("a", 1), ("b", 2), ("a", 3)], ["key", "value"])
grouped = df.groupBy("key").agg(F.collect_list("value").alias("values")).collect()
# rdd.mapPartitions → applyInPandas
import pandas as pd
def process_group(pdf: pd.DataFrame) -> pd.DataFrame:
return pd.DataFrame({"total": [pdf["id"].sum()]})
result = (spark.range(100).repartition(4)
.groupBy(F.spark_partition_id())
.applyInPandas(process_group, schema="total long").collect())
# sc.textFile → spark.read.text
df = spark.read.text("/Volumes/catalog/schema/volume/file.txt")
예: SparkContext 및 캐싱 바꾸기
from pyspark.sql.functions import broadcast
# sc.broadcast → broadcast join
result = main_df.join(broadcast(lookup_df), "key")
# sc.accumulator → DataFrame aggregation
total = df.agg(F.sum("amount")).collect()[0][0]
# sqlContext.sql → spark.sql
result = spark.sql("SELECT * FROM main.db.table")
# df.cache() → remove caching calls
# Materialize expensive intermediate results to Delta as a workaround:
df = spark.read.parquet(path)
result = df.filter("status = 'active'")
expensive_df.write.format("delta").mode("overwrite").saveAsTable("main.scratch.temp")
result = spark.table("main.scratch.temp")
라이브러리 및 환경
기본 환경을 사용하고 Notebook의 서버리스 환경을 사용하여 Notebook 수준에서 작업 영역 수준에서 라이브러리 및 환경을 관리할 수 있습니다.
| 클래식 패턴 | 서버리스 대체 | 세부 정보 |
|---|---|---|
| Init-스크립트 | 서버리스 환경 | 서버리스 환경의 구성 |
| 클러스터 스코프 라이브러리 | 노트북 범위 또는 환경에 대한 라이브러리 | 서버리스 환경의 구성 |
| Maven/JAR 라이브러리 | 작업에 대한 JAR 지원; 노트북용 PyPI | 작업을 위한 JAR 태스크 |
| Docker 컨테이너 | 라이브러리 요구 사항에 대한 서버리스 환경 | 서버리스 환경의 구성 |
재현 가능한 환경을 위해 requirements.txt에서 Python 패키지를 고정하십시오.
Python 패키지 버전 지정 참조하세요.
스트리밍
스트리밍 워크로드는 서버리스에서 지원되지만 특정 트리거는 지원되지 않습니다. 지원되는 트리거를 사용하도록 코드를 업데이트합니다.
| Spark 트리거 | 지원됨 | Notes |
|---|---|---|
Trigger.AvailableNow() |
예 | 권장 |
Trigger.Once() |
예 | 더 이상 사용되지 않습니다.
Trigger.AvailableNow()를 대신 사용하세요. |
Trigger.ProcessingTime(interval) |
No |
INFINITE_STREAMING_TRIGGER_NOT_SUPPORTED를 반환합니다. |
Trigger.Continuous(interval) |
No | 대신 Lakeflow 파이프라인 연속 모드 사용 |
기본값(설정되지 않음 .trigger()) |
No |
.trigger()을 생략하면 ProcessingTime("0 seconds")로 기본값이 설정되며, 이는 서버리스에서 지원되지 않습니다. 항상 명시적으로 설정합니다 .trigger(availableNow=True) . |
연속 스트리밍의 경우 연속 모드에서 Spark 선언적 파이프라인으로 마이그레이션하거나 연속-일정 작업을 AvailableNow와 함께 사용합니다. 큰 원본의 경우, 메모리 부족 오류를 방지하기 위해 maxFilesPerTrigger 또는 maxBytesPerTrigger를 설정하십시오.
예: 스트리밍 트리거 수정
# Classic (not supported on serverless — default trigger is ProcessingTime)
query = df.writeStream.format("delta").outputMode("append").start()
# Serverless (explicit AvailableNow trigger)
query = (df.writeStream.format("delta").outputMode("append")
.trigger(availableNow=True)
.option("checkpointLocation", checkpoint_path)
.start(output_path))
query.awaitTermination()
# With OOM prevention for large sources
query = (spark.readStream.format("delta")
.option("maxFilesPerTrigger", 100)
.option("maxBytesPerTrigger", "10g")
.load(input_path)
.writeStream.format("delta")
.trigger(availableNow=True)
.option("checkpointLocation", checkpoint_path)
.start(output_path))
워크로드 테스트
- 빠른 호환성 테스트: 표준 액세스 모드 및 Databricks Runtime 14.3 이상을 사용하여 클래식 컴퓨팅에서 워크로드를 실행합니다. 실행이 성공하면 코드 변경 없이 워크로드가 서버리스로 마이그레이션할 수 있습니다.
- A/B 비교 (프로덕션에 권장): 클래식(컨트롤) 및 서버리스(실험)에서 동일한 워크로드를 실행합니다. 출력 테이블의 차이를 비교하고 정확성을 확인합니다. 출력이 일치할 때까지 반복합니다.
- 임시 구성: 테스트 중에 지원되는 Spark 구성을 일시적으로 설정할 수 있습니다. 안정되면 제거합니다.
성능 모드 선택
서버리스 작업 및 파이프라인은 표준 및 성능 최적화의 두 가지 성능 모드를 지원합니다. 선택하는 성능 모드는 워크로드 요구 사항에 따라 달라집니다.
| 모드 | 가용성 | 스타트업 | 적합한 대상 |
|---|---|---|---|
| 표준 | 작업, Lakeflow 파이프라인 | 4-6분 | 비용에 민감한 일괄 처리 |
| 성능 최적화 | 노트북, 작업, Lakeflow 파이프라인 | 초 | 대화형, 대기 시간에 민감한 |
단계별 마이그레이션
- 새 워크로드: 서버리스에서 모든 새 Notebook 및 작업을 시작합니다.
- 위험 수준이 낮은 워크로드: 이미 표준 액세스 모드 및 Databricks Runtime 14.3 이상에서 PySpark/SQL 워크로드를 마이그레이션합니다.
- 복잡한 워크로드: 코드 변경이 필요한 워크로드를 마이그레이션합니다(RDD 다시 쓰기, DBFS 업데이트, 트리거 수정).
- 나머지 워크로드: 기능이 확장됨에 따라 주기적으로 검토합니다.
비용 모니터링
서버리스 청구는 클러스터 가동 시간이 아니라 DBU 사용을 기반으로 합니다. 대규모로 마이그레이션하기 전에 대표적인 워크로드를 사용하여 비용 기대치의 유효성을 검사합니다. 서버리스 비용을 모니터링하는 도구 및 전략은 서버리스 컴퓨팅 비용 모니터링을 참조하세요.
추가 리소스
- 서버리스 컴퓨팅 모범 사례: 서버리스 워크로드에 대한 최적화 팁
- 서버리스 컴퓨팅 제한 사항: 현재 제한 사항 및 지원되지 않는 기능의 전체 목록
- 서버리스 환경 구성: 라이브러리 및 종속성 관리
- 지원되는 Spark 구성: 서버리스에서 사용할 수 있는 Spark 구성
- Spark Connect 및 클래식 Spark: 서버리스 아키텍처의 동작 차이점
- Serverless 네트워크 보안: NCC, Private Link 및 방화벽 구성
- 서버리스 컴퓨팅 릴리스 노트: 새로운 기능이 출시될 때 추적하세요
- Unity 카탈로그 업그레이드 가이드: Hive Metastore에서 Unity 카탈로그로 마이그레이션
자세한 내용은 다음 블로그 게시물을 참조할 수도 있습니다.
- 서버리스 컴퓨팅이란?: 서버리스 기능 및 고객 결과 개요
- 데이터 엔지니어링의 진화: 서버리스 컴퓨팅이 Notebook 및 Lakeflow 작업을 변환하는 방법: 서버리스가 Lakeflow 작업 및 파이프라인을 구동하는 방법