Die browserbasierte Entwicklerumgebung, die bereits mit gcloud vorinstalliert ist, sowie die lokale CLI-Installation für Entwickler, die dieselben Tools auf ihrem eigenen Rechner nutzen möchten.

Buckets, Speicherklassen und Lebenszyklusregeln – sowie die Rust-Client-Muster (Streaming-Uploads, fortsetzbare Sitzungen, ADC), die diese aus einer Tokio-Laufzeitumgebung heraus effizient nutzen.

Die beiden BigQuery-APIs, die von Rust-Diensten genutzt werden – REST jobs.query für kleine JSON-Ergebnisse und die Storage Read API für Arrow-Scans mit Millionen von Zeilen – sowie das Prompt-Engineering-Muster für ML.GENERATE_TEXT.

Abwägungen zwischen Volumen, Geschwindigkeit und Kosten bei Big Data auf GCP, das Pipeline-Muster mit drei Zonen (Rohdaten / Transformation / Bereitstellung) sowie die Frage, wie GCE, GKE, Cloud Run, App Engine und Cloud Functions jeweils in das Trigger-Modell passen.

Container ohne Distribution, Cloud Run-Bereitstellungen aus Quellcode oder Image, App Engine Flex mit benutzerdefinierten Laufzeiten und das Pub/Sub-Push-Muster für idempotente ETL-Handler mit durch Parallelität begrenzter Gegendruckregelung.

„cargo-audit“ und „cargo-deny“ im Vergleich zur RustSec-Advisory-Datenbank, die von Rust bereits zur Kompilierungszeit erzwungenen „Secure-by-Design“-Eigenschaften, Matrix-Builds mit GitHub Actions sowie die Energieeffizienz von Rust gegenüber Python im großen Maßstab.

Wie geht es nach diesem Kurs weiter? – Die nächsten Kurse der Spezialisierung und ein Produktionsleitfaden für das „Rust-on-GCP“-Muster.