Tema 4 · 7 · Panel Streamlit y seguridad del Data Lake (opcional)

Diapositivas del Tema 4: no hay una diapositiva específica en el README original; es material de apoyo del laboratorio (el panel lee los datos de NYC de 04.03). Duración: 10 a 15 minutos. Coste: la instancia EC2 cuesta unos 0,19 USD por hora (unos 4,6 USD al día) si tu cuenta no la cubre con el plan gratuito; se apaga sola a las 4 horas (se para, no se borra); para más tiempo, ./gestionar-datalake.sh crear (otras 4 h) o crear --permanente.

Qué vas a hacer

Vas a abrir el panel web «NYC Yellow Taxi - Data Lake Demo» que despliega el stack en una instancia EC2 y a entender qué riesgos de seguridad tiene el laboratorio (puerto 8501 abierto, usuario DataLakeAdmin opcional). No tiene ejercicio evaluable: es para ver tus datos en un panel.

Qué se crea en AWS: nada nuevo. La instancia EC2 g214-datalake-demo-demo-ec2 ya la creó el stack de 04.01 si lo lanzaste con CREATE_EC2=true (el valor por defecto).

Qué contiene esta carpeta

Antes de empezar

• Necesitas el Data Lake de 04.01 creado con la instancia EC2 (CREATE_EC2=true, el valor por defecto; con CREATE_EC2=false no hay panel).
• Necesitas los datos de NYC de 04.03 NYC Taxi ya cargados (./gestionar-nyc-taxi.sh).
• Una red que deje abrir http://...:8501. Región eu-north-1.

Cómo llevar los ficheros a CloudShell

No hace falta: esta carpeta solo tiene este README. Puedes leerlo en tu PC.

Paso a paso

Paso 1 · Abrir el panel

1. Copia StreamlitURL de los Outputs (consola: CloudFormation > tu stack > Outputs; script de 04.01: opción 4 del menú o ./gestionar-datalake.sh estado (la dirección cambia si la EC2 se ha parado y arrancado); o el fichero datos.txt). Tiene la forma http://<dns-de-la-instancia>:8501.
2. Ábrela en el navegador con http:// (no https).
3. Qué verás: la página «NYC Yellow Taxi - Data Lake Demo» con dos botones, «Abrir Dashboard Temporal» (cuatro KPI del mes, viajes por hora, tarifa media por hora y hora pico) y «Abrir Explorador de Rutas» (tabla de las rutas más frecuentes con un deslizador «Top N rutas» de 5 a 50 y un gráfico de dispersión de viajes frente a tarifa media). La portada solo anuncia lo que las páginas hacen: no hay análisis por día de la semana ni mapas. La barra lateral lista tres entradas (app, app rutas, app temporal) y en ella eliges el mes. Si escribes la dirección a mano, las páginas son http://<dns>:8501/app_temporal y http://<dns>:8501/app_rutas (no /temporal: da «Page not found»).
4. Los números del panel no coinciden con los de Athena sobre la tabla raw: el panel descarta los viajes con distancia, tarifa o duración no positivas (por ejemplo, en septiembre de 2025 el panel cuenta 3.838.405 viajes y la tabla raw, 4.251.015).

Si no carga justo después de crear el stack, espera unos minutos: la instancia sigue instalando programas cuando el stack ya figura como creado. Si sale «No hay datos», ejecuta antes ./gestionar-nyc-taxi.sh (04.03).

Paso 2 · Entender la seguridad del panel

El panel abre el puerto 8501 a Internet sin contraseña (por defecto a cualquiera, 0.0.0.0/0) y no abre el 22: la instancia no tiene clave SSH. Para limitarlo a tu ordenador, crea el stack con STREAMLIT_CIDR=<tu-ip>/32 ./gestionar-datalake.sh (tu IP pública, la de tu PC, que ves en https://checkip.amazonaws.com; no la de CloudShell). Eso se decide al crear el stack, en 04.01.

Paso 3 · El usuario DataLakeAdmin (seguridad)

La plantilla puede crear un usuario IAM llamado DataLakeAdmin con permisos de administrador sobre TODA tu cuenta, con una contraseña fija (la misma para todos) y una clave de acceso cuya parte secreta saldría en los Outputs y en datos.txt. Era una comodidad para una demostración en clase y es un riesgo en una cuenta real, así que ahora no se crea: el parámetro CreateDemoAdminUser vale false por defecto, el script gestionar-datalake.sh no lo cambia y el laboratorio funciona con tu propia sesión.

• Para comprobar que no existe: IAM > Users no debe listar DataLakeAdmin, y los Outputs del stack no deben incluir DataLakeAdminPassword ni las claves.
• Solo existirá si, a propósito, creas el stack desde la consola con CreateDemoAdminUser = true. No lo hagas salvo que tu docente te lo pida para una demostración.
• Si lo activaste: no inicies sesión con él, no compartas capturas de los Outputs ni subas datos.txt a ningún sitio, y desaparece cuando eliminas el stack. Para reducir el riesgo mientras dure: IAM > Users > DataLakeAdmin > Security credentials: desactiva la clave de acceso (Deactivate) y cambia la contraseña de consola. No borres el usuario a mano; deja que lo borre el stack.

Errores frecuentes

Limpieza

Solo lo de esta actividad (el stack NO se borra aquí: se borra al final del Tema 4 desde 04.01, y debe ser lo último):

1. Apaga la instancia si vas a conservar el stack unos días: se apaga sola a las 4 horas, o antes con EC2 > Instances > selecciona g214-datalake-demo-demo-ec2 > Instance state > Stop. Para arrancarla y ampliar el plazo, ./gestionar-datalake.sh crear (la dirección pública del panel cambia: estado la muestra). Detenida deja de costar por hora de cómputo (el disco sigue costando céntimos).
2. Si vas a borrar el stack, no hace falta: la instancia se borra con él.
3. Si activaste DataLakeAdmin, se va con el stack; mientras tanto, aplica las medidas del paso 3.

Cómo sabes que has terminado

• [ ] Has abierto el panel con http:// y has visto el Dashboard Temporal y el Explorador de Rutas (o sabes que tu stack se creó sin EC2).
• [ ] Sabes explicar por qué los números del panel no coinciden con los de la tabla raw.
• [ ] IAM > Users no lista DataLakeAdmin.
• [ ] Has apagado la instancia EC2 o tienes claro que la borrará el stack al final.

Anterior: 04.06 Optimizar y presupuesto · Siguiente: ninguna. Vuelve a 04.01 · Limpieza final para borrar el stack.