무료 온라인 액세스 Amazon.Data-Engineer-Associate-KR.v2026-05-19.q119 모의 시험 (Page 18)

Data-Engineer-Associate-KR 문제 81

한 회사에서 Amazon API Gateway REST API와 AWS Lambda 함수를 사용하여 Amazon DynamoDB 인스턴스에서 데이터를 검색하는 애플리케이션을 운영하고 있습니다. 최근 사용자들이 애플리케이션의 응답 시간이 간헐적으로 길어지는 현상을 보고했습니다. 데이터 엔지니어는 회사의 다른 Lambda 함수 호출이 증가하면 Lambda 함수에서 잦은 속도 조절이 발생하는 것을 발견했습니다.
이 회사는 API의 람다 함수가 다른 람다 함수의 영향을 받지 않고 작동하도록 하려고 합니다.
어떤 솔루션이 이 요구 사항을 가장 비용 효율적으로 충족할 수 있을까요?

A. DynamoDB의 읽기 용량 단위(RCU) 수를 늘립니다.

B. Lambda 함수에 대한 프로비저닝된 동시성을 구성합니다.

C. Lambda 함수에 대한 예약된 동시성을 구성합니다.

D. 람다 함수의 시간 제한과 할당된 메모리를 늘립니다.

Data-Engineer-Associate-KR 문제 82

한 회사가 Amazon EC2 인스턴스에서 실행되는 애플리케이션을 개발하고 있습니다. 현재 애플리케이션이 생성하는 데이터는 일시적입니다. 그러나 회사는 EC2 인스턴스가 종료되더라도 데이터를 유지해야 합니다.
데이터 엔지니어는 Amazon 머신 이미지(AMI)에서 새 EC2 인스턴스를 시작하고 데이터를 보존하도록 인스턴스를 구성해야 합니다.
이 요구 사항을 충족하는 솔루션은 무엇입니까?

A. 애플리케이션 데이터가 포함된 EC2 인스턴스 스토어 볼륨이 지원하는 AMI를 사용하여 새 EC2 인스턴스를 시작합니다. EC2 인스턴스에 기본 설정을 적용합니다.

B. 애플리케이션 데이터가 포함된 루트 Amazon Elastic Block Store(Amazon EBS) 볼륨이 지원하는 AMI를 사용하여 새 EC2 인스턴스를 시작합니다. EC2 인스턴스에 기본 설정을 적용합니다.

C. EC2 인스턴스 스토어 볼륨이 지원하는 AMI를 사용하여 새 EC2 인스턴스를 시작합니다. 애플리케이션 데이터를 포함하려면 Amazon Elastic Block Store(Amazon EBS) 볼륨을 연결하세요. EC2 인스턴스에 기본 설정을 적용합니다.

D. Amazon Elastic Block Store(Amazon EBS) 볼륨이 지원하는 AMI를 사용하여 새 EC2 인스턴스를 시작합니다. 애플리케이션 데이터를 포함할 추가 EC2 인스턴스 스토어 볼륨을 연결합니다. EC2 인스턴스에 기본 설정을 적용합니다.

정답: C

Amazon EC2 instances can use two types of storage volumes: instance store volumes and Amazon EBS volumes. Instance store volumes are ephemeral, meaning they are only attached to the instance for the duration of its life cycle. If the instance is stopped, terminated, or fails, the data on the instance store volume is lost. Amazon EBS volumes are persistent, meaning they can be detached from the instance and attached to another instance, and the data on the volume is preserved. To meet the requirement of persisting the data even if the EC2 instances are terminated, the data engineer must use Amazon EBS volumes to store the application data. The solution is to launch new EC2 instances by using an AMI that is backed by an EC2 instance store volume, which is the default option for most AMIs. Then, the data engineer must attach an Amazon EBS volume to each instance and configure the application to write the data to the EBS volume. This way, the data will be saved on the EBS volume and can be accessed by another instance if needed. The data engineer can apply the default settings to the EC2 instances, as there is no need to modify the instance type, security group, or IAM role for this solution. The other options are either not feasible or not optimal. Launching new EC2 instances by using an AMI that is backed by an EC2 instance store volume that contains the application data (option A) or by using an AMI that is backed by a root Amazon EBS volume that contains the application data (option B) would not work, as the data on the AMI would be outdated and overwritten by the new instances. Attaching an additional EC2 instance store volume to contain the application data (option D) would not work, as the data on the instance store volume would be lost if the instance is terminated. References:
* Amazon EC2 Instance Store
* Amazon EBS Volumes
* AWS Certified Data Engineer - Associate DEA-C01 Complete Study Guide, Chapter 2: Data Store Management, Section 2.1: Amazon EC2

Data-Engineer-Associate-KR 문제 83

한 회사가 100MB 크기의 데이터셋을 Apache Parquet 파일 형식으로 Amazon S3 버킷에 저장했습니다. 데이터 엔지니어는 데이터 전처리 작업을 수행하기 전에 데이터 프로파일링을 해야 합니다.
어떤 솔루션이 운영 효율성을 극대화하면서 이러한 요구 사항을 충족할까요?

A. AWS Glue DataBrew에서 데이터 세트에 대한 프로파일링 작업을 생성합니다. 프로파일링 작업 결과를 검토합니다.

B. SQL 쿼리를 위해 데이터를 Amazon Managed Service for Apache Flink로 스트리밍합니다. Apache Flink 대시보드를 사용하여 데이터 프로파일링을 수행합니다.

C. 데이터를 Amazon Redshift Spectrum에 수집합니다. SQL 쿼리를 사용하여 데이터를 프로파일링합니다.

D. 데이터를 Amazon QuickSight 데이터 세트에 로드합니다. 질문을 사용하여 데이터 프로파일링을 위한 토픽을 생성합니다.

Data-Engineer-Associate-KR 문제 84

한 제조 회사는 운영 효율성을 모니터링하고 향상시키기 위해 공장 현장에서 센서 데이터를 수집합니다. 이 회사는 Amazon Kinesis Data Streams를 사용하여 센서가 수집하는 데이터를 데이터 스트림에 게시합니다. 그런 다음 Amazon Kinesis Data Firehose가 Amazon S3 버킷에 데이터를 씁니다.
회사는 제조 시설의 대형 화면에 운영 효율성을 실시간으로 표시해야 합니다.
가장 낮은 대기 시간으로 이러한 요구 사항을 충족하는 솔루션은 무엇입니까?

A. Apache Flink용 Amazon Managed Service(이전의 Amazon Kinesis Data Analytics)를 사용하여 센서 데이터를 처리합니다. Apache Flink용 커넥터를 사용하여 Amazon Timestream 데이터베이스에 데이터를 씁니다. Timestream 데이터베이스를 소스로 사용하여 Grafana 대시보드를 생성합니다.

B. 새 객체가 생성되면 AWS Lambda 함수에 알림을 보내도록 S3 버킷을 구성합니다. Lambda 함수를 사용하여 Amazon Aurora에 데이터를 게시합니다. Aurora를 소스로 사용하여 Amazon QuickSight 대시보드를 생성하십시오.

C. Apache Flink용 Amazon Managed Service(이전의 Amazon Kinesis Data Analytics)를 사용하여 센서 데이터를 처리합니다. 새로운 Data Firehose 전송 스트림을 생성하여 Amazon Timestream 데이터베이스에 직접 데이터를 게시합니다. Timestream 데이터베이스를 소스로 사용하여 Amazon QuickSight 대시보드를 생성합니다.

D. AWS Glue 북마크를 사용하여 S3 버킷에서 센서 데이터를 실시간으로 읽습니다. Amazon Timestream 데이터베이스에 데이터를 게시합니다. Timestream 데이터베이스를 소스로 사용하여 Grafana 대시보드를 생성합니다.

정답: C

This solution will meet the requirements with the lowest latency because it uses Amazon Managed Service for Apache Flink to process the sensor data in real time and write it to Amazon Timestream, a fast, scalable, and serverless time series database. Amazon Timestream is optimized for storing and analyzing time series data, such as sensor data, and can handle trillions of events per day with millisecond latency. By using Amazon Timestream as a source, you can create an Amazon QuickSight dashboard that displays a real-time view of operational efficiency on a large screen in the manufacturing facility. Amazon QuickSight is a fully managed business intelligence service that can connect to various data sources, including Amazon Timestream, and provide interactive visualizations and insights123.
The other options are not optimal for the following reasons:
A). Use Amazon Managed Service for Apache Flink (previously known as Amazon Kinesis Data Analytics) to process the sensor data. Use a connector for Apache Flink to write data to an Amazon Timestream database.
Use the Timestream database as a source to create a Grafana dashboard. This option is similar to option C, but it uses Grafana instead of Amazon QuickSight to create the dashboard. Grafana is an open source visualization tool that can also connect to Amazon Timestream, but it requires additional steps to set up and configure, such as deploying a Grafana server on Amazon EC2, installing the Amazon Timestream plugin, and creating an IAM role for Grafana to access Timestream. These steps can increase the latency and complexity of the solution.
B). Configure the S3 bucket to send a notification to an AWS Lambda function when any new object is created. Use the Lambda function to publish the data to Amazon Aurora. Use Aurora as a source to create an Amazon QuickSight dashboard. This option is not suitable for displaying a real-time view of operational efficiency, as it introduces unnecessary delays and costs in the data pipeline. First, the sensor data is written to an S3 bucket by Amazon Kinesis Data Firehose, which can have a buffering interval of up to 900 seconds.
Then, the S3 bucket sends a notification to a Lambda function, which can incur additional invocation and execution time. Finally, the Lambda function publishes the data to Amazon Aurora, a relational database that is not optimized for time series data and can have higher storage and performance costs than Amazon Timestream .
D). Use AWS Glue bookmarks to read sensor data from the S3 bucket in real time. Publish the data to an Amazon Timestream database. Use the Timestream database as a source to create a Grafana dashboard. This option is also not suitable for displaying a real-time view of operational efficiency, as it uses AWS Glue bookmarks to read sensor data from the S3 bucket. AWS Glue bookmarks are a feature that helps AWS Glue jobs and crawlers keep track of the data that has already been processed, so that they can resume from where they left off. However, AWS Glue jobs and crawlers are not designed for real-time data processing, as they can have a minimum frequency of 5 minutes and a variable start-up time. Moreover, this option also uses Grafana instead of Amazon QuickSight to create the dashboard, which can increase the latency and complexity of the solution .
1: Amazon Managed Streaming for Apache Flink
2: Amazon Timestream
3: Amazon QuickSight
Analyze data in Amazon Timestream using Grafana
Amazon Kinesis Data Firehose
Amazon Aurora
AWS Glue Bookmarks
AWS Glue Job and Crawler Scheduling

Data-Engineer-Associate-KR 문제 85

데이터 엔지니어는 ETL(추출, 변환 및 로드) 작업을 구축해야 합니다. ETL 작업은 사용자가 Amazon S3 버킷에 업로드하는 매일 수신되는 .csv 파일을 처리합니다. 각 S3 객체의 크기는 100MB 미만입니다.
이러한 요구 사항을 가장 비용 효율적으로 충족하는 솔루션은 무엇입니까?

A. 사용자 정의 Python 애플리케이션을 작성합니다. Amazon Elastic Kubernetes Service(Amazon EKS) 클러스터에서 애플리케이션을 호스팅합니다.

B. PySpark ETL 스크립트를 작성합니다. Amazon EMR 클러스터에서 스크립트를 호스팅합니다.

C. AWS Glue PySpark 작업을 작성합니다. Apache Spark를 사용하여 데이터를 변환합니다.

D. AWS Glue Python 셸 작업을 작성합니다. 팬더를 사용하여 데이터를 변환합니다.

다른 버전: 398Amazon.Data-Engineer-Associate-KR.v2026-05-29.q121; 397Amazon.Data-Engineer-Associate-KR.v2026-05-21.q127; 474Amazon.Data-Engineer-Associate-KR.v2026-04-11.q93; 696Amazon.Data-Engineer-Associate-KR.v2026-04-01.q89; 283Amazon.Data-Engineer-Associate-KR.v2026-03-30.q96; 334Amazon.Data-Engineer-Associate-KR.v2026-03-21.q85; 715Amazon.Data-Engineer-Associate-KR.v2026-02-07.q109; 984Amazon.Data-Engineer-Associate-KR.v2025-03-07.q62; 465Amazon.Data-Engineer-Associate-KR.v2025-03-03.q61

최근 업로드: 108Microsoft.AZ-500-KR.v2026-06-04.q213; 111Microsoft.DP-600-KR.v2026-06-04.q98; 105Microsoft.AZ-204-KR.v2026-06-04.q237; 136Microsoft.PL-600-KR.v2026-06-04.q112; 193Microsoft.SC-300-KR.v2026-06-03.q151; 154Microsoft.DP-600-KR.v2026-06-03.q70; 869PMI.PMP-KR.v2026-06-01.q1069; 231Microsoft.MS-102-KR.v2026-06-01.q252; 211Amazon.DOP-C02-KR.v2026-06-01.q207; 159Microsoft.AZ-104-KR.v2026-06-01.q197