무료 온라인 액세스 Amazon.Data-Engineer-Associate-KR.v2026-05-21.q127 모의 시험 (Page 12)

Data-Engineer-Associate-KR 문제 51

글로벌 금융 회사가 미국 동부 1 지역, 유럽 서부 2 지역, 아시아 태평양 북동부 1 지역의 거래 센터 간 거래 데이터를 거의 실시간으로 동기화해야 합니다. 데이터 전송 중 암호화가 보장되어야 하며, 데이터 순서 및 일관성을 유지하고 지역 간 재해 복구를 지원해야 합니다. 또한, 데이터 지연 시간은 500밀리초 미만이어야 합니다.
어떤 솔루션이 최소한의 운영 노력으로 이러한 요구 사항을 충족할까요?

A. 각 AWS 리전에 Apache Kafka Connect를 배포합니다. 사용자 지정 커넥터를 사용하여 리전 간 데이터 복제를 설정합니다. SSL 보안 프로토콜을 구성합니다.

B. Amazon Managed Streaming for Apache Kafka(Amazon MSK) Replicator를 사용하여 세 개의 AWS 리전에 있는 MSK 클러스터 간에 완전히 상호 연결된 복제 관계를 설정합니다. TLS 암호화 및 IAM 인증을 활성화합니다. 리전 간 백업 구성을 설정합니다.

C. 각 AWS 리전에 Apache Kafka MirrorMaker 2.0을 배포합니다. 리전 간 데이터 동기화를 처리하기 위해 사용자 지정 복제 정책을 설정합니다. SSL 보안 프로토콜을 구성합니다.

D. Amazon Kinesis Data Streams를 사용하여 각 AWS 리전에서 거래 데이터를 수신합니다. Amazon Data Firehose를 사용하여 각 리전의 Amazon Managed Streaming for Apache Kafka(Amazon MSK) 클러스터 간에 데이터를 복제합니다. AWS Key Management Service(AWS KMS) 암호화 및 IAM 역할을 구성하여 액세스를 관리합니다.

Data-Engineer-Associate-KR 문제 52

한 회사는 개인 식별 정보(PII)가 포함된 고객 데이터를 Amazon Redshift 클러스터에 저장합니다. 회사의 마케팅, 클레임 및 분석 팀은 고객 데이터에 액세스할 수 있어야 합니다.
마케팅 팀은 난독화된 청구 정보에 접근할 수 있어야 하지만, 고객 연락처 정보에는 전체 접근할 수 있어야 합니다.
청구팀은 처리하는 각 청구에 대한 고객 정보에 접근할 수 있어야 합니다.
분석팀은 난독화된 PII 데이터에만 액세스할 수 있어야 합니다.
어떤 솔루션이 관리 부담을 최소화하면서 이러한 데이터 접근 요구 사항을 적용할 수 있을까요?

A. 각 팀에 대해 별도의 Redshift 클러스터를 만듭니다. 각 팀에 필요한 데이터만 로드합니다. 팀에 따라 클러스터에 대한 액세스를 제한합니다.

B. 각 데이터 요구 사항에 필요한 필드를 포함하는 뷰를 만듭니다. 각 팀에 필요한 뷰에만 팀에 액세스 권한을 부여합니다.

C. 각 팀에 대해 별도의 Amazon Redshift 데이터베이스 역할을 만듭니다. 각 팀에 별도로 적용되는 마스킹 정책을 정의합니다. 각 팀 역할에 적절한 마스킹 정책을 첨부합니다.

D. 고객 데이터를 Amazon S3 버킷으로 이동합니다. AWS Lake Formation을 사용하여 데이터 레이크를 만듭니다. 세분화된 보안 기능을 사용하여 각 팀에 데이터 액세스에 대한 적절한 권한을 부여합니다.

정답: B

Step 1: Understand the Data Access Requirements
The question presents distinct access needs for three teams:
Marketing team: Needs full access to customer contact info but only obfuscated claim information.
Claims team: Needs access to customer information relevant to the claims they process.
Analytics team: Needs only obfuscated PII data.
These teams require different levels of access, and the solution needs to enforce data security while keeping administrative overhead low.
Step 2: Why Option B is Correct
Option B (Creating Views) is a common best practice in Amazon Redshift to restrict access to specific data without duplicating data or managing multiple clusters. By creating views:
You can define customized views of the data with obfuscated fields for the analytics team and marketing team while still providing full access where necessary.
Views provide a logical separation of data and allow Redshift administrators to grant access permissions based on roles or groups, ensuring that each team sees only what they are allowed to.
Obfuscation or masking of PII can be easily applied to the views by transforming or hiding sensitive data fields.
This approach avoids the complexity of managing multiple Redshift clusters or S3-based data lakes, which introduces higher operational and administrative overhead.
Step 3: Why Other Options Are Not Ideal
Option A (Separate Redshift Clusters) introduces unnecessary administrative overhead by managing multiple clusters. Maintaining several clusters for each team is costly, redundant, and inefficient.
Option C (Separate Redshift Roles) involves creating multiple roles and managing complex masking policies, which adds to administrative burden and complexity. While Redshift does support column-level access control, it's still more overhead than managing simple views.
Option D (Move to S3 and Lake Formation) is a more complex and heavy-handed solution, especially when the data is already stored in Redshift. Migrating the data to S3 and setting up a data lake with Lake Formation introduces significant operational complexity that isn't needed for this specific requirement.
Conclusion:
Creating views in Amazon Redshift allows for flexible, fine-grained access control with minimal overhead, making it the optimal solution to meet the data access requirements of the marketing, claims, and analytics teams.

Data-Engineer-Associate-KR 문제 53

한 회사가 스트리밍 서비스에서 수집된 시계열 데이터를 Amazon S3 버킷에 저장합니다. 회사는 회사 VPC 내에 배포된 워크로드만 데이터에 액세스할 수 있도록 해야 합니다.
어떤 솔루션이 이 요구 사항을 충족할 수 있을까요?

A. 회사 VPC에서 발생하는 트래픽에만 액세스를 허용하는 조건을 사용하는 S3 버킷 정책을 만듭니다.

B. 회사의 VPC CIDR 블록에서만 연결을 허용하는 보안 그룹을 S3 버킷에 적용합니다.

C. 회사의 VPC 내부에서 요청이 발생하지 않는 한 모든 사용자의 액세스를 거부하는 IAM 정책을 정의합니다.

D. VPC 서브넷에서 네트워크 ACL을 사용하여 특정 리소스만 S3 버킷에 액세스하도록 허용합니다.

Data-Engineer-Associate-KR 문제 54

데이터 엔지니어는 Amazon S3 버킷에 있는 데이터에 대해 Amazon Athena 쿼리를 실행합니다. Athena 쿼리는 AWS Glue 데이터 카탈로그를 메타데이터 테이블로 사용합니다.
데이터 엔지니어는 Athena 쿼리 계획에 성능 병목 현상이 발생하고 있음을 발견했습니다. 데이터 엔지니어는 성능 병목 현상의 원인이 S3 버킷에 있는 많은 수의 파티션이라고 판단합니다. 데이터 엔지니어는 성능 병목 현상을 해결하고 Athena 쿼리 계획 시간을 줄여야 합니다.
어떤 솔루션이 이러한 요구 사항을 충족합니까? (2개를 선택하세요.)

A. AWS Glue 파티션 인덱스를 생성합니다. 파티션 필터링을 활성화합니다.

B. 사용자 쿼리의 WHERE 절에서 데이터가 공통으로 갖는 열을 기준으로 데이터를 버킷합니다.

C. S3 버킷 접두사를 기반으로 Athena 파티션 프로젝션을 사용합니다.

D. S3 버킷에 있는 데이터를 Apache Parquet 형식으로 변환합니다.

E. Amazon EMR S3DistCP 유틸리티를 사용하여 S3 버킷의 작은 객체를 더 큰 객체로 결합합니다.

정답: A,C

The best solutions to resolve the performance bottleneck and reduce Athena query planning time are to create an AWS Glue partition index and enable partition filtering, and to use Athena partition projection based on the S3 bucket prefix.
AWS Glue partition indexes are a feature that allows you to speed up query processing of highly partitioned tables cataloged in AWS Glue Data Catalog. Partition indexes are available for queries in Amazon EMR, Amazon Redshift Spectrum, and AWS Glue ETL jobs. Partition indexes are sublists of partition keys defined in the table. When you create a partition index, you specify a list of partition keys that already exist on a given table. AWS Glue then creates an index for the specified keys and stores it in the Data Catalog. When you run a query that filters on the partition keys, AWS Glue uses the partition index to quickly identify the relevant partitions without scanning the entire table metadata. This reduces the query planning time and improves the query performance1.
Athena partition projection is a feature that allows you to speed up query processing of highly partitioned tables and automate partition management. In partition projection, Athena calculates partition values and locations using the table properties that you configure directly on your table in AWS Glue. The table properties allow Athena to 'project', or determine, the necessary partition information instead of having to do a more time-consuming metadata lookup in the AWS Glue Data Catalog. Because in-memory operations are often faster than remote operations, partition projection can reduce the runtime of queries against highly partitioned tables. Partition projection also automates partition management because it removes the need to manually create partitions in Athena, AWS Glue, or your external Hive metastore2.
Option B is not the best solution, as bucketing the data based on a column that the data have in common in a WHERE clause of the user query would not reduce the query planning time. Bucketing is a technique that divides data into buckets based on a hash function applied to a column. Bucketing can improve the performance of join queries by reducing the amount of data that needs to be shuffled between nodes. However, bucketing does not affect the partition metadata retrieval, which is the main cause of the performance bottleneck in this scenario3.
Option D is not the best solution, as transforming the data that is in the S3 bucket to Apache Parquet format would not reduce the query planning time. Apache Parquet is a columnar storage format that can improve the performance of analytical queries by reducing the amount of data that needs to be scanned and providing efficient compression and encoding schemes. However, Parquet does not affect the partition metadata retrieval, which is the main cause of the performance bottleneck in this scenario4.
Option E is not the best solution, as using the Amazon EMR S3DistCP utility to combine smaller objects in the S3 bucket into larger objects would not reduce the query planning time. S3DistCP is a tool that can copy large amounts of data between Amazon S3 buckets or from HDFS to Amazon S3. S3DistCP can also aggregate smaller files into larger files to improve the performance of sequential access. However, S3DistCP does not affect the partition metadata retrieval, which is the main cause of the performance bottleneck in this scenario5. References:
Improve query performance using AWS Glue partition indexes
Partition projection with Amazon Athena
Bucketing vs Partitioning
Columnar Storage Formats
S3DistCp
AWS Certified Data Engineer - Associate DEA-C01 Complete Study Guide

Data-Engineer-Associate-KR 문제 55

한 회사는 AWS Glue에서 ETL(추출, 변환 및 로드) 데이터 파이프라인을 생성했습니다. 데이터 엔지니어는 Microsoft SQL Server에 있는 테이블을 크롤링해야 합니다. 데이터 엔지니어는 크롤링 출력을 추출, 변환하고 Amazon S3 버킷에 로드해야 합니다. 데이터 엔지니어는 데이터 파이프라인도 조정해야 합니다.
이러한 요구 사항을 가장 비용 효율적으로 충족하는 AWS 서비스 또는 기능은 무엇입니까?

A. AWS Step Functions

B. AWS Glue 워크플로

C. AWS Glue 스튜디오

D. Apache Airflow용 Amazon 관리형 워크플로(Amazon MWAA)

정답: B

AWS Glue workflows are a cost-effective way to orchestrate complex ETL jobs that involve multiple crawlers, jobs, and triggers. AWS Glue workflows allow you to visually monitor the progress and dependencies of your ETL tasks, and automatically handle errors and retries. AWS Glue workflows also integrate with other AWS services, such as Amazon S3, Amazon Redshift, and AWS Lambda, among others, enabling you to leverage these services for your data processing workflows. AWS Glue workflows are serverless, meaning you only pay for the resources you use, and you don't have to manage any infrastructure.
AWS Step Functions, AWS Glue Studio, and Amazon MWAA are also possible options for orchestrating ETL pipelines, but they have some drawbacks compared to AWS Glue workflows. AWS Step Functions is a serverless function orchestrator that can handle different types of data processing, such as real-time, batch, and stream processing. However, AWS Step Functions requires you to write code to define your state machines, which can be complex and error-prone. AWS Step Functions also charges you for every state transition, which can add up quickly for large-scale ETL pipelines.
AWS Glue Studio is a graphical interface that allows you to create and run AWS Glue ETL jobs without writing code. AWS Glue Studio simplifies the process of building, debugging, and monitoring your ETL jobs, and provides a range of pre-built transformations and connectors. However, AWS Glue Studio does not support workflows, meaning you cannot orchestrate multiple ETL jobs or crawlers with dependencies and triggers. AWS Glue Studio also does not support streaming data sources or targets, which limits its use cases for real-time data processing.
Amazon MWAA is a fully managed service that makes it easy to run open-source versions of Apache Airflow on AWS and build workflows to run your ETL jobs and data pipelines. Amazon MWAA provides a familiar and flexible environment for data engineers who are familiar with Apache Airflow, and integrates with a range of AWS services such as Amazon EMR, AWS Glue, and AWS Step Functions. However, Amazon MWAA is not serverless, meaning you have to provision and pay for the resources you need, regardless of your usage. Amazon MWAA also requires you to write code to define your DAGs, which can be challenging and time-consuming for complex ETL pipelines. References:
* AWS Glue Workflows
* AWS Step Functions
* AWS Glue Studio
* Amazon MWAA
* AWS Certified Data Engineer - Associate DEA-C01 Complete Study Guide

다른 버전: 398Amazon.Data-Engineer-Associate-KR.v2026-05-29.q121; 417Amazon.Data-Engineer-Associate-KR.v2026-05-19.q119; 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