A. 프로덕션 데이터에 대한 접근은 항상 패스스루 자격 증명을 사용하여 검증되므로 모든 Databricks 개발 환경에 데이터를 마운트하는 것이 안전합니다.

B. 모든 개발, 테스트 및 프로덕션 코드와 데이터는 단일 통합 작업 공간에 존재해야 합니다. 테스트와 개발을 위한 별도의 환경을 구축하면 위험을 더욱 줄일 수 있습니다.

C. 대화형 코드가 실행되는 환경에서는 프로덕션 데이터에 대해 읽기 권한만으로 접근할 수 있어야 하며, 각 환경별로 격리된 데이터베이스를 생성하면 위험을 더욱 줄일 수 있습니다.

D. Delta Lake는 모든 데이터를 버전 관리하고 타임 트래블을 지원하기 때문에 사용자 오류나 악의적인 공격자가 프로덕션 데이터를 영구적으로 삭제하는 것이 불가능합니다. 따라서 프로덕션 데이터를 어디에든 마운트해도 일반적으로 안전합니다.

A. Databrick REST API를 사용하여 작업을 모니터링하고 재시작합니다.

B. 작업 실행, 활성 실행 UI 섹션을 사용하여 작업을 모니터링하고 다시 시작하세요.

C. 두 번째 작업을 추가하고, 첫 번째 작업이 실패할 경우 다시 실행되도록 검사 조건을 추가합니다.

D. 작업 클러스터를 재시작하면 작업이 자동으로 재시작됩니다.

E. 작업에 재시도 정책을 추가합니다.

A. 구조화된 스트리밍은 GPU의 병렬 처리를 활용하여 높은 병렬 데이터 처리량을 달성합니다.

B. Structured Streaming은 메시징 버스로 구현되며 Apache Kafka에서 파생되었습니다.

C. 구조화된 스트리밍은 특수 하드웨어와 I/O 스트림을 사용하여 데이터 전송 지연 시간을 1초 미만으로 줄입니다.

D. 구조화된 스트리밍 모델은 데이터 스트림에 도착하는 새로운 데이터를 무한한 테이블에 추가되는 새로운 행으로 모델링합니다.

E. 구조화된 스트리밍은 캐시된 단계에 대한 증분 상태 값을 저장하는 분산 노드 네트워크에 의존합니다.

A. 예상과 다른 레코드는 대상 데이터 세트에 추가되고 이벤트 로그에는 유효하지 않은 것으로 기록됩니다.

B. 예상과 다른 레코드는 대상 데이터 세트에서 삭제되고 이벤트 로그에 유효하지 않은 것으로 기록됩니다.

C. 예상과 다른 기록이 있으면 작업이 실패합니다.

D. 예상과 다른 레코드는 대상 데이터 세트에 추가되고 대상 데이터 세트에 추가된 필드에 유효하지 않음으로 표시됩니다.

E. 예상과 다른 레코드는 대상 데이터 세트에서 삭제되고 격리 테이블로 로드됩니다.

A. 1.(spark.table("sales")
2..groupBy("store")
3..agg(sum("sales"))
4..writeStream
5..옵션("checkpointLocation", checkpointPath)
6..outputMode("complete")
7..table("aggregatedSales") )
(옳은)

B. 1.(spark.table("sales")
2..writeStream
3..옵션("체크포인트 위치", 체크포인트 경로)
4..outputMode("complete")
5..테이블("판매량") )

C. 1.(spark.table("sales")
2..withColumn("avgPrice", col("sales") / col("units"))
3..writeStream
4..옵션("checkpointLocation", checkpointPath)
5..outputMode("append")
6..table("cleanedSales") )

D. 1.(spark.readStream.load(rawSalesLocation)
2..writeStream
3..옵션("체크포인트 위치", 체크포인트 경로)
4..outputMode("append")
5..table("uncleanedSales") )

E. 1.(spark.read.load(rawSalesLocation)
2. .writeStream
3. .option("checkpointLocation", checkpointPath)
4. .outputMode("append")
5. .table("uncleanedSales") )