A. IAM 역할을 사용하여 액세스 제어를 활성화합니다.

B. 고객 관리 암호화 키(CMEK)를 사용하여 데이터를 암호화합니다.

C. SQL GRANT 문을 사용하여 데이터 세트 권한을 업데이트합니다.

D. 데이터를 Cloud Storage로 내보내고 서명된 URL을 사용하여 액세스를 승인합니다.

A. Cloud Composer 환경을 설정하여 사용자 지정 데이터 파이프라인을 구성합니다. Python 스크립트를 사용하여 MySQL 데이터베이스에서 데이터를 추출하여 Compute Engine의 MySQL에 로드합니다.

B. MySQL 데이터베이스를 CSV 파일로 내보내고, Storage Transfer Service를 사용하여 파일을 Cloud Storage로 전송하고, 파일을 Cloud SQL for MySQL 인스턴스에 로드합니다.

C. Database Migration Service를 사용하여 MySQL 데이터베이스를 Cloud SQL for MySQL 인스턴스로 복제합니다.

D. Cloud Data Fusion을 사용하여 MySQL 데이터베이스를 Compute Engine의 MySQL로 마이그레이션합니다.

A. NumPy를 사용하는 Cloud Run 함수를 만듭니다. Cloud Scheduler를 사용하여 함수가 일주일에 한 번 실행되도록 예약합니다.

B. Colab Enterprise 노트북을 만들고 bigframes.pandas 라이브러리를 사용합니다. 노트북이 일주일에 한 번 실행되도록 예약합니다.

C. Cloud Data Fusion 및 Wrangler 흐름을 생성합니다. 흐름이 ​​일주일에 한 번 실행되도록 예약합니다.

D. Python으로 코딩된 Dataflow 방향성 비순환 그래프(DAG)를 만듭니다. Cloud Scheduler를 사용하여 코드가 일주일에 한 번 실행되도록 예약합니다.

A. Cloud Composer를 사용하여 Pub/Sub에서 데이터를 읽고 Python 스크립트를 사용하여 데이터를 처리하고 BigQuery에 쓰는 워크플로를 조정합니다.

B. Dataproc을 사용하여 Pub/Sub에서 데이터를 읽고, 데이터를 처리하고, BigQuery에 쓰는 Apache Spark 스트리밍 작업을 만듭니다.

C. Dataflow를 사용하여 Pub/Sub에서 데이터를 읽고, 데이터를 처리하고, 스트리밍 API를 사용하여 BigQuery에 쓰는 스트리밍 파이프라인을 만듭니다.

D. Cloud Run 함수를 사용하여 Pub/Sub 주제를 구독하고, 데이터를 처리하고, 스트리밍 API를 사용하여 BigQuery에 씁니다.

A. Python 노트북 내에서 BigQuery 테이블을 쿼리하고, Gemini API를 사용하여 노트북 내의 데이터를 요약하고, BigQuery에 요약을 저장합니다.

B. BigQuery ML 모델을 사용하여 텍스트 데이터를 사전 처리하고, 결과를 Cloud Storage로 내보내고, Gemini API를 사용하여 사전 처리된 데이터를 요약합니다.

C. Vertex AI에서 원격 모델에 대한 BigQuery Cloud 리소스 연결을 만들고 Gemini를 사용하여 데이터를 요약합니다.

D. 원시 BigQuery 데이터를 CSV 파일로 내보내고 Cloud Storage에 업로드한 다음 Gemini API를 사용하여 데이터를 요약합니다.