A. 모든 영구 디스크에서 --no-auto-delete 플래그를 사용하고 VM을 중지합니다.

B. 모든 영구 디스크에서 -auto-delete 플래그를 사용하고 VM을 종료합니다.

C. VM CPU 사용률 라벨을 적용하고 BigQuery 결제 내보내기에 포함합니다.

D. Google BigQuery 결제 내보내기 및 라벨을 사용하여 비용을 그룹에 연결합니다.

E. 모든 상태를 로컬 SSD에 저장하고 영구 디스크의 스냅샷을 만들고 VM을 종료합니다.

F. Google Cloud Storage에 모든 상태를 저장하고 영구 디스크의 스냅샷을 만들고 VM을 종료합니다.

A. Google Data Studio를 BigQuery에 연결합니다. 사용자에 대한 측정기준과 사용자당 쿼리 양에 대한 측정항목을 만듭니다.

B. BigQuery 인터페이스에서 JOBS 테이블에 대한 쿼리를 실행하여 필요한 정보를 가져옵니다.

C. 'bq show'를 사용하여 모든 작업을 나열합니다. 작업별로 'bq Is'를 사용하여 작업 정보를 나열하고 필요한 정보를 가져옵니다.

D. Cloud Audit Logging을 사용하여 Cloud 감사 로그를 보고 쿼리 작업에 대한 필터를 만들어 필요한 정보를 가져옵니다.

A. 현재 배치 ETL 코드를 Cloud Dataflow로 마이그레이션하는 경우의 영향을 평가합니다.

B. BigQuery에서 더 나은 성능을 위해 데이터를 비정규화하는 스키마 마이그레이션 계획을 작성합니다.

C. 단일 MySQL 데이터베이스에서 MySQL 클러스터로 이동하는 방법을 보여주는 아키텍처 다이어그램을 그립니다.

D. 이전 게임의 분석 데이터 10TB를 Cloud SQL 인스턴스로 로드하고 전체 데이터세트에 대해 테스트 쿼리를 실행하여 성공적으로 완료되었는지 확인합니다.

E. Cloud Armor를 통합하여 Cloud Storage에 업로드된 분석 파일에서 발생할 수 있는 SQL 주입 공격을 방어합니다.

A. 프로덕션 부하를 시뮬레이션하기 위해 GCP에서 확장 가능한 환경을 만듭니다.

B. 기존 인프라를 사용하여 대규모로 GCP 기반 백엔드를 테스트합니다.

C. 부하를 시뮬레이션하기 위해 GCP 내부 리소스를 사용하여 애플리케이션의 각 구성요소에 스트레스 테스트를 빌드합니다.

D. GCP에서 정적 환경 세트를 만들어 다양한 수준의 부하(예: 높음, 중간, 낮음)를 테스트합니다.

A. 각 지역에서 클러스터를 시작하여 원시 데이터를 사전 처리하고 압축한 다음 데이터를 지역 버킷으로 이동하고 Cloud Dataproc 클러스터를 사용하여 작업을 완료합니다.

B. 모든 데이터를 한 지역으로 이동한 다음 Google Cloud Dataproc 클러스터를 시작하여 작업을 실행합니다.

C. 각 리전에서 클러스터를 시작하여 원시 데이터를 전처리 및 압축한 다음 데이터를 다중 리전 버킷으로 이동하고 Dataproc 클러스터를 사용하여 작업을 완료합니다.

D. 모든 데이터를 1개의 영역으로 이동한 다음 Cloud Dataproc 클러스터를 시작하여 작업을 실행합니다.