A. 초기화 작업 설정

B. 클러스터 속성을 사용하여 구성 파일 수정

C. Cloud Deployment Manager를 사용하여 클러스터 구성

D. 마스터 노드에 로그인하고 거기에서 변경

A. 관리형 내보내기를 사용하고 Nearline 또는 Coldline 클래스를 사용하여 Cloud Storage 버킷에 데이터를 저장합니다.

B. 관리형 내보내기를 사용한 다음 해당 내보내기용으로 예약된 고유한 네임스페이스 아래 별도의 프로젝트에서 Cloud Datastore로 가져옵니다.

C. Cloud Datastore 클라이언트 라이브러리를 사용하여 모든 항목을 읽는 애플리케이션을 작성합니다. 내보낸 데이터를 JSON 파일로 형식화합니다. Cloud Source Repositories에 데이터를 저장하기 전에 압축을 적용하세요.

D. 관리형 내보내기를 사용한 다음 해당 내보내기용으로 생성된 BigQuery 테이블로 데이터를 가져오고 임시 내보내기 파일을 삭제합니다.

E. Cloud Datastore 클라이언트 라이브러리를 사용하여 모든 항목을 읽는 애플리케이션을 작성합니다. BigQuery 스트리밍 삽입을 통해 각 항목을 BigQuery 테이블 행으로 취급합니다. 각 내보내기에 대해 내보내기 타임스탬프를 할당하고 각 행에 대한 추가 열로 첨부합니다. 내보내기 타임스탬프 열을 사용하여 BigQuery 테이블의 파티션을 나눴는지 확인하세요.

A. Cloud Pub/Sub가 Cloud Dataflow로 메시지를 푸시하는 대신 Cloud Pub/Sub에서 메시지를 가져오도록 Cloud Dataflow를 전환합니다.

B. Cloud Dataflow 파이프라인을 통해 고정 데이터 세트를 실행하고 출력을 분석합니다.

C. 대시보드 애플리케이션이 제대로 표시되지 않는지 확인합니다.

D. Cloud Pub/Sub에서 Google Stackdriver Monitoring을 사용하여 누락된 메시지를 찾습니다.

A. BigQuery 측정항목 쿼리/scanned_bytes를 기반으로 Stackdriver Monitoring 대시보드 만들기

B. 조직 수준에서 집계된 로그 내보내기 생성, BigQuery 작업 실행 로그 캡처, totalSlotMs 기반 커스텀 메트릭 생성, 커스텀 메트릭 기반 Stackdriver Monitoring 대시보드 생성

C. BigQuery 측정항목 슬롯/allocated_for_project를 기반으로 Stackdriver Monitoring 대시보드 만들기

D. 각 프로젝트에 대한 로그 내보내기 생성, BigQuery 작업 실행 로그 캡처, totalSlotMs 기반 커스텀 측정항목 생성, 커스텀 측정항목 기반 Stackdriver Monitoring 대시보드 생성

A. Compute Engine에서 Spark 클러스터를 가동하고 BigQuery에서 내보낸 데이터로 Spark ML 모델을 학습시킵니다.

B. 기존 Spark ML 모델 학습에 Cloud Dataproc을 사용하지만 BigQuery에서 직접 데이터 읽기 시작

C. TensorFlow에서 모델을 다시 작성하고 Cloud ML Engine 사용 시작

D. Cloud ML Engine을 사용하여 기존 Spark ML 모델 학습