A. Kafka Connect를 사용하여 Kafka 메시지 대기열을 Cloud Pub/Sub에 연결합니다. Cloud Dataflow 템플릿을 사용하여 Cloud Pub/Sub에서 Cloud Bigtable로 메시지를 씁니다. Cloud 스케줄러를 사용하여 지난 1시간 동안 Cloud Bigtable에서 생성된 행 수를 계산하는 스크립트를 매시간 실행합니다. 그 숫자가 4000 아래로 떨어지면 경고를 보내십시오.

B. Kafka Connect를 사용하여 Kafka 메시지 대기열을 Cloud Pub/Sub에 연결합니다. Cloud Dataflow 템플릿을 사용하여 Cloud Pub/Sub에서 BigQuery로 메시지를 작성합니다. Cloud Scheduler를 사용하여 지난 1시간 동안 BigQuery에서 생성된 행 수를 계산하는 스크립트를 5분마다 실행합니다. 그 숫자가 아래로 떨어지면
4000, 경고를 보냅니다.

C. Kafka IO를 사용하여 Cloud Dataflow에서 데이터 스트림을 사용합니다. 5분마다 1시간의 슬라이딩 시간 창을 설정합니다. 창이 닫힐 때 평균을 계산하고 평균이 4000개 메시지 미만이면 경고를 보냅니다.

D. Kafka IO를 사용하여 Cloud Dataflow의 데이터 스트림을 사용합니다. 고정 시간 창을 1시간으로 설정합니다. 창이 닫힐 때 평균을 계산하고 평균이 4000개 메시지 미만이면 경고를 보냅니다.

A. Transfer Appliance를 사용하여 데이터를 Cloud Storage에 복사

B. gsutil cp J를 사용하여 Cloud Storage에 업로드되는 콘텐츠 압축

C. 이력 데이터에 대한 private URL을 생성한 후 Storage Transfer Service를 사용하여 데이터를 Cloud Storage에 복사합니다.

D. gsutil cp와 함께 Trickle 또는 ionice를 사용하여 gsutil이 사용하는 대역폭의 양을 20Mb/sec 미만으로 제한하여 프로덕션 트래픽을 방해하지 않도록 합니다.

A. 사기 가능성이 가장 높은 거래를 결정하기 위한 비지도 학습.

B. 거래의 위치를 ​​예측하는 강화 학습.

C. 거래 위치를 예측하는 비지도 학습.

D. 기능 유사도에 따라 트랜잭션을 N개의 범주로 나누는 클러스터링.

E. 거래 위치를 예측하는 지도 학습.

F. 사기 가능성이 가장 높은 거래를 결정하기 위한 지도 학습.

A. BigQuery에서 테이블을 만들고 CPU 및 메모리에 대한 새 샘플을 테이블에 추가합니다.

B. BigQuery에서 와이드 테이블 생성, 매초 샘플 값에 대한 컬럼 생성, 매초 간격으로 행 업데이트

C. Computer Engine 컴퓨터 식별자와 초당 샘플 시간을 결합하는 행 키로 Cloud Bigtable에 좁은 테이블을 만듭니다.

D. 컴퓨터 식별자와 분당 샘플 시간을 결합하는 행 키로 Cloud Bigtable에 와이드 테이블을 생성하고, 초 단위 값을 열 데이터로 결합합니다.

A. BigQuery에서 와이드 테이블 생성, 매초 샘플 값에 대한 컬럼 생성, 매초 간격으로 행 업데이트

B. BigQuery에서 테이블을 만들고 CPU 및 메모리에 대한 새 샘플을 테이블에 추가합니다.

C. 컴퓨터 식별자와 분당 샘플 시간을 결합한 행 키로 Cloud Bigtable에 와이드 테이블을 생성하고, 초 단위 값을 컬럼 데이터로 결합합니다.

D. Computer Engine 컴퓨터 식별자와 초당 샘플 시간을 결합하는 행 키로 Cloud Bigtable에 좁은 테이블을 만듭니다.