A. 1. 분석을 위해 과거 데이터를 BigQuery에 저장합니다. 2. 구체화된 뷰를 사용하여 제품의 마지막 상태를 미리 계산합니다. 3. 마지막 상태 데이터를 BigQuery에서 API로 직접 제공합니다.

B. 1. 분석을 위해 과거 데이터를 Cloud SQL에 저장합니다. 2. 제품 변경 후 제품의 최종 상태를 별도의 테이블에 저장합니다. 3. Cloud SQL에서 API로 최종 상태 데이터를 직접 제공합니다.

C. 1. 각 제품에 대한 변경 내역 세트를 포함하여 제품을 Firestore에 컬렉션으로 저장합니다. 2.
분석을 위해 단순 쿼리와 복합 쿼리를 사용하세요. 3. 최신 상태 데이터를 Firestore에서 API로 직접 제공하세요.

D. 1. 분석을 위해 과거 데이터를 BigQuery에 저장합니다. 2. 제품 변경 후 제품의 최종 상태를 Cloud SQL 테이블에 저장합니다. 3. Cloud SQL에서 API로 최종 상태 데이터를 직접 제공합니다.

A. 클라우드 데이터프로크 마스터에 클라우드 SQL 프록시를 배포합니다.

B. SSH 터널을 사용하여 Cloud Dataproc 클러스터가 인터넷에 액세스할 수 있도록 합니다.

C. 모든 종속 파일을 VPC 보안 영역 내의 클라우드 스토리지 버킷에 복사합니다.

D. 리소스 관리자를 사용하여 클라우드 데이터프로세스 클러스터에서 사용하는 서비스 계정을 네트워크 사용자 역할에 추가합니다.

A. Rewrite your models on TensorFlow, and start using Cloud ML Engine

B. Use Cloud ML Engine for training existing Spark ML models

C. Spin up a Spark cluster on Compute Engine, and train Spark ML models on the data exported from BigQuery

D. Use Cloud Dataproc for training existing Spark ML models, but start reading data directly from BigQuery

A. BigQuery 데이터 전송 서비스를 사용하여 마이그레이션을 예약하세요. 데이터가 BigQuery에 입력되면 클라우드 데이터 손실 방지(Cloud DLP) API에 연결하여 필요한 데이터를 익명화하세요.

B. Python용 Apache Beam SDK를 통해 Dataflow로 파이프라인을 생성하고, 스트리밍, 배치 처리 및 클라우드 DLP에 대한 개별 옵션을 코드 내에서 사용자 지정하고, 데이터 싱크로 BigQuery를 선택하세요.

C. 클라우드 데이터 퓨전을 사용하여 파이프라인을 설계하고, 클라우드 DLP 플러그인을 사용하여 파이프라인 내에서 데이터를 익명화한 다음, 데이터를 BigQuery로 이동합니다.

D. Datastream을 설정하여 온프레미스 데이터를 BigQuery에 복제합니다.

A. 워크로드를 Google Cloud Dataflow로 마이그레이션

B. 클러스터에 선점형 가상 머신(VM) 사용

C. 작업 속도를 높이기 위해 메모리 용량이 더 큰 노드를 사용합니다.

D. 워커 노드에 SSD를 사용하여 작업 속도를 높이십시오.