무료 온라인 액세스 Google.Professional-Data-Engineer.v2026-09-29.q333 모의 시험 (Page 14)

Professional-Data-Engineer 문제 61

Cloud Spanner에서 제품 판매 데이터를 저장하는 새로운 거래 테이블을 생성해야 합니다. 기본 키로 무엇을 사용할지 결정해야 하는데, 성능 측면에서 어떤 전략을 선택하는 것이 좋을까요?

A. 판매 시스템의 원래 주문 식별 번호이며, 단조 증가하는 정수입니다.

B. 제품명과 현재 에포크 시간을 연결한 값

C. 현재 시대 시간

D. 임의의 고유 식별 번호(버전 4 UUID)

Professional-Data-Engineer 문제 62

귀사에서는 BigQuery에 저장된 데이터를 사용하여 보고서를 생성하고 있습니다. 그런데 일부 주간 경영 보고서 필드가 회사 표준 형식과 일치하지 않는 것을 발견했습니다. 예를 들어, 전화번호 형식이나 국가 코드 식별자가 서로 다른 오류를 보이고 있습니다. 이러한 문제가 빈번하게 발생하므로, 데이터를 표준화하기 위한 반복 작업을 생성해야 합니다. 코딩 없이 신속하게 해결할 수 있는 방법을 찾고 있습니다. 어떻게 해야 할까요?

A. BigQuery와 GoogleSQL을 사용하여 데이터를 정규화하고, BigQuery에서 반복적인 쿼리를 예약합니다.

B. Spark 작업을 생성하고 Dataproc Serverless에 제출합니다.

C. Dataflow SQL을 사용하여 데이터를 정규화하는 작업을 생성하고, 첫 번째 작업 실행 후 파이프라인이 반복적으로 실행되도록 예약합니다.

D. 클라우드 데이터 퓨전과 랭글러를 사용하여 데이터를 정규화하고 반복 작업을 설정합니다.

Professional-Data-Engineer 문제 63

현재 BigQuery 온디맨드 환경을 관리하고 있습니다. 비즈니스 인텔리전스 도구가 매일 수백 건의 쿼리를 실행하여 50TB 규모의 대형 매출 이력 팩트 테이블을 일별 및 월별로 집계하고 있습니다. 이러한 쿼리는 응답 속도가 느리고 비용 측면에서 예상치를 초과하고 있습니다. 응답 시간을 단축하고 쿼리 비용을 낮추며 유지 관리를 최소화해야 합니다. 어떻게 해야 할까요?

A. 매출 테이블을 기반으로 구체화된 뷰를 구축하여 일별 및 월별 수준으로 데이터를 집계합니다.

B. 매출 테이블을 기반으로 권한 있는 뷰를 구축하여 일별 및 월별 수준으로 데이터를 집계합니다.

C. BL 엔진을 활성화하고 판매 테이블을 기본 테이블로 추가하세요.

D. 시간 단위로 일별 및 월별 매출 집계 테이블을 생성하는 예약 쿼리를 생성합니다.

정답: A

대규모 판매 내역 팩트 테이블을 집계하는 빈번한 쿼리의 응답 시간을 개선하고 비용을 절감하려면 구체화된 뷰가 매우 효과적인 솔루션입니다. 옵션 A가 최선의 선택인 이유는 다음과 같습니다.
구체화된 뷰:
구체화된 뷰는 쿼리 결과를 물리적으로 저장하고 주기적으로 업데이트하여 자주 액세스하는 데이터에 대해 더 빠른 쿼리 응답 속도를 제공합니다.
이러한 기능은 결과를 미리 계산하여 반복적이고 비용이 많이 드는 집계 쿼리의 성능을 향상시키도록 설계되었습니다.
효율성 및 비용 절감:
일별 및 월별 수준으로 구체화된 뷰를 구축하면 각 쿼리에 필요한 계산량이 크게 줄어들어 응답 시간이 단축되고 쿼리 비용이 절감됩니다.
구체화된 뷰는 대규모 데이터 세트를 처리할 때 비용이 많이 들 수 있는 온디맨드 쿼리 실행의 필요성을 줄여줍니다.
유지보수 최소화:
BigQuery의 구체화된 뷰는 자동으로 관리되며, 업데이트는 시스템에서 처리되므로 팀의 유지 관리 부담이 줄어듭니다.
실행 단계:
집계 쿼리를 식별합니다.
기존 쿼리를 분석하여 일별 및 월별 수준에서 공통적인 집계 패턴을 파악합니다.
구체화된 뷰 생성:
식별된 집계 패턴에 대해 BigQuery에서 구체화된 뷰를 생성합니다. 예를 들어 다음과 같이 생성합니다. CREATE MATERIALIZED VIEW project.dataset.sales_daily_summary AS SELECT DATE(transaction_time) AS day, SUM(amount) AS total_sales FROM project.dataset.sales GROUP BY day; CREATE MATERIALIZED VIEW project.dataset.sales_monthly_summary AS SELECT EXTRACT(YEAR FROM transaction_time) AS year, EXTRACT(MONTH FROM transaction_time) AS month, SUM(amount) AS total_sales FROM project.dataset.sales GROUP BY year, month; 구체화된 뷰를 사용한 쿼리:
기존 쿼리를 수정하여 기본 테이블을 직접 쿼리하는 대신 구체화된 뷰를 사용하도록 하십시오.
참조:
BigQuery 구체화된 뷰
쿼리 성능 최적화

Professional-Data-Engineer 문제 64

Dataplex를 사용하여 BigQuery 및 Cloud Storage의 데이터를 관리하는 Google Cloud 기반 데이터 메시를 설계하고 있습니다. 데이터 자산 권한을 간소화하려고 합니다. 두 개의 사용자 그룹으로 구성된 고객 가상 레이크를 생성하고 있습니다.
* 데이터 엔지니어는 데이터 레이크 접근이 필요합니다.
* 선별된 데이터에 대한 접근이 필요한 분석 사용자
이 두 그룹에 접근 권한을 부여해야 합니다. 어떻게 해야 할까요?

A. 1. 고객 데이터 레이크에서 데이터 엔지니어 그룹에 dataplex.dataOwner 역할을 부여합니다.
2. 고객이 직접 관리하는 영역에서 분석 사용자 그룹에 dataplex.dataReader 역할을 부여합니다.

B. 1. 고객 데이터 레이크에서 데이터 엔지니어 그룹에 dataplex.dataReader 역할을 부여합니다.
2. 고객이 관리하는 영역의 분석 사용자 그룹에 dataplex.dataOwner 권한을 부여합니다.

C. 1. 데이터 엔지니어에게 BigQuery 데이터 세트에 대한 bigquery.dataownex 역할과 Cloud Storage 버킷에 대한 storage.objectcreator 역할을 부여합니다.
2. 분석 사용자에게 BigQuery 데이터 세트에 대해 bigquery.dataViewer 역할을, Cloud Storage 버킷에 대해 storage.objectViewer 역할을 부여합니다.

D. 1. 데이터 엔지니어에게 BigQuery 데이터 세트에 대한 bigquery.dataViewer 역할과 Cloud Storage 버킷에 대한 storage.objectviewer 역할을 부여합니다.
2. 분석 사용자에게 BigQuery 데이터 세트에 대해 bigquery.dataOwner 역할을, Cloud Storage 버킷에 대해 storage.objectEditor 역할을 부여합니다.

Professional-Data-Engineer 문제 65

아래 그림과 같은 데이터가 있습니다. 두 차원은 X축과 Y축이며, 각 점의 음영은 해당 점이 어떤 클래스에 속하는지를 나타냅니다. 선형 알고리즘을 사용하여 이 데이터를 정확하게 분류하려고 합니다. 이를 위해 합성 특징을 추가해야 합니다. 이 합성 특징의 값은 무엇이어야 할까요?

A. X^2

B. cos(X)

C. Y^2

D. X^2+Y^2

다른 버전: 2432Google.Professional-Data-Engineer.v2024-12-06.q306; 1955Google.Professional-Data-Engineer.v2024-08-24.q281; 1784Google.Professional-Data-Engineer.v2023-06-24.q151; 2312Google.Professional-Data-Engineer.v2023-04-17.q208; 3339Google.Professional-Data-Engineer.v2022-09-06.q248; 2679Google.Professional-Data-Engineer.v2022-05-24.q174

최근 업로드: 128Zscaler.ZTCA.v2026-09-30.q25; 159Juniper.JN0-481.v2026-09-30.q77; 136Scrum.PSPO-III.v2026-09-30.q23; 158Apple.SUP-2026.v2026-09-29.q100; 125Nokia.4A0-D03.v2026-09-29.q19; 152Oracle.1Z0-1080-26.v2026-09-29.q40; 203CyberAB.CMMC-CCP.v2026-09-29.q218; 320Google.Professional-Data-Engineer.v2026-09-29.q333; 151Adobe.AD0-E124.v2026-09-28.q62; 283ISACA.CISM.v2026-09-28.q227