무료 온라인 액세스 Google.Professional-Data-Engineer.v2026-09-29.q333 모의 시험 (Page 27)

Professional-Data-Engineer 문제 126

귀사의 인프라에는 여러 YouTube 채널이 포함되어 있습니다. 귀하는 이를 위한 프로세스를 구축하는 임무를 맡았습니다.
YouTube 채널 데이터를 분석을 위해 Google Cloud로 전송하는 것입니다. 다음과 같은 기능을 갖춘 솔루션을 설계하고자 합니다.
귀사의 전 세계 마케팅 팀이 최신 YouTube 콘텐츠에 대해 ANSI SQL 및 기타 유형의 분석을 수행할 수 있도록 지원합니다.
채널 로그 데이터. Google Cloud로 로그 데이터를 전송하려면 어떻게 설정해야 할까요?

A. BigQuery 데이터 전송 서비스를 사용하여 오프사이트 백업 파일을 클라우드 스토리지 멀티 저장소로 전송합니다.
지역 스토리지 버킷을 최종 목적지로 사용합니다.

B. 스토리지 전송 서비스를 사용하여 오프사이트 백업 파일을 클라우드 스토리지 다중 지역으로 전송합니다.
스토리지 버킷을 최종 목적지로 사용합니다.

C. 스토리지 전송 서비스를 사용하여 오프사이트 백업 파일을 클라우드 스토리지 지역 버킷으로 전송합니다.
최종 목적지.

D. BigQuery 데이터 전송 서비스를 사용하여 오프사이트 백업 파일을 클라우드 스토리지 리전으로 전송합니다.
스토리지 버킷을 최종 목적지로 사용합니다.

Professional-Data-Engineer 문제 127

도시 곳곳의 건설 현장 근처에 설치된 수백 개의 센서에서 수집되는 소음 수준 데이터를 처리하는 스트리밍 데이터플로우 파이프라인을 구축하고 있습니다. 센서는 10초마다 소음 수준을 측정하고, 소음 수준이 70dBA를 초과하면 해당 데이터를 파이프라인으로 전송합니다. 30분 이상 데이터가 수신되는 동안 센서의 평균 소음 수준을 감지해야 하는데, 15분 동안 데이터가 수신되지 않으면 해당 기간이 종료됩니다. 어떻게 해야 할까요?

A. 30분 간격의 세션 창을 사용하십시오.

B. 15분 간격의 텀블링 윈도우와 15분의 허용 지연 시간을 사용하는 연산자를 사용합니다.

C. 15분 간격의 세션 창을 사용하세요.

D. 15분 간격의 호핑 윈도우를 사용하고, 기간은 30분으로 설정하십시오.

정답: C

윈도잉 전략의 핵심 요구 사항은 다음과 같습니다.
창은 특정 센서의 데이터를 그룹화합니다.
하나의 윈도우에는 최소 30분 동안의 데이터가 포함되어야 합니다("30분 이상"이란 해당 기간 동안의 활동을 의미합니다).
센서의 데이터 수신 간격(윈도우)은 해당 센서에서 15분 동안 데이터가 수신되지 않으면 종료됩니다.
이 시나리오는 세션 윈도우를 완벽하게 설명합니다.
세션 윈도우: 세션 윈도우는 특정 시간 간격 내에 도착하는 요소들을 그룹화합니다(예: 센서 ID별, 키별로).
각 데이터 간의 "간격 기간"을 기준으로 합니다. 특정 키에 대한 마지막 데이터 수집 이후 간격 기간이 경과한 후에 해당 키에 대한 데이터가 도착하면 새로운 세션이 시작됩니다.
이 경우, 센서에서 15분 동안 데이터 수신이 중단되면 해당 센서의 현재 세션이 종료됩니다. 이는 "15분 동안 데이터가 수신되지 않으면 윈도우가 종료된다"는 조건과 일치합니다. "30분 이상 지속"이라는 조건은 세션 윈도우가 종료된 후에 적용하는 조건입니다. 종료된 세션 윈도우 내의 데이터 지속 시간을 계산하고, 해당 세션의 지속 시간(윈도우 내 이벤트 발생 시간 범위)이 30분을 초과하는 경우에만 평균값을 계산합니다. 세션 윈도우 자체에는 고정된 지속 시간이 없으며, 데이터 활동 및 간격에 따라 지속 시간이 결정됩니다.
다른 선택지가 덜 적합한 이유를 분석해 보겠습니다.
(15분 간격의 호핑 윈도우 및 30분 기간): 호핑 윈도우는 크기와 기간이 고정되어 있어 겹치는 윈도우를 생성합니다. 이는 비활성 상태에 따라 세션이 종료되는 동적인 특성과 맞지 않습니다. 15분 간격의 호핑 윈도우를 사용하면 [0:00-
[0:15], [0:15-0:30], [0:30-0:45]. 활동이 지속적이라면 30분간의 활동 기간이 포함되지만, 활동이 없는 15분 간격을 기준으로 활동 기간이 종료되는 것은 아닙니다.
B (15분 윈도우와 15분 .withAllowedLateness 연산자를 사용하는 텀블링 윈도우):
텀블링 윈도우는 크기가 고정되어 있고 겹치지 않는 윈도우입니다. `.withAllowedLateness`는 윈도우 종료 시간이 이미 지난 후 도착하는 지연 데이터를 처리하는 것이지, 활동 간격을 기준으로 윈도우를 정의하는 것이 아닙니다.
C (30분 간격의 세션 창): 이는 30분 동안 활동이 없는 간격이 있을 경우에만 세션이 종료됨을 의미합니다. 필요한 간격은 15분입니다.
따라서 15분 간격의 세션 창(옵션 D)은 센서에서 15분 동안 활동이 없으면 창이 닫혀야 한다는 요구 사항을 정확하게 반영합니다. 30분 이상 지속되는 세션을 필터링하는 후속 작업은 하위 단계에서 수행됩니다.
참조:
Apache Beam 프로그래밍 가이드 > 윈도우 > 윈도우 함수 > 세션 윈도우. "세션 윈도우는 활동 세션을 나타내는 윈도우에 요소를 할당합니다. 세션 윈도우는 키에 대한 첫 번째 요소가 도착할 때 시작됩니다. 지정된 간격 시간 내에 해당 키에 대한 다른 요소가 도착하면 해당 요소는 기존 세션 윈도우에 포함됩니다. 간격 시간 이후에 요소가 도착하면 해당 요소에 대해 새 세션 윈도우가 시작됩니다... 세션 윈도우는 사용자 활동 데이터와 같이 시간에 따라 불규칙적으로 분포하는 데이터에 유용합니다." 이는 센서 데이터의 동작과 직접적으로 일치합니다. 노이즈가 높을 때 데이터가 도착하고, 15분 동안 데이터가 없으면 해당 센서에 대한 분석 윈도우가 닫혀야 합니다.

Professional-Data-Engineer 문제 128

동적 공용 IP 주소를 사용하는 여러 애플리케이션을 Cloud SQL 인스턴스에 연결해야 합니다. 사용자에게 강력한 암호를 설정하고 Cloud SQL 인스턴스와의 SSL 연결을 강제 적용했습니다. Cloud SQL의 공용 IP를 사용하면서 안전한 연결을 유지하고 싶습니다. 어떻게 해야 할까요?

A. 모든 애플리케이션 네트워크를 승인된 네트워크에 추가하고 정기적으로 업데이트하십시오.

B. CIDR 0.0.0.0/0 네트워크를 승인된 네트워크에 추가합니다. 사용자 추가는 ID 및 액세스 관리(IAM)를 사용합니다.

C. 인증된 네트워크를 비워 두십시오. 모든 애플리케이션에서 클라우드 SQL 인증 프록시를 사용하십시오.

D. CIDR 0.0.0.0/0 네트워크를 인증 네트워크에 추가합니다. 모든 애플리케이션에서 CloudSOL 인증 프록시를 사용합니다.

정답: C

동적 공용 IP 주소를 사용하는 여러 애플리케이션을 공용 IP를 사용하는 Cloud SQL 인스턴스에 안전하게 연결하려면 Cloud SQL 인증 프록시가 최적의 솔루션입니다. 이 프록시는 인증된 네트워크를 구성하거나 복잡한 IP 화이트리스트를 처리할 필요 없이 Cloud SQL 인스턴스에 대한 안전하고 인증된 연결을 제공합니다.
* 클라우드 SQL 인증 프록시:
* 클라우드 SQL 인증 프록시는 클라우드 SQL에 대한 안전하고 암호화된 연결을 제공합니다.
* 이 서비스는 IAM 권한과 SSL을 사용하여 연결을 인증하고 암호화함으로써 전송 중인 데이터의 보안을 보장합니다.
프록시를 사용하면 프록시가 동적 IP 주소를 원활하게 처리하므로 승인된 네트워크를 지속적으로 업데이트할 필요가 없습니다.
* 승인된 네트워크 구성:
* 승인된 네트워크를 비워두면 IP 주소가 명시적으로 화이트리스트에 추가되지 않고, 안전한 연결을 위해 인증 프록시에만 의존하게 됩니다.
* 이 접근 방식은 클라우드 SQL 인스턴스를 공용 IP 범위에 노출하지 않음으로써 네트워크 관리를 간소화하고 보안을 강화합니다.
* 동적 IP 처리:
* 동적 IP 주소를 사용하는 애플리케이션은 승인된 네트워크를 수정할 필요 없이 프록시를 통해 안전하게 연결할 수 있습니다.
* 프록시는 IAM을 사용하여 연결을 인증하므로 애플리케이션 IP가 자주 변경되는 환경에 적합합니다.
Google 데이터 엔지니어 추천 사례:
* 클라우드 SQL 인증 프록시 사용
* 클라우드 SQL 보안 개요
클라우드 SQL 인증 프록시 설정
클라우드 SQL 인증 프록시를 사용하면 복잡한 네트워크 구성 없이도 동적 공용 IP를 사용하는 애플리케이션에 대해 안전하고 인증된 연결을 보장할 수 있습니다.

Professional-Data-Engineer 문제 129

Flowlogistic은 실시간 재고 추적 시스템을 도입하고 있습니다. 모든 추적 장치는 패키지 추적 메시지를 전송하며, 이 메시지는 기존의 Apache Kafka 클러스터 대신 단일 Google Cloud Pub/Sub 토픽으로 전송됩니다. 구독 애플리케이션은 이 메시지를 처리하여 실시간 보고서를 생성하고, 과거 분석을 위해 Google BigQuery에 저장합니다. 따라서 패키지 데이터의 시간 경과에 따른 분석이 가능하도록 하는 것이 중요합니다.
어떤 접근 방식을 취해야 할까요?

A. 클라우드 발행/구독 애플리케이션에서 메시지가 수신될 때마다 각 메시지에 타임스탬프를 첨부합니다.

B. 각 게시자 장치에서 클라우드 게시/구독 장치로 전송되는 발신 메시지에 타임스탬프와 패키지 ID를 첨부하십시오.

C. BigQuery의 NOW() 함수를 사용하여 이벤트 시간을 기록합니다.

D. 클라우드 Pub/Sub에서 자동으로 생성된 타임스탬프를 사용하여 데이터를 정렬합니다.

정답: B

주제 2, MJTelco 사례 연구
회사 개요
MJTelco는 전 세계적으로 빠르게 성장하지만 통신 서비스가 부족한 시장에 네트워크를 구축하려는 스타트업입니다. 이 회사는 혁신적인 광통신 하드웨어 관련 특허를 보유하고 있으며, 이러한 특허를 기반으로 저렴한 하드웨어로 안정적이고 고속의 기간망 링크를 다수 구축할 수 있습니다.
회사 개요
통신 업계의 경험 많은 임원들이 설립한 MJTelco는 원래 우주 통신 문제를 해결하기 위해 개발된 기술을 활용합니다. 이들의 운영에 있어 핵심적인 요소는 실시간 분석을 지원하고 머신 러닝을 통합하여 네트워크 토폴로지를 지속적으로 최적화하는 분산 데이터 인프라 구축입니다. 저렴한 하드웨어를 사용하는 덕분에 네트워크를 광범위하게 구축하여 지역 정세 변화가 위치 가용성과 비용에 미치는 영향을 고려할 수 있습니다.
그들의 경영 및 운영팀은 전 세계에 걸쳐 분포되어 있으며, 시스템 내에서 데이터 소비자와 공급자 간의 다대다 관계를 형성하고 있습니다. 신중한 검토 끝에, 그들은 퍼블릭 클라우드가 자신들의 요구 사항을 충족하는 데 가장 적합한 환경이라고 판단했습니다.
솔루션 컨셉
MJTelco는 자사 연구소에서 성공적인 개념 증명(PoC) 프로젝트를 진행하고 있습니다. 그들에게는 두 가지 주요 요구 사항이 있습니다.
5만 개 이상의 설치로 확장될 때 생성되는 훨씬 더 많은 데이터 흐름을 지원할 수 있도록 PoC를 확장하고 강화하십시오.
토폴로지 정의를 제어하는 데 사용하는 동적 모델을 검증하고 개선하기 위해 머신러닝 주기를 정교화합니다.
MJTelco는 실험 실행, 새로운 기능 배포 및 실제 고객 서비스 제공 요구 사항을 충족하기 위해 개발/테스트, 스테이징 및 프로덕션이라는 세 가지 별도의 운영 환경을 사용할 예정입니다.
비즈니스 요구사항
예측 불가능하고 분산된 통신 사용자 커뮤니티에서 필요할 때 필요한 곳에 리소스를 인스턴스화하여 최소한의 비용으로 프로덕션 환경을 확장하십시오.
최첨단 머신러닝 및 분석 기술을 보호하기 위해 고객사의 독점 데이터 보안을 확보하십시오.
분산된 연구원들이 분석에 필요한 데이터에 안정적이고 시의적절하게 접근할 수 있도록 지원합니다.
고객에게 영향을 주지 않으면서 머신러닝 모델의 빠른 반복 개발을 지원하는 격리된 환경을 유지합니다.
기술 요구사항
원격 측정 데이터의 안전하고 효율적인 전송 및 저장을 보장합니다.
각각 여러 흐름을 지원하는 10,000~100,000개의 데이터 공급자를 수용하도록 인스턴스를 신속하게 확장할 수 있습니다.
최대 2년치의 데이터를 추적하는 데이터 테이블을 기반으로 분석 및 프레젠테이션을 지원하며, 하루 약 1억 건의 레코드를 저장할 수 있습니다.
원격 측정 흐름과 운영 학습 주기 모두에서 데이터 파이프라인 문제를 파악하는 데 중점을 둔 모니터링 인프라의 신속한 반복 개발을 지원합니다.
CEO 성명
당사의 비즈니스 모델은 특허, 분석 및 동적 머신 러닝에 기반합니다. 저렴한 하드웨어는 높은 신뢰성을 갖도록 구성되어 비용 경쟁력을 제공합니다. 신뢰성 및 용량 관련 약속을 충족하기 위해 대규모 분산 데이터 파이프라인을 신속하게 안정화해야 합니다.
CTO 성명서
퍼블릭 클라우드 서비스는 광고된 대로 작동해야 합니다. 확장성이 뛰어나고 데이터 보안을 유지할 수 있는 리소스가 필요합니다. 또한 데이터 과학자들이 모델을 면밀히 분석하고 신속하게 수정할 수 있는 환경도 필요합니다. 데이터 처리에 자동화 기술을 활용하기 때문에 개발 및 테스트 환경 역시 반복적인 작업 과정에서 원활하게 작동해야 합니다.
최고재무책임자(CFO) 성명서
프로젝트 규모가 너무 커서 데이터 및 분석에 필요한 하드웨어와 소프트웨어를 유지 관리하는 것이 어렵습니다. 또한, 수많은 데이터 피드를 모니터링할 운영팀을 구성할 여력도 없어 자동화와 인프라에 의존해야 합니다. Google Cloud의 머신러닝 기능을 통해 양적 분석 연구원들은 데이터 파이프라인 문제 해결이 아닌, 가치 창출에 더욱 집중할 수 있을 것입니다.

Professional-Data-Engineer 문제 130

현재 온프레미스에 구축된 Apache Hadoop 시스템을 클라우드로 마이그레이션할 계획입니다. 장시간 실행되는 배치 작업에 대해 최대한 내결함성이 뛰어나고 비용 효율적인 환경을 구축해야 합니다. 관리형 서비스를 이용하고 싶습니다. 어떻게 해야 할까요?

A. 클라우드 Dataproc 클러스터를 배포합니다. SSD 영구 디스크와 50% 선점형 워커를 사용합니다. 데이터를 클라우드 스토리지에 저장하고 스크립트에서 hdfs://를 gs://로 변경합니다.

B. 클라우드 데이터프로세서 클러스터를 배포합니다. 표준 영구 디스크와 50% 선점형 워커를 사용합니다. 데이터를 클라우드 스토리지에 저장하고 스크립트에서 hdfs://를 gs://로 변경합니다.

C. 선점형 인스턴스를 사용하는 10노드 Compute Engine 인스턴스 그룹에 Hadoop 및 Spark를 설치합니다.
데이터를 HDFS에 저장하세요. 스크립트에서 `hdfs://`를 `gs://`로 변경하세요.

D. 표준 인스턴스를 사용하는 10노드 Compute Engine 인스턴스 그룹에 Hadoop과 Spark를 설치합니다. 클라우드 스토리지 커넥터를 설치하고 데이터를 클라우드 스토리지에 저장합니다. 스크립트에서 hdfs://를 gs://로 변경합니다.