무료 온라인 액세스 Google.Professional-Data-Engineer.v2026-09-29.q333 모의 시험 (Page 35)

Professional-Data-Engineer 문제 166

온프레미스 데이터 센터에 있는 Redis 데이터베이스를 Memorystore for Redis 인스턴스로 마이그레이션해야 합니다.
구글에서 권장하는 모범 사례를 따르면서 최소한의 비용, 시간, 노력으로 마이그레이션을 진행하고 싶으신가요? 어떻게 해야 할까요?

A. Compute Engine 인스턴스에 Redis 데이터베이스의 보조 인스턴스를 생성한 다음 라이브 컷오버를 수행합니다.

B. Redis 데이터를 마이그레이션하고 Redis 인스턴스를 위한 새 Memorystore를 생성하는 셸 스크립트를 작성하세요.

C. 온프레미스 데이터 센터의 Redis 데이터베이스에서 데이터를 로드하여 Redis 인스턴스용 Memorystore에 기록하는 Dataflow 작업을 생성합니다.

D. Redis 데이터베이스의 RDB 백업을 생성하고, gsutil 유틸리티를 사용하여 RDB 파일을 클라우드 스토리지 버킷에 복사한 다음, 해당 RDB 파일을 Redis 인스턴스용 메모리스토어로 가져옵니다.

Professional-Data-Engineer 문제 167

Flowlogistic 경영진은 현재 Apache Kafka 서버가 자사의 실시간 재고 추적 시스템에 필요한 데이터 양을 처리할 수 없다고 판단했습니다. 따라서 자체 개발한 추적 소프트웨어에 데이터를 공급할 새로운 시스템을 Google Cloud Platform(GCP)에 구축해야 합니다. 이 시스템은 다양한 글로벌 소스에서 데이터를 수집하고, 실시간으로 처리 및 조회하며, 데이터를 안정적으로 저장할 수 있어야 합니다. 어떤 GCP 제품 조합을 선택해야 할까요?

A. 클라우드 Pub/Sub, 클라우드 데이터플로우, 클라우드 스토리지

B. 클라우드 Pub/Sub, 클라우드 데이터플로우 및 로컬 SSD

C. 클라우드 Pub/Sub, 클라우드 SQL, 클라우드 스토리지

D. 클라우드 로드 밸런싱, 클라우드 데이터플로우, 클라우드 스토리지

정답: C

주제 2, MJTelco 사례 연구
회사 개요
MJTelco는 전 세계적으로 빠르게 성장하지만 서비스가 부족한 시장에 네트워크를 구축하려는 스타트업입니다.
이 회사는 혁신적인 광통신 하드웨어에 대한 특허를 보유하고 있습니다. 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.
PoC를 확장하고 강화하여 규모를 크게 확장할 때 발생하는 훨씬 더 많은 데이터 흐름을 지원하도록 합니다.
5만 건의 설치.
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 시기적절하게 접근할 수 있도록 지원하고, 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 2년간의 데이터를 추적하는 데이터 테이블을 기반으로 분석 및 프레젠테이션을 지원하며, 하루 약 1억 건의 레코드를 처리할 수 있습니다. 원격 측정 흐름과 운영 학습 주기 모두에서 데이터 파이프라인 문제를 파악하는 데 중점을 두고 모니터링 인프라를 신속하게 반복적으로 개선할 수 있도록 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
우리의 퍼블릭 클라우드 서비스는 광고된 대로 작동해야 합니다. 확장 가능하고 데이터를 안전하게 보호할 수 있는 리소스가 필요합니다.
또한 데이터 과학자들이 모델을 면밀히 연구하고 신속하게 조정할 수 있는 환경이 필요합니다.
데이터 처리를 자동화에 의존하기 때문에, 개발 및 테스트 환경 또한 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 없으므로 자동화 및 인프라에 의존해야 합니다. Google Cloud의 머신러닝 기능을 통해 양적 연구원들은 데이터 파이프라인 문제 해결이 아닌, 가치 창출에 더욱 집중할 수 있을 것입니다.

Professional-Data-Engineer 문제 168

Your company uses Looker Studio connected to BigQuery for reporting. Users are experiencing slow dashboard load times due to complex queries on a large table. The queries involve aggregations and filtering on several columns. You need to optimize query performance to decrease the dashboard load times. What should you do?

A. Configure Looker Studio to use a shorter data refresh interval to ensure fresh data is always displayed.

B. Create a materialized view in BigQuery that pre-calculates the aggregations and filters used in the Looker Studio dashboards.

C. Implement row-level security in BigQuery to restrict data access and reduce the amount of data processed by the queries.

D. Use BigQuery BI Engine to accelerate query performance by caching frequently accessed data.

정답: B

이 시나리오는 대규모 테이블에서 집계 및 필터링을 포함하는 복잡한 쿼리로 인해 발생하는 성능 저하 문제를 설명합니다. BigQuery에서 대시보드 생성을 위한 이러한 유형의 워크로드를 최적화하는 가장 좋은 방법은 필요한 데이터를 미리 계산하는 것입니다.
* 구체화된 뷰(MV)는 집계 및 필터를 포함한 쿼리 결과를 캐시하는 사전 계산된 뷰입니다. 대시보드의 쿼리가 MV의 쿼리(또는 그 일부)와 일치하는 경우 BigQuery는 캐시된 결과를 사용할 수 있습니다. 이는 대규모 원시 테이블에 대해 원래의 복잡한 쿼리를 실행하는 것보다 훨씬 빠르므로 대시보드 로드 시간을 직접적으로 개선합니다. 구체화된 뷰는 반복적이고 복잡한 쿼리의 성능을 향상시키고 비용을 절감하도록 설계되었습니다.
* 다른 옵션 수정:
* A (더 짧은 새로 고침 간격): 이렇게 하면 느리고 복잡한 쿼리가 더 자주 실행되어 문제가 악화될 수 있습니다.
* C (행 수준 보안): 이는 보안 조치이며, 주로 성능 최적화를 위한 것이 아닙니다.
테이블을 액세스 열을 기준으로 분할하면 사용자당 스캔하는 데이터 양이 약간 줄어들 수 있지만, 근본적인 문제인 복잡한 집계 및 필터링 로직의 속도를 향상시키지는 못합니다.
* D (BigQuery BI 엔진): BI 엔진은 BigQuery용 인메모리 분석 서비스로, 많은 SQL 쿼리의 속도를 향상시켜주며 BI에 적합한 일반적인 옵션입니다. 하지만 구체화된 뷰를 생성하면 속도가 느린 대시보드에 필요한 정확한 집계 및 필터가 미리 계산되므로, 일반적인 캐싱 서비스보다 알려진 복잡하고 반복적인 쿼리에 대해 더욱 효과적이고 극적인 성능 향상을 제공합니다.
MV와 BI 엔진의 조합은 모범 사례이지만, MV는 복잡한 집계를 미리 계산하는 데 가장 적합한 해결책입니다.
참고: 구체화된 뷰에 대한 Google Cloud 문서
"BigQuery에서 구체화된 뷰는 쿼리 결과를 캐시하는 사전 계산된 뷰로, 성능과 효율성을 향상시킵니다. 구체화된 뷰는 기본 테이블의 변경 사항을 반영하여 주기적으로 새로 고쳐지므로 BigQuery는 업데이트된 데이터만 읽을 수 있습니다. 구체화된 뷰는 사전 계산된 결과를 저장하여 원시 데이터를 반복적으로 처리할 필요성을 줄임으로써 쿼리 성능을 향상시킵니다. 이러한 캐싱 메커니즘은 특히 복잡한 쿼리의 경우 검색 시간을 단축합니다." (3출처: BigQuery 구체화된 뷰를 사용한 쿼리 성능 최적화)
"스마트 튜닝: BigQuery는 가능한 경우 구체화된 뷰를 사용하도록 쿼리를 자동으로 다시 작성합니다."
자동 재작성은 쿼리 결과를 변경하지 않고도 쿼리 성능을 향상시키고 비용을 절감합니다." (출처: )
구체화된 뷰를 사용하세요.

Professional-Data-Engineer 문제 169

당신은 차량 호출 앱을 위한 실시간 시스템을 설계하고 있습니다. 이 시스템은 차량 수요가 높은 지역을 파악하여 이용 가능한 운전자를 효율적으로 재배치하여 수요를 충족시키는 것을 목표로 합니다. 시스템은 여러 소스에서 데이터를 수집합니다.
/Sub.는 데이터를 처리하고 결과를 실시간 대시보드에 시각화 및 분석할 수 있도록 저장합니다. 데이터 소스는 5초마다 업데이트되는 운전자 위치 정보와 승객의 앱 기반 예약 이벤트입니다. 데이터 처리는 지난 30초 동안의 수요 및 공급 데이터를 2초마다 실시간으로 집계하고, 결과를 시각화를 위해 지연 시간이 짧은 시스템에 저장하는 과정을 포함합니다. 당신은 어떻게 해야 할까요?

A. Dataflow 파이프라인에서 텀블링 윈도우를 사용하여 데이터를 그룹화하고, 집계된 데이터를 메모리 저장소에 기록합니다.

B. 데이터플로우 파이프라인에서 호핑 윈도우를 사용하여 데이터를 그룹화하고, 집계된 데이터를 메모리스토어에 기록합니다.

C. Dataflow 파이프라인에서 세션 윈도우를 사용하여 데이터를 그룹화하고, 집계된 데이터를 BigQuery에 기록합니다.

D. Dataflow 파이프라인에서 호핑 윈도우를 사용하여 데이터를 그룹화하고 집계된 데이터를 BigQuery에 기록합니다.

Professional-Data-Engineer 문제 170

수백만 대의 인터넷 기기에서 제출된 원격 측정 데이터를 처리하기 위해 NoSQL 데이터베이스를 선택하고 있습니다.
사물 인터넷(IoT) 기기. 데이터 양은 매년 100TB씩 증가하고 있으며, 각 데이터 항목에는 약
100개의 속성. 데이터 처리 파이프라인은 원자성, 일관성, 격리성 등을 요구하지 않습니다.
내구성(ACID)을 보장해야 합니다. 하지만 높은 가용성과 낮은 지연 시간이 요구됩니다.
개별 필드를 기준으로 쿼리하여 데이터를 분석해야 합니다. 이러한 요구 사항을 충족하는 세 가지 데이터베이스는 무엇입니까?
필수 조건은 무엇입니까? (세 가지를 선택하십시오.)

A. 카산드라

B. 레디스

C. HBase

D. MySQL

E. Hive를 사용한 HDFS

F. MongoDB

다른 버전: 2435Google.Professional-Data-Engineer.v2024-12-06.q306; 1957Google.Professional-Data-Engineer.v2024-08-24.q281; 1784Google.Professional-Data-Engineer.v2023-06-24.q151; 2313Google.Professional-Data-Engineer.v2023-04-17.q208; 3339Google.Professional-Data-Engineer.v2022-09-06.q248; 2680Google.Professional-Data-Engineer.v2022-05-24.q174

최근 업로드: 128Zscaler.ZTCA.v2026-09-30.q25; 168Juniper.JN0-481.v2026-09-30.q77; 137Scrum.PSPO-III.v2026-09-30.q23; 169Apple.SUP-2026.v2026-09-29.q100; 130Nokia.4A0-D03.v2026-09-29.q19; 154Oracle.1Z0-1080-26.v2026-09-29.q40; 211CyberAB.CMMC-CCP.v2026-09-29.q218; 345Google.Professional-Data-Engineer.v2026-09-29.q333; 153Adobe.AD0-E124.v2026-09-28.q62; 284ISACA.CISM.v2026-09-28.q227