A. 과거 스냅샷을 만료합니다.

B. 역사적인 순간들을 기록 보관합니다.

C. Iceberg 테이블에서 연결되지 않은 S3 객체를 삭제합니다.

D. 다짐을 적용하십시오.

A. 현재 최대 부하 시간대에 존재하는 최대 용량까지 확보된 용량을 늘립니다.

B. AWS Application Auto Scaling을 사용하여 사용량이 많은 시간대에 더 많은 용량을 예약하세요.
비수기에는 수용 인원을 줄여 운행 계획을 세우십시오.

C. 테이블을 두 개의 테이블로 나눕니다. 각 테이블에 원래 테이블 용량의 절반을 할당합니다. 쿼리를 두 테이블에 고르게 분산합니다.

D. 용량 모드를 프로비저닝 방식에서 온디맨드 방식으로 변경합니다. 테이블 부하에 따라 테이블이 확장 및 축소되도록 구성합니다.

A. 생성 공유

B. 수입 점유율

C. 참고용

D. 작동

A. Amazon MWAA(Amazon Managed Workflows for Apache Airflow)를 사용하여 AWS Glue로 워크플로우를 오케스트레이션합니다. 첫 번째와 두 번째 프로세스가 완료된 후 세 번째 프로세스가 시작되도록 AWS Glue를 구성합니다.

B. 워크플로의 각 프로세스를 실행하기 위해 Amazon EMR을 사용합니다. 첫 번째와 두 번째 프로세스의 완료를 나타내는 메시지를 처리하기 위해 Amazon Simple Queue Service(Amazon SQS) 큐를 생성합니다. 세 번째 프로세스를 실행하여 SQS 큐를 처리하도록 AWS Lambda 함수를 구성합니다.

C. AWS Glue 워크플로를 사용하여 첫 번째와 두 번째 프로세스를 병렬로 실행합니다. 세 번째 프로세스는 첫 번째와 두 번째 프로세스가 완료된 후에 시작되도록 합니다.

D. AWS Step Functions를 사용하여 여러 AWS Lambda 함수를 사용하는 워크플로를 오케스트레이션합니다. 세 번째 프로세스는 처음 두 프로세스가 완료된 후에 시작되도록 합니다.

A. AWS Lake Formation을 사용하여 데이터 레이크를 생성합니다. Lake Formation 작업을 사용하여 모든 데이터 소스의 데이터를 Apache Parquet 형식으로 변환합니다. 변환된 데이터를 S3 버킷에 저장합니다. Amazon Athena 또는 Redshift Spectrum을 사용하여 데이터를 쿼리합니다.

B. AWS Glue를 사용하여 데이터 소스를 크롤링합니다. 메타데이터를 AWS Glue 데이터 카탈로그에 저장합니다. Amazon Athena를 사용하여 데이터를 쿼리합니다. 구조화된 데이터 소스에는 SQL을 사용하고, JSON 형식으로 저장된 데이터에는 PartiQL을 사용합니다.

C. AWS Glue를 사용하여 데이터 소스를 크롤링합니다. 메타데이터를 AWS Glue 데이터 카탈로그에 저장합니다. Redshift Spectrum을 사용하여 데이터를 쿼리합니다. 구조화된 데이터 소스에는 SQL을 사용하고, JSON 형식으로 저장된 데이터에는 PartiQL을 사용합니다.

D. AWS Glue를 사용하여 데이터 소스를 크롤링합니다. 메타데이터를 AWS Glue 데이터 카탈로그에 저장합니다. AWS Glue 작업을 사용하여 JSON 형식의 데이터를 Apache Parquet 또는 .csv 형식으로 변환합니다. 변환된 데이터를 S3 버킷에 저장합니다. Amazon Athena를 사용하여 S3 버킷에서 원본 데이터와 변환된 데이터를 쿼리합니다.