DAS-C01 Korean 無料問題集「Amazon AWS Certified Data Analytics - Specialty (DAS-C01 Korean Version)」

（A）Hive 메타데이터를 관리할 AWS Glue 데이터 카탈로그를 생성합니다. 일관된 보기가 활성화된 Amazon EMR 클러스터를 생성합니다. 각 분석 단계 전에 emrfs 동기화를 실행하여 데이터 변경 사항이 업데이트되도록 합니다. EMR 클러스터를 생성하고 AWS Glue 데이터 카탈로그의 메타데이터를 사용하여 Amazon EMR에서 Hive 처리 쿼리를 실행합니다.

（B）CREATE TABLE AS SELECT(CTAS)를 사용하여 Amazon Athena 테이블을 생성하여 원시 데이터 세트에 대한 기본 쿼리에서 데이터를 새로 고칩니다. CTAS 테이블을 통해 Hive 메타데이터를 관리하기 위해 AWS Glue 데이터 카탈로그를 생성합니다. Amazon EMR 클러스터를 생성하고 AWS Glue 데이터 카탈로그의 메타데이터를 사용하여 Amazon EMR에서 Hive 처리 쿼리를 실행합니다.

（C）S3 Select 쿼리를 사용하여 데이터가 제대로 업데이트되었는지 확인합니다. S3 Select 테이블을 통해 Hive 메타데이터를 관리할 AWS Glue 데이터 카탈로그를 생성합니다. Amazon EMR 클러스터를 생성하고 AWS Glue 데이터 카탈로그의 메타데이터를 사용하여 Amazon EMR에서 Hive 처리 쿼리를 실행합니다.

（D）Hive 메타데이터를 관리할 AWS Glue 데이터 카탈로그를 생성합니다. 데이터 변경 사항이 업데이트되도록 데이터를 새로 고칠 때 실행되는 Amazon S3를 통해 AWS Glue 크롤러를 생성합니다. Amazon EMR 클러스터를 생성하고 AWS Glue 데이터 카탈로그의 메타데이터를 사용하여 Amazon EMR에서 Hive 처리 쿼리를 실행합니다.

（A）매일 들어오는 데이터의 경우 Amazon Redshift를 사용하여 변환을 수행합니다.

（B）매일 들어오는 데이터의 경우 Amazon Athena를 사용하여 스키마를 스캔하고 식별합니다.

（C）매일 들어오는 데이터의 경우 AWS Glue 작업과 함께 AWS Glue 워크플로를 사용하여 변환을 수행합니다.

（D）매일 들어오는 데이터의 경우 AWS Glue 크롤러를 사용하여 스키마를 스캔하고 식별합니다.

（E）보관된 데이터의 경우 Amazon SageMaker를 사용하여 데이터 변환을 수행하십시오.

（F）보관된 데이터의 경우 Amazon EMR을 사용하여 데이터 변환을 수행하십시오.

（A）데이터를 Amazon S3에 로드하고 Amazon S3 Select로 쿼리합니다.

（B）Amazon S3에 데이터를 로드하고 Amazon Athena로 쿼리합니다.

（C）Amazon S3에 데이터를 로드하고 Amazon Redshift Spectrum으로 쿼리합니다.

（D）Amazon Glacier Select를 사용하여 Amazon S3 Glacier의 데이터를 직접 쿼리합니다.

（A）앱이 PutRecords API를 호출하여 데이터를 Amazon Kinesis Data Streams로 보내도록 합니다. 데이터를 소비하는 동안 향상된 팬아웃 기능을 사용하십시오.

（B）앱이 PutRecords API를 호출하여 데이터를 Amazon Kinesis Data Streams로 보내도록 합니다. Auto Scaling을 사용하여 Amazon EC2에서 스트림 처리 애플리케이션을 호스팅합니다.

（C）앱이 Amazon Kinesis Producer Library(KPL)를 사용하여 데이터를 Kinesis Data Firehose로 보내도록 합니다. 데이터를 소비하는 동안 향상된 팬아웃 기능을 사용하십시오.

（D）앱이 PutRecordBatch API를 호출하여 데이터를 Amazon Kinesis Data Firehose로 보내도록 합니다. 계정에서 전용 처리량을 활성화하려면 지원 사례를 제출하십시오.

（A）모든 Amazon S3 버킷 정책에 대해 규정된 임계값을 적용합니다.

（B）각 작업 그룹에 대해 작업 그룹 전체 데이터 사용량 제어 제한을 규정된 임계값으로 설정합니다.

（C）규정된 임계값을 초과하면 쿼리를 종료하는 AWS Lambda 함수를 호출하도록 Athena를 구성합니다.

（D）각 작업 그룹에 대해 각 쿼리에 대한 제어 제한을 규정된 임계값으로 설정합니다.

（A）Redshift 클러스터에 연결하는 데 사용되는 운영 체제에 따라 시간 초과 설정을 구성합니다.

（B）Amazon S3 객체의 ACL을 변경하여 S3 버킷 소유자에게 객체에 대한 모든 권한을 부여합니다.

（C）VPC에서 Redshift 클러스터를 시작합니다.

（D）COPY 명령과 함께 REGION 옵션을 사용하여 Amazon S3 버킷에 대한 올바른 AWS 지역을 지정합니다.

（A）JDBC 연결을 사용하여 온프레미스 데이터베이스의 데이터를 분류하도록 AWS Glue 크롤러를 구성합니다. AWS Glue 작업을 사용하여 데이터를 보강하고 결과를 Apache Parquet 형식으로 Amazon S3에 저장합니다. Amazon Redshift 클러스터를 생성하고 Amazon Redshift Spectrum을 사용하여 데이터를 쿼리합니다.

（B）JDBC 연결을 사용하여 온프레미스 데이터베이스의 데이터를 분류하도록 AWS Glue 크롤러를 구성합니다. AWS Glue 작업을 사용하여 데이터를 보강하고 결과를 Apache Parquet 형식으로 Amazon S3에 저장합니다. Amazon Athena를 사용하여 데이터를 쿼리합니다.

（C）사용자 지정 배치 업로드 프로세스를 사용하여 온프레미스 PostgreSQL 데이터베이스에서 Amazon S3로 데이터를 업로드합니다. AWS Glue 크롤러를 사용하여 Amazon S3의 데이터를 분류합니다. AWS Glue 작업을 사용하여 Apache Parquet 형식의 별도 S3 버킷에 결과를 보강하고 저장합니다. Amazon Athena를 사용하여 데이터를 쿼리합니다.

（D）Amazon RDS for PostgreSQL 데이터베이스를 생성하고 AWS Database Migration Service(AWS DMS)를 사용하여 데이터를 Amazon RDS로 마이그레이션합니다. AWS Data Pipeline을 사용하여 Amazon RDS for PostgreSQL 테이블에서 데이터를 복사 및 보강하고 데이터를 Amazon S3로 이동합니다. Amazon Athena를 사용하여 데이터를 쿼리합니다.

（A）야간에 AWS Glue 작업을 사용하여 새 로그 파일을 .csv 형식으로 변환하고 연도, 월, 일별로 분할합니다. AWS Glue 크롤러를 사용하여 새 파티션을 감지합니다. Amazon Athena를 사용하여 데이터를 쿼리합니다.

（B）야간에 AWS Glue 작업을 사용하여 새 로그 파일을 Apache Parquet 형식으로 변환하고 연도, 월, 일별로 분할합니다. AWS Glue 크롤러를 사용하여 새 파티션을 감지합니다. Amazon Athena를 사용하여 쿼리

（C）야간에 임시 Amazon EMR 클러스터를 시작하여 새 로그 파일을 Apache ORC 형식으로 변환하고 연도, 월, 일별로 분할합니다. Amazon Redshift Spectrum을 사용하여 데이터를 쿼리합니다.

（D）Amazon S3의 새 로그 파일을 Hadoop 분산 파일 시스템(HDFS) 스토리지 및 파티션으로 연도, 월, 일 단위로 지속적으로 변환하는 장기 실행 Amazon EMR 클러스터를 시작합니다. Apache Presto를 사용하여 최적화된 형식을 쿼리합니다.

（A）EMR 클러스터의 보안 그룹을 정기적으로 확인하여 IPv4 0.0.0.0/0 또는 IPv6 ::/0의 인바운드 트래픽을 허용하지 않는지 확인하십시오.

（B）EMR 클러스터가 생성되기 전에 계정 수준에서 Amazon EMR에 대한 퍼블릭 액세스 차단 설정을 활성화합니다.

（C）AWS WAF를 사용하여 전반적으로 EMR 클러스터에 대한 퍼블릭 인터넷 액세스를 차단합니다.

（D）EMR 보안 구성을 생성하고 EMR 클러스터가 생성될 때 보안 구성이 EMR 클러스터와 연결되는지 확인하십시오.

（A）Lake Formation 청사진을 실행하여 데이터를 Lake Formation으로 이동합니다. Lake Formation에 데이터가 있으면 Lake Formation에 대한 권한을 적용합니다.

（B）데이터 카탈로그를 생성하려면 기존 Parquet 데이터에서 AWS Glue 크롤러를 실행합니다. Amazon S3 경로를 등록한 다음 Lake Formation을 통해 권한을 적용하여 세분화된 수준의 보안을 제공합니다.

（C）다양한 사용자 및 그룹에 대해 여러 IAM 역할을 생성합니다. Amazon S3의 다양한 데이터 자산에 IAM 역할을 할당하여 테이블 기반 및 열 기반 액세스 제어를 생성합니다.

（D）Amazon EC2 인스턴스에 Apache Ranger를 설치하고 Amazon EMR과 통합합니다. Ranger 정책을 사용하여 Amazon S3의 기존 데이터 자산에 대한 역할 기반 액세스 제어를 생성합니다.

（A）5분마다 실행할 AWS Glue Spark 작업을 생성하고 예약합니다. 이 작업은 참조 데이터를 Amazon Redshift에 삽입합니다.

（B）참조 데이터가 Amazon S3에 업로드되는 즉시 S3 이벤트 알림을 사용하여 AWS Lambda 함수를 트리거하여 차량 참조 데이터를 Amazon Redshift로 복사합니다.

（C）참조 데이터를 Amazon Kinesis Data Streams로 보냅니다. 실시간으로 참조 데이터를 Amazon Redshift로 직접 로드하도록 Kinesis 데이터 스트림을 구성합니다.

（D）참조 데이터를 Amazon Kinesis Data Firehose 전송 스트림으로 보냅니다. 60초의 버퍼 간격으로 Kinesis를 구성하고 데이터를 Amazon Redshift로 직접 로드합니다.

（A）S3DistCp를 사용하여 여러 파일을 HDFS(Hadoop Distributed File System)로 로드하고 HDFS 커넥터를 사용하여 데이터를 Amazon Redshift 클러스터로 수집합니다.

（B）Amazon Redshift 클러스터 노드 수와 동일한 LOAD 명령을 사용하고 데이터를 각 노드에 병렬로 로드합니다.

（C）여러 COPY 명령을 사용하여 데이터를 Amazon Redshift 클러스터로 로드합니다.

（D）단일 COPY 명령을 사용하여 데이터를 Amazon Redshift 클러스터로 로드합니다.

（A）Amazon Kinesis Data Firehose 전송 스트림을 사용하여 데이터를 수집하고 Amazon Redshift로 전송합니다. 입력 소스와 동일한 전송 스트림을 사용하는 Amazon Kinesis Data Analytics 애플리케이션을 생성합니다. Kinesis Data Analytics를 사용하여 특정 차고에 있는 차량 수를 인애플리케이션 스트림으로 테이블에 저장된 해당 임계값과 비교합니다. 차량 수가 임계값을 초과하는 경우 Amazon Simple Queue Service(Amazon SQS) 알림을 게시하도록 애플리케이션의 출력으로 AWS Lambda 함수를 구성합니다.

（B）Amazon Kinesis Data Firehose 전송 스트림을 사용하여 데이터를 수집하고 Amazon Redshift로 전송합니다. Amazon Redshift의 데이터를 쿼리하는 AWS Lambda 함수를 자동으로 시작합니다. 특정 차고의 차량 수를 Amazon S3의 해당 임계값과 비교하도록 Lambda 함수를 구성합니다. 차량 수가 임계값을 초과하는 경우 Amazon Simple 알림 서비스(Amazon SNS) 알림도 게시하도록 Lambda 함수를 구성합니다.

（C）Amazon Kinesis 데이터 스트림을 사용하여 데이터를 수집합니다. Amazon Kinesis Data Firehose 전송 스트림을 사용하여 Amazon Redshift에 데이터를 전송합니다. Amazon S3의 임계값을 임시로 저장하기 위해 또 다른 Kinesis 데이터 스트림을 생성합니다. 배달 스트림과 두 번째 데이터 스트림을 Amazon Kinesis Data Analytics로 보내 특정 차고의 차량 수를 해당 임계값과 비교합니다. 차량 수가 임계값을 초과하는 경우 C. Amazon Simple 알림 서비스(Amazon SNS) 알림을 게시하도록 AWS Lambda 함수를 구성합니다.

（D）Amazon Kinesis Data Firehose 전송 스트림을 사용하여 데이터를 수집하고 Amazon Redshift로 전송합니다. 입력 소스와 동일한 전송 스트림을 사용하는 Amazon Kinesis Data Analytics 애플리케이션을 생성합니다. Kinesis Data Analytics에서 참조 데이터 소스를 생성하여 Amazon S3의 임계값을 임시로 저장하고 특정 차고의 차량 수를 해당 임계값과 비교합니다. 차량 수가 임계값을 초과하는 경우 Amazon Simple 알림 서비스(Amazon SNS) 알림을 게시하도록 AWS Lambda 함수를 구성합니다.

（A）테이블에 사용할 파티션을 더 추가합니다. 그런 다음 두 파티션을 필터링하고 모든 열을 WHERE 절에 넣습니다.

（B）Parquet 파일을 csv 파일 형식으로 변환합니다. 그런 다음 데이터 쿼리를 다시 시도합니다.

（C）파티션 프로젝션을 사용하여 분할된 테이블의 처리 속도 향상

（D）Parquet 파일을 Apache ORC 파일 형식으로 변환합니다. 그런 다음 데이터 쿼리를 다시 시도하십시오.

（A）CREATE TABLE AS SELECT(CTAS) 문을 실행하여 13개월 이상 된 레코드를 Amazon S3에서 지원하는 Amazon Redshift Spectrum의 분기별 분할 데이터로 이동합니다.

（B）S3 Intelligent-Tiering을 사용하여 Amazon Redshift의 모든 테이블을 Amazon S3 버킷으로 언로드합니다. AWS Glue를 사용하여 S3 버킷 위치를 크롤링하여 AWS Glue 데이터 카탈로그에 외부 테이블을 생성합니다. 일일 분석 요구 사항에 대해 Auto Scaling을 사용하여 Amazon EMR 클러스터를 생성하고 분기별 보고서에는 Amazon Athena를 사용합니다. 둘 다 동일한 AWS Glue 데이터 카탈로그를 사용합니다.

（C）Amazon Redshift 클러스터의 스냅샷을 찍습니다. 스토리지 용량이 추가된 고밀도 스토리지 노드를 사용하여 클러스터를 새 클러스터로 복원합니다.

（D）AWS Glue에서 13개월 이상 된 레코드를 Amazon S3로 UNLOAD하는 일일 작업을 생성하고 Amazon Redshift에서 해당 레코드를 삭제합니다. S3 위치를 가리키도록 Amazon Redshift에서 외부 테이블을 생성합니다. Amazon Redshift Spectrum을 사용하여 13개월보다 오래된 데이터에 조인하십시오.