Professional-Data-Engineer日本語 無料問題集「Google Certified Professional Data Engineer Exam (Professional-Data-Engineer日本語版)」

（A）Cloud Logging データを BigQuery に毎日エクスポートします。プロジェクト、ログタイプ、リソース、ユーザーでフィルタリングするビューを作成します。

（B）Cloud Logging のデータをプロジェクト、リソース、ユーザー別にフィルタリングし、CSV 形式でデータをエクスポートします。

（C）Cloud Logging のデータをプロジェクト、ログタイプ、リソース、ユーザーでフィルタリングし、そのデータを BigQuery にインポートします。

（D）Cloud Logging データを CSV 形式で Cloud Storage にエクスポートします。Dataprep を使用してデータをクレンジングし、プロジェクト、リソース、ユーザーでフィルタリングします。

（A）Cloud Dataproc を使用して変換を実行します。クラスタの CPU 使用率を監視します。コマンドラインを使用して、クラスタ内のワーカーノードの数を変更します。

（B）Cloud Dataflow を使用して変換を実行します。Stackdriver を使用してジョブシステムの遅延を監視します。ワーカー インスタンスにはデフォルトの自動スケーリング設定を使用します。

（C）Cloud Dataflow を使用して変換を実行します。サンプルのジョブの合計実行時間をモニタリングします。必要に応じて、デフォルト以外の Compute Engine マシンタイプを使用するようにジョブを構成します。

（D）Cloud Dataproc を使用して変換を実行します。diagnose コマンドを使用して、運用出力アーカイブを生成します。ボトルネックを特定し、クラスタ リソースを調整します。

（A）クラウドSQL

（B）ビッグクエリ

（C）クラウド ビッグテーブル

（D）クラウド データストア

（A）Kafka Connect を使用して、Kafka メッセージ キューを Cloud Pub/Sub にリンクします。Cloud Dataflow テンプレートを使用して、Cloud Pub/Sub から Cloud Bigtable にメッセージを書き込みます。Cloud Scheduler を使用して、過去 1 時間に Cloud Bigtable で作成された行数をカウントするスクリプトを 1 時間ごとに実行します。その数が 4000 を下回ると、アラートを送信します。

（B）Kafka IO を使用して Cloud Dataflow でデータ ストリームを消費します。1 時間の固定時間枠を設定します。時間枠が終了したときに平均を計算し、平均が 4000 メッセージ未満の場合はアラートを送信します。

（C）Kafka IO を使用して Cloud Dataflow でデータ ストリームを消費します。5 分ごとに 1 時間のスライディング タイム ウィンドウを設定します。ウィンドウが閉じたときに平均を計算し、平均が 4,000 メッセージ未満の場合はアラートを送信します。

（D）Kafka Connect を使用して、Kafka メッセージ キューを Cloud Pub/Sub にリンクします。Cloud Dataflow テンプレートを使用して、Cloud Pub/Sub から BigQuery にメッセージを書き込みます。Cloud Scheduler を使用して、過去 1 時間に BigQuery で作成された行数をカウントするスクリプトを 5 分ごとに実行します。その数が 4000 を下回ると、アラートを送信します。

（A）データ サイエンス チームに Dataprep へのアクセス権を付与し、Cloud Storage 内のデータを準備、検証、探索できるようにします。

（B）データを BigQuery に読み込み、必要に応じて SQL を使用してデータを変換します。データ サイエンス チームにステージング テーブルへのアクセス権を付与して、生データを探索できるようにします。

（C）BigQuery で外部テーブルを作成し、必要に応じて SQL を使用してデータを変換し、データ サイエンス チームに外部テーブルへのアクセス権を付与して生データを探索できるようにします。

（D）データ サイエンス チームにDataflow へのアクセス権を付与し、生データを準備および検証し、データ探索のために BigQuery にデータをロードするパイプラインを作成します。

（A）Google クラウド ストレージ

（B）ファイルのアップロード

（C）Google Cloud SQL

（D）Google ドライブ

（A）テーブルを複数のテーブルに分割する; LIMIT 句を使用する

（B）データをパーティションに配置する; LIMIT句を使用する

（C）テーブルを複数のテーブルに分割する、データをパーティションに配置する、LIMIT 句を使用する

（D）テーブルを複数のテーブルに分割し、データをパーティションに配置する

（A）顧客管理の暗号化キー (CMEK) を使用して新しい BigOuery テーブルと Pub/Sub トピックを作成し、古い BigOuery テーブルからデータを移行します。

（B）Dataflow で Cloud KMS 暗号化キーを使用して、既存の Pub/Sub サブスクリプションを既存の BigQuery テーブルに取り込みます。

（C）顧客管理の暗号鍵 (CMEK) を使用して新しい BigOuory テーブルを作成し、古い BigQuery テーブルからデータを移行します。

（D）CMEK を使用して新しい Pub/Sub トピックを作成し、Google が管理する暗号鍵を使用して既存の BigQuery テーブルを使用します。

（A）Stackdriver Monitoring を使用して、Webhook 通知でアラートを設定し、ジョブをトリガーします。

（B）GCP API 呼び出しを使用してジョブのスケジュールとステータスを要求する App Engine アプリケーションを開発します。

（C）Cloud Composer で直接非巡回グラフを作成し、ジョブをスケジュールしてモニタリングします。

（D）Compute Engine インスタンスで cron ジョブを設定し、GCP API 呼び出しを使用してパイプラインをスケジュールおよび監視します。

（A）compute.networkUser ロールを Dataflow サービス エージェントに割り当てます。

（B）Dataflow パイプラインを実行するサービス アカウントに compute.networkUser ロールを割り当てます。

（C）データフロー管理者ロールをデータフロー サービス エージェントに割り当てます。

（D）Dataflow パイプラインを実行するサービス アカウントにデータフロー管理者ロールを割り当てます。

（A）共有する関連データを含む別のデータセットを BigQuery に作成し、サードパーティ企業に新しいデータセットへのアクセスを提供します。

（B）データを頻繁に読み取り、サードパーティ企業が使用できるように関連する BigQuery データセットまたは Cloud Storage バケットに書き込む Dataflow ジョブを作成します。

（C）Analytics Hub を使用してデータ アクセスを制御し、サードパーティ企業にデータセットへのアクセスを提供します。

（D）Cloud Scheduler を使用してデータを定期的に Cloud Storage にエクスポートし、サードパーティ企業にバケットへのアクセス権を付与します。

（A）すべての日次ログテーブルを日付パーティションテーブルに変換します

（B）クエリキャッシュを有効にして、前月のデータをキャッシュできるようにします。

（C）分割されたテーブルを単一のパーティション化されたテーブルに変換します

（D）各月をカバーする個別のビューを作成し、これらのビューからクエリを実行します。

（A）共通のテーブル名プレフィックスを使用して、各 Hive パーティションに個別の外部テーブルを作成します。ワイルドカード テーブル クエリを使用して、パーティション分割されたデータを参照します。

（B）Hive パーティション分割データ オブジェクトをマルチリージョン Cloud Storage バケットに移行します。

（C）外部テーブルを BigLake テーブルにアップグレードし、テーブルのメタデータ キャッシュを有効にします。

（D）Hive パーティション データ オブジェクトのストレージ クラスを Coldline から Standard に変更します。