DifícilOpción múltiple

Pregunta de práctica de DEA-C01

Una empresa utiliza Amazon Kinesis Data Analytics for Apache Flink para procesar datos en streaming. La aplicación lee desde un Kinesis data stream, realiza una agregación de ventana fija (tumbling window) de 1 minuto y escribe los resultados en un bucket de S3. Recientemente, la aplicación comenzó a experimentar fallos en los puntos de control (checkpoint) y un aumento en el retraso del procesamiento. ¿Qué acción debe realizar el ingeniero PRIMERO para diagnosticar el problema?

Elige la mejor respuesta.

Respuesta correcta

  • BMonitorear la utilización de CPU y memoria de la aplicación Flink utilizando métricas de Amazon CloudWatch.

Explicación

Cuando una aplicación Flink muestra fallos en los puntos de control y un retraso de procesamiento creciente, el primer paso de diagnóstico es verificar la utilización de recursos a través de las métricas de CloudWatch (CPU, memoria, heap, duración del punto de control). Los fallos en los puntos de control a menudo se derivan de contrapresión o agotamiento de recursos, por lo que comprender si la aplicación está limitada por CPU o memoria guía la siguiente acción. Este es el primer paso menos invasivo y más informativo.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Aumentar el paralelismo de la aplicación Flink.

Aumentar el paralelismo redistribuye la carga pero no puede reparar los puntos de control fallidos, y puede amplificar la contención de acceso al estado y el retraso. Es tentador porque el paralelismo es el remedio estándar para los cuellos de botella de rendimiento, por lo que sería correcto si el enunciado mostrara una escasez de capacidad sostenida en lugar de fallos en los puntos de control con un retraso creciente.

B

Correcta

Monitorear la utilización de CPU y memoria de la aplicación Flink utilizando métricas de Amazon CloudWatch.

Los fallos en los puntos de control y el aumento del retraso en el procesamiento suelen derivarse del agotamiento de recursos, como la presión de CPU o memoria, o la contrapresión dentro de la aplicación Flink. Revisar primero las métricas de CPU y memoria de CloudWatch identifica si los task managers están saturados, abordando directamente la restricción de diagnóstico del enunciado antes de realizar un ajuste más profundo.

C

Incorrecta

Cambiar a Kinesis Client Library (KCL) para el checkpointing.

KCL es un mecanismo de checkpointing de la biblioteca de consumo para leer flujos de Kinesis, no el backend de estado gestionado de Flink, por lo que no puede reemplazar el almacenamiento de puntos de control de Flink. Es tentador porque KCL se adapta a aplicaciones de consumo de Kinesis personalizadas, pero una aplicación Flink realiza puntos de control a través de su backend de estado configurado y destino S3.

D

Incorrecta

Aumentar el intervalo de puntos de control para reducir la frecuencia de los mismos.

Alargar el intervalo de puntos de control solo reduce la frecuencia con la que ocurren; no identifica por qué fallan y retrasa la recuperación, empeorando el retraso del procesamiento. Es tentador porque la sobrecarga de los puntos de control realmente causa contrapresión, por lo que ajustar los intervalos es válido una vez que se sabe que la causa raíz es el costo del punto de control en lugar de un fallo subyacente.

Para profundizar

El checkpointing de Flink realiza instantáneas del estado del operador en un almacenamiento duradero (por ejemplo, S3) a intervalos configurados. Los fallos suelen surgir de la contrapresión (operadores lentos que provocan que las barreras de checkpoint se retrasen), memoria insuficiente del task manager que provoca pausas de GC, o el tamaño del estado excediendo los límites configurados. Las métricas de CloudWatch para Kinesis Data Analytics exponen 'cpuUtilization', 'heapMemoryUtilization', 'numRecordsInPerSecond' y métricas relacionadas con los checkpoints como 'lastCheckpointDuration' y 'numberOfFailedCheckpoints'. Un comportamiento sutil: los tiempos de espera de los checkpoints suelen ser un síntoma de contrapresión, no un problema de configuración de checkpoint, por lo que ajustar la configuración de checkpoint sin solucionar el cuello de botella es inútil. Escenario del mundo real: un ingeniero observa un aumento en 'millisBehindLatest' en el origen y fallos en los checkpoints, verifica la utilización del heap, encuentra problemas de GC y aumenta la memoria del task manager o corrige un sink lento.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de DEA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.