DifícilOpción múltiple

Pregunta de práctica de SOA-C02

Un administrador de SysOps administra un grupo de 50 instancias de EC2 que ejecutan una aplicación de procesamiento por lotes. Las instancias se lanzan mediante un grupo de Auto Scaling con una política de escala dinámica basada en la utilización de la CPU. La empresa cambió recientemente a una nueva carga de trabajo con uso intensivo de memoria, lo que provoca eventos frecuentes de escala horizontal (scale-out). El administrador nota que la utilización de la CPU se mantiene por debajo del 40%, pero el uso de memoria supera constantemente el 80%. La política de escala no se activa adecuadamente, lo que provoca una degradación del rendimiento. El administrador debe optimizar la solución para responder a la presión de memoria sin incurrir en costos innecesarios. ¿Qué acción debe tomar el administrador?

Elige la mejor respuesta.

Respuesta correcta

  • ACrear una métrica personalizada de CloudWatch para la utilización de memoria y configurar una política de escala de seguimiento de destino utilizando esa métrica.

Explicación

Aborda directamente el cuello de botella de memoria al crear una métrica personalizada de CloudWatch para la utilización de memoria y utilizar una política de escala de seguimiento de destino. Esto permite que el grupo de Auto Scaling ajuste automáticamente la capacidad en función de la presión real de memoria, que es el problema real de rendimiento. La opción B (escala manual) no está automatizada y puede provocar un aprovisionamiento excesivo o insuficiente. La opción C (escala por pasos con CPU) no resuelve el problema de memoria, y un período de enfriamiento (cooldown) más amplio solo retrasaría la escala. La opción D (cambiar el tipo de instancia) es una medida reactiva que no proporciona escala dinámica y puede aumentar los costos sin eliminar la necesidad de políticas de escala.

Por qué cada opción es correcta o incorrecta

A

Correcta

Crear una métrica personalizada de CloudWatch para la utilización de memoria y configurar una política de escala de seguimiento de destino utilizando esa métrica.

EC2 publica de forma predeterminada solo métricas de infraestructura como CPU, red y E/S de disco; la utilización de memoria es invisible a menos que el agente de CloudWatch publique una métrica personalizada. Al crear una métrica personalizada como mem_used_percent y adjuntar una política de escala de seguimiento de destino, el grupo de Auto Scaling ajusta continuamente la capacidad para mantener la utilización promedio de memoria en un destino especificado (por ejemplo, 70%). Esto correlaciona las decisiones de escala con la carga de trabajo real limitada por memoria, evitando tanto el desperdicio de instancias en ejecución como la degradación del rendimiento por el agotamiento de la memoria.

B

Incorrecta

Aumentar el tamaño mínimo del grupo de Auto Scaling a 10 instancias y usar escala manual para las horas pico.

Un tamaño mínimo fijo de 10 obliga a que 10 instancias funcionen 24/7 independientemente de la demanda real, por lo que durante los períodos de tranquilidad se paga por capacidad inactiva y durante los picos repentinos esas 10 aún pueden ser insuficientes. La escala manual depende de que un administrador cambie preventivamente la capacidad para las horas pico, lo cual es frágil y propenso a errores; si la demanda cambia inesperadamente, el grupo no puede reaccionar. Esta solución no automatiza la decisión ni apunta a la utilización de memoria como señal, dejando sin resolver el riesgo original de subaprovisionamiento.

C

Incorrecta

Cambiar la política de escala dinámica a una política de escala por pasos basada en la utilización de la CPU con un período de enfriamiento más amplio.

Las políticas de escala por pasos operan en un umbral de alarma, pero cambiar la métrica a la utilización de la CPU aún ignora el cuello de botella real, que es la memoria; puede ocurrir una alta presión de memoria con baja CPU, por lo que la política nunca activaría la escala horizontal necesaria. Ampliar el período de enfriamiento también hace que el grupo responda menos: después de una actividad de escala, el grupo se bloquea durante un intervalo más largo, lo que significa que un pico de memoria repentino durante el enfriamiento no agregará instancias a tiempo. Por lo tanto, este cambio no aborda ni la elección de la métrica ni la oportunidad de la escala.

D

Incorrecta

Reemplazar el tipo de instancia actual con un tipo de instancia optimizado para memoria como r5.large.

Cambiar a un tipo de instancia optimizado para memoria como r5.large puede aliviar temporalmente la presión de memoria, pero no cambia el comportamiento de capacidad del grupo; el grupo de Auto Scaling aún se basa en las políticas existentes basadas en CPU, que son insensibles al uso de memoria. Cuando la demanda crece, incluso las instancias r5.large agotarán la memoria y, sin una política de expansión impulsada por métricas, el grupo no agregará instancias. Además, implementar r5.large en las 50 instancias aumenta el costo base sin garantizar una respuesta elástica a la carga, por lo que trata un síntoma en lugar de la deficiencia de escala subyacente.

Para profundizar

Amazon EC2 no expone la utilización de memoria del sistema operativo invitado (guest-OS) en las métricas estándar de CloudWatch, por lo que un administrador de sistemas debe instalar el agente unificado de CloudWatch en cada instancia y publicar una métrica de memoria (por ejemplo, mem_used_percent o memoria usada en bytes) en un espacio de nombres personalizado. Para Auto Scaling con una política de seguimiento de destino (target tracking), la métrica personalizada debe estructurarse como un agregado válido en todo el grupo, normalmente emitiendo la métrica con la dimensión AutoScalingGroupName y utilizando una estadística como Average para que la política pueda comparar el valor de todo el grupo con el destino. Las políticas de escala de seguimiento de destino se autoajustan: crean y administran automáticamente las alarmas de CloudWatch requeridas y calculan la capacidad deseada utilizando una respuesta proporcional o por pasos, simplificando así las operaciones. Un detalle sutil es que el valor de destino elegido debe ser realista para la aplicación, porque si el destino es demasiado bajo, el grupo se aprovisionará en exceso, y si es demasiado alto, las instancias pueden sobrecalentarse antes de que se lancen nuevas instancias. Otro concepto erróneo común es que simplemente se puede usar la métrica CPUUtilization de EC2 con una política de seguimiento de destino para todas las cargas de trabajo; para aplicaciones limitadas por memoria (memory-bound), ese enfoque fallará exactamente cuando la presión de memoria alcance su punto máximo mientras la CPU permanece baja. Al implementar una métrica de memoria personalizada y acoplarla a una política de seguimiento de destino, las decisiones de escala reflejan la restricción de recursos real y la flota coincide automáticamente con la curva de demanda.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de SOA-C02 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.