Bonne réponse
- AAjoutez un cluster DynamoDB Accelerator (DAX) devant la table et acheminez le trafic de lecture répété à travers celui-ci.
Explication
L'ajout d'un cluster DynamoDB Accelerator (DAX) devant la table réduit la latence de lecture en fournissant un cache en mémoire pour le trafic de lecture répété. DAX offre des temps de réponse de l'ordre de la microseconde pour les lectures à cohérence éventuelle, ce qui résout directement le problème de latence observé sans nécessiter de mise en cache au niveau de l'application ni de refonte de la table.
Pour aller plus loin
DynamoDB Accelerator (DAX) est un cache en mémoire à écriture immédiate (write-through) qui utilise l'API DynamoDB. Ainsi, le code applicatif existant utilisant le SDK AWS peut pointer vers l'adresse du cluster DAX avec un minimum de modifications. Il sert les lectures à cohérence éventuelle à partir de la RAM en quelques microsecondes et s'avère particulièrement efficace pour les lectures répétées des mêmes éléments, comme un tableau de bord interrogeant fréquemment les enregistrements de locataires actifs. DAX n'aide pas pour les lectures fortement cohérentes, qui contournent le cache, et il ne réduit pas la latence causée par les clés de partition surchargées (hot keys). L'augmentation des limites à la demande élève les plafonds de débit mais laisse la latence par requête inchangée ; un index secondaire global ajoute un deuxième chemin de lecture et des coûts supplémentaires sans garantir une latence plus faible ; et le déplacement des données vers S3 avec Lambda introduit une latence de démarrage à froid (cold-start) et de requête bien supérieure à un accès réussi au cache.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement SAA-C03 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.