DifficileChoix unique

Question d'entraînement SAA-C03

Exhibit

ALB and ASG snapshot (15-minute peak):
- RequestCountPerTarget: 1,920
- TargetResponseTime p95: 2.9 seconds
- HTTPCode_Target_5XX_Count: 0
EC2 application metrics from CloudWatch agent:
- CPUUtilization: 33%
- MemoryUtilization: 46%
- NetworkIn/Out: steady
Application logs:
[WARN] worker queue depth reached 5,000
[INFO] rejecting requests after thread pool saturation
Current Auto Scaling policy:
- Target tracking on CPUUtilization = 55%

D'après l'illustration, quel changement permet au mieux de réduire la latence pendant le trafic de pointe sans surprovisionner le parc ?

Choisissez la meilleure réponse.

Bonne réponse

  • BModifier la politique Auto Scaling pour cibler ALB RequestCountPerTarget.

Explication

L'utilisation d'une politique de mise à l'échelle par suivi de cible (target tracking) sur ALB RequestCountPerTarget ajuste dynamiquement la taille du parc en fonction de la charge réelle par instance, garantissant que la capacité évolue avec la demande lors des pics de trafic sans intervention manuelle ni surprovisionnement. Cette approche traite directement la latence causée par des taux de requêtes élevés par instance en maintenant un nombre de requêtes cible, ce qui réduit le temps de réponse sans ajouter d'instances superflues pendant les périodes creuses.

Pourquoi chaque option est juste ou fausse

A

Fausse

Remplacer les instances par une famille d'instances plus grande afin que chaque serveur dispose de plus de marge.

L'agrandissement de la famille d'instances augmente le CPU et la mémoire disponibles par serveur, mais l'illustration indique que le goulot d'étranglement est l'accumulation de la file d'attente due à la concurrence des requêtes, et non la saturation du CPU. Le groupe Auto Scaling repose toujours sur des alarmes basées sur le CPU, il n'ajoutera donc pas de capacité tant que le CPU n'augmentera pas, laissant le pool de threads épuisé et la latence élevée. Si les requêtes sont limitées par les E/S ou en attente de dépendances en arrière-plan, des instances plus grandes peuvent ne pas réduire du tout le temps de réponse par requête.

B

Juste

Modifier la politique Auto Scaling pour cibler ALB RequestCountPerTarget.

RequestCountPerTarget correspond à la demande réelle atteignant chaque instance et dimensionne la capacité avant que le pool de threads ne soit saturé. Comme le CPU est encore bas, une mise à l'échelle basée sur le CPU réagirait trop tard ou pas du tout. Le suivi de cible sur le nombre de requêtes aide à maintenir la profondeur de la file d'attente et la latence à un niveau bas tout en évitant un surprovisionnement inutile pendant les périodes plus calmes.

C

Fausse

Utiliser la mise à l'échelle planifiée pour ajouter des instances uniquement pendant la fenêtre de pointe des heures de bureau.

La mise à l'échelle planifiée ajoute ou supprime des instances à des heures fixes, en supposant que le trafic suit un modèle prévisible d'heures de bureau. Elle ne peut pas réagir aux pics inattendus, aux pics précoces ou aux changements de composition du trafic, de sorte qu'une foule soudaine avant la fenêtre planifiée submergera toujours les pools de threads existants. Le suivi de cible sur ALB RequestCountPerTarget ajuste la capacité en continu en réponse à la demande réelle par instance, rendant la latence cohérente sans prédire l'horloge.

D

Fausse

Remplacer l'ALB par un Network Load Balancer pour réduire la latence des requêtes.

Un NLB fonctionne au niveau de la couche 4 et transfère les connexions TCP directement vers les cibles, ce qui peut réduire la surcharge de transfert du répartiteur de charge et la latence, mais les indices pointent vers l'épuisement des threads à l'intérieur des instances applicatives, et non vers le temps de traitement de l'ALB. La métrique RequestCountPerTarget de l'ALB n'est pas émise par un NLB, donc le changement supprimerait le signal de mise à l'échelle qui fait correspondre la demande à la capacité. Sans nombre de requêtes au niveau du répartiteur de charge, la politique Auto Scaling aurait un retour d'information moins précis et la saturation sous-jacente du pool de threads resterait inchangée.

Pour aller plus loin

La latence applicative augmente souvent avant que le CPU n'atteigne une utilisation élevée, car chaque requête occupe un thread en attendant des appels en aval, des requêtes de base de données ou des E/S lentes. L'auto-scaling basé sur l'utilisation du CPU réagit uniquement lorsque le calcul est saturé, ce qui peut arriver beaucoup trop tard pour empêcher la mise en file d'attente et les dépassements de délai (timeouts). ALB RequestCountPerTarget fournit une estimation du nombre de requêtes en cours par instance, vous permettant de définir une cible qui approche la capacité du pool de threads avant qu'il ne s'effondre. En pratique, vous devez ajuster la valeur cible et prendre en compte l'agrégation des métriques ALB sur de courtes périodes pour éviter de brider le trafic à mesure que le groupe s'étend. Une idée reçue courante est que l'ajout d'une instance plus grande est toujours la solution, mais sans politique de mise à l'échelle qui réagit à la concurrence, le groupe gardera le même nombre d'instances et la file d'attente se formera simplement sur un pool de threads plus grand.

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.