Question d'entraînement SOA-C02
Une entreprise héberge une application web multicouche sur AWS. L'application se compose d'un Application Load Balancer (ALB), d'un parc d'instances Amazon EC2 s'exécutant dans un Auto Scaling group et d'une base de données Amazon RDS pour MySQL. L'application est utilisée par des utilisateurs du monde entier. Récemment, l'entreprise s'est développée dans de nouvelles régions géographiques et les utilisateurs de ces régions rencontrent une latence élevée. L'administrateur SysOps est chargé d'optimiser les performances pour les utilisateurs mondiaux tout en maintenant les coûts bas. L'administrateur a déjà implémenté Amazon CloudFront en tant que CDN pour le contenu statique. Cependant, le contenu dynamique qui nécessite des requêtes de base de données reste lent. L'Auto Scaling group de l'application est configuré avec une politique de mise à l'échelle dynamique basée sur l'utilisation moyenne du CPU, mais la mise à l'échelle ne réagit pas assez rapidement lors des pics de trafic, ce qui entraîne une dégradation des performances. De plus, la base de données est une instance unique db.r5.large dans la région us-east-1, et tout le trafic doit atteindre cette base de données, ce qui provoque une latence élevée pour les utilisateurs distants. L'administrateur doit proposer une solution complète qui résout à la fois les problèmes de performance du calcul et de la base de données à l'échelle mondiale, tout en tenant compte des coûts. Quelle solution est LA PLUS efficace ?
Bonne réponse
- BUtiliser Amazon Aurora Global Database pour créer des réplicas de lecture dans d'autres régions, et configurer l'Auto Scaling group avec une politique de mise à l'échelle par suivi de la cible basée sur le nombre de requêtes par cible.
Explication
Amazon Aurora Global Database fournit des réplicas de lecture à faible latence dans d'autres régions pour le contenu dynamique, réduisant la latence pour les utilisateurs mondiaux. De plus, une politique de mise à l'échelle par suivi de la cible basée sur le nombre de requêtes par cible réagit mieux aux pics de trafic que la mise à l'échelle basée sur le CPU, car elle reflète directement la charge de l'application. L'option A est erronée car l'utilisation d'une mise à l'échelle par paliers basée sur l'utilisation de la mémoire ne résout pas la latence globale et la mémoire peut ne pas être le goulet d'étranglement. L'option C est erronée car la mise en cache ElastiCache réduit la charge de la base de données mais ne réduit pas la latence pour les utilisateurs éloignés de la base de données principale ; la mise à l'échelle prédictive peut ne pas gérer correctement les pics soudains. L'option D est erronée car l'utilisation d'instances plus grandes et de Multi-AZ ne réduit pas la latence globale et augmente les coûts.
Pour aller plus loin
Le problème central ici est la différence entre la mise à l'échelle de la capacité de calcul et la gestion de la localité des données. Pour une application web multicouche avec une base d'utilisateurs mondiale, la latence est dominée par la distance physique entre les utilisateurs et la base de données. Amazon Aurora Global Database est conçue spécifiquement pour ce scénario : elle utilise un cluster de base de données primaire dans une région et des clusters secondaires en lecture seule dans d'autres régions, répliquant les données de manière asynchrone avec un décalage inférieur à une seconde. Le trafic de lecture peut être redirigé vers le cluster régional le plus proche, réduisant la latence des requêtes de plusieurs centaines de millisecondes à quelques dizaines de millisecondes. Cependant, les écritures vont toujours vers la région primaire, de sorte que les architectes doivent se demander si l'application peut tolérer une cohérence à terme pour les lectures ou si elle doit acheminer les opérations d'écriture vers la région primaire. L'Auto Scaling avec une politique de suivi de la cible basée sur le nombre de requêtes par cible est également une bonne pratique pour les couches web car il ajuste la capacité au trafic réel en temps quasi réel, contrairement à la mise à l'échelle par paliers basée sur la mémoire ou le CPU, qui sont indirectes et prennent souvent du retard par rapport à la demande. Une idée fausse courante est qu'une instance RDS Multi-AZ fournit des lectures mondiales à faible latence ; elle fournit en fait une haute disponibilité au sein d'une seule région, avec une réplication synchrone vers une instance de secours qui ne peut pas traiter le trafic. De même, ElastiCache réduit la charge sur la base de données mais ne produit pas une expérience cohérente à faible latence si le cache et la base de données restent dans une seule région distante. Les architectes doivent combiner la réplication de lecture globale avec la mise à l'échelle du calcul régional et, si nécessaire, la mise en cache locale au niveau des emplacements de périphérie pour répondre pleinement à la latence globale.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement SOA-C02 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.