DifficileChoix unique

Question d'entraînement SOA-C02

Un administrateur SysOps gère un parc de 50 instances EC2 exécutant une application de traitement par lots. Les instances sont lancées via un groupe Auto Scaling doté d'une politique de mise à l'échelle dynamique basée sur l'utilisation du processeur. L'entreprise est récemment passée à une nouvelle charge de travail gourmande en mémoire, provoquant de fréquentes opérations de scale-out. L'administrateur remarque que l'utilisation du processeur reste inférieure à 40 %, mais que l'utilisation de la mémoire dépasse constamment 80 %. La politique de mise à l'échelle ne se déclenche pas de manière appropriée, ce qui entraîne une dégradation des performances. L'administrateur doit optimiser la solution pour répondre à la pression de la mémoire sans encourir de coûts inutiles. Quelle action l'administrateur doit-il entreprendre ?

Choisissez la meilleure réponse.

Bonne réponse

  • ACréer une métrique CloudWatch personnalisée pour l'utilisation de la mémoire et configurer une politique de mise à l'échelle par suivi d'objectif en utilisant cette métrique.

Explication

Il répond directement au problème de goulot d'étranglement de la mémoire en créant une métrique CloudWatch personnalisée pour l'utilisation de la mémoire et en utilisant une politique de mise à l'échelle par suivi d'objectif (target tracking). Cela permet au groupe Auto Scaling d'ajuster automatiquement la capacité en fonction de la pression réelle de la mémoire, qui est le véritable problème de performance. L'option B (mise à l'échelle manuelle) n'est pas automatisée et peut entraîner un surdimensionnement ou un sous-dimensionnement. L'option C (mise à l'échelle par paliers avec le processeur) ne résout pas le problème de la mémoire, et une période de refroidissement (cooldown) plus large ne ferait que retarder la mise à l'échelle. L'option D (changement du type d'instance) est une mesure réactive qui ne fournit pas de mise à l'échelle dynamique et peut augmenter les coûts sans éliminer le besoin de politiques de mise à l'échelle.

Pourquoi chaque option est juste ou fausse

A

Juste

Créer une métrique CloudWatch personnalisée pour l'utilisation de la mémoire et configurer une politique de mise à l'échelle par suivi d'objectif en utilisant cette métrique.

EC2 publie par défaut uniquement des métriques d'infrastructure telles que le processeur, le réseau et les E/S de disque ; l'utilisation de la mémoire est invisible à moins que l'agent CloudWatch ne publie une métrique personnalisée. En créant une métrique personnalisée telle que mem_used_percent et en y attachant une politique de mise à l'échelle par suivi d'objectif, le groupe Auto Scaling ajuste continuellement la capacité pour maintenir l'utilisation moyenne de la mémoire à une cible spécifiée (par exemple, 70 %). Cela corréle les décisions de mise à l'échelle avec la charge de travail réelle liée à la mémoire, évitant à la fois le gaspillage d'instances en cours d'exécution et la dégradation des performances due à l'épuisement de la mémoire.

B

Fausse

Augmenter la taille minimale du groupe Auto Scaling à 10 instances et utiliser la mise à l'échelle manuelle pour les périodes de forte affluence.

Une taille minimale fixe de 10 force l'exécution de 10 instances 24h/24 et 7j/7 indépendamment de la demande réelle, de sorte que pendant les périodes calmes, vous payez pour de la capacité inactive et pendant les pics soudains, ces 10 instances peuvent encore être insuffisantes. La mise à l'échelle manuelle oblige un administrateur à modifier de manière préventive la capacité pour les heures de pointe, ce qui est fragile et sujet aux erreurs ; si la demande change de manière inattendue, le groupe ne peut pas réagir. Cette solution n'automatise pas la décision ni ne cible l'utilisation de la mémoire comme signal, laissant le risque de sous-dimensionnement initial non résolu.

C

Fausse

Modifier la politique de mise à l'échelle dynamique en une politique de mise à l'échelle par paliers basée sur l'utilisation du processeur avec une période de refroidissement plus large.

Les politiques de mise à l'échelle par paliers fonctionnent sur un seuil d'alarme, mais changer la métrique pour l'utilisation du processeur ignore toujours le véritable goulot d'étranglement, qui est la mémoire ; une forte pression sur la mémoire peut se produire avec un processeur faible, de sorte que la politique ne déclenchera jamais le scale-out nécessaire. L'élargissement de la période de refroidissement rend également le groupe moins réactif : après une activité de mise à l'échelle, le groupe est verrouillé pendant un intervalle plus long, ce qui signifie qu'un pic de mémoire soudain pendant le refroidissement n'ajoutera pas de instances à temps. Par conséquent, ce changement ne résout ni le choix de la métrique ni la réactivité de la mise à l'échelle.

D

Fausse

Remplacer le type d'instance actuel par un type d'instance optimisé pour la mémoire tel que r5.large.

Passer à un type d'instance optimisé pour la mémoire comme r5.large peut soulager temporairement la pression sur la mémoire, mais cela ne modifie pas le comportement de capacité du groupe ; le groupe Auto Scaling s'appuie toujours sur les politiques existantes basées sur le processeur, qui sont insensibles à l'utilisation de la mémoire. Lorsque la demande augmente, même les instances r5.large épuiseront la mémoire, et sans politique d'expansion pilotée par les métriques, le groupe n'ajoutera pas d'instances. De plus, déployer r5.large sur l'ensemble des 50 instances augmente le coût de base sans garantir une réponse élastique à la charge, traitant ainsi un symptôme plutôt que la lacune de mise à l'échelle sous-jacente.

Pour aller plus loin

Amazon EC2 n'expose pas l'utilisation de la mémoire de l'OS invité dans les métriques CloudWatch standard, de sorte qu'un administrateur système doit installer l'agent CloudWatch unifié sur chaque instance et publier une métrique de mémoire (par exemple, mem_used_percent ou mémoire utilisée en octets) dans un espace de noms personnalisé. Pour l'Auto Scaling avec une politique de suivi d'objectif, la métrique personnalisée doit être structurée comme un agrégat valide sur l'ensemble du groupe, généralement en émettant la métrique avec la dimension AutoScalingGroupName et en utilisant une statistique telle que Average afin que la politique puisse comparer la valeur à l'échelle du groupe à l'objectif. Les politiques de mise à l'échelle par suivi d'objectif sont auto-ajustables : elles créent et gèrent automatiquement les alarmes CloudWatch requises et calculent la capacité souhaitée à l'aide d'une réponse proportionnelle ou par paliers, simplifiant ainsi les opérations. Une subtilité est que la valeur cible choisie doit être réaliste pour l'application, car si la cible est trop basse, le groupe se surdimensionnera, et si elle est trop haute, les instances risquent de surchauffer avant que de nouvelles instances ne soient lancées. Une autre idée reçue fréquente est que l'on peut simplement utiliser la métrique EC2 CPUUtilization avec une politique de suivi d'objectif pour toutes les charges de travail ; pour les applications gourmandes en mémoire, cette approche échouera précisément lorsque la pression de la mémoire atteint son maximum alors que le processeur reste bas. En mettant en œuvre une métrique de mémoire personnalisée et en l'associant à une politique de suivi d'objectif, les décisions de mise à l'échelle reflètent la véritable contrainte de ressources et le parc correspond automatiquement à la courbe de demande.

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.