Uma empresa executa uma variedade de cargas de trabalho na AWS e deseja ser notificada quando seus gastos mensais se comportarem de maneira incomum em comparação com padrões anteriores. Eles querem um serviço gerenciado que use machine learning para detectar anomalias de custos e forneça análise de causa raiz. Qual serviço ou recurso da AWS eles devem usar?
Escolha a melhor resposta.
Resposta correta
AWS Cost Anomaly Detection é um serviço gerenciado que aproveita o machine learning para monitorar continuamente seus padrões de custos e uso, detectar anomalias e fornecer análise de causa raiz. Ele estabelece automaticamente uma linha de base a partir de dados de gastos históricos e alerta você quando o gasto real se desvia dos padrões esperados, tornando-se a escolha correta para este caso de uso.
AWS Budgets
AWS Budgets é uma ferramenta de consultoria que permite definir um custo específico ou valor de uso que você define, como um orçamento agregado mensal ou um orçamento marcado por serviço. Ele aciona notificações quando o gasto real ou previsto atinge limites que você escolhe manualmente, mas não pode detectar autonomamente padrões de gastos incomuns porque não analisa dados de custos históricos em busca de desvios estatísticos. Como o limite é fixo e a lógica de alerta é estática, ele não foi projetado para notar se seu comportamento se desvia da sua própria linha de base estabelecida — ele apenas verifica em relação ao número que você definiu.
AWS Cost Anomaly Detection
AWS Cost Anomaly Detection aplica classificadores de machine learning aos seus dados históricos de uso e custos da AWS para detectar desvios de padrões, como picos de gastos com computação, crescimento de armazenamento ou outro uso inesperado em serviços, contas ou tags de alocação de custos. Quando um grupo de anomalias é confirmado, ele exibe uma análise de causa raiz com os drivers suspeitos (por exemplo, um recurso recém-criado ou uma alteração na região) e envia alertas acionáveis por meio do Amazon EventBridge e do Amazon SNS. Sua lógica de detecção é adaptativa e não requer limites predefinidos, portanto, ele aprende continuamente com seu histórico real de gastos e captura anomalias que, de outra forma, burlariam os limites estáticos de orçamento.
AWS Cost Explorer
AWS Cost Explorer é uma interface no estilo de inteligência de negócios que plota o histórico de custos e uso em gráficos, prevê gastos futuros usando análise de tendência simples e permite filtrar dimensões de nível de recurso, como um serviço específico ou tag de alocação de custos. Ele permite análises detalhadas ad-hoc e relatórios agendados, mas é inerentemente uma ferramenta reativa: alguém deve notar uma anomalia, abrir o painel e começar a investigar através dos visuais. A detecção de anomalias, por outro lado, monitora automaticamente os mesmos dados de custos subjacentes e envia um alerta coerente com uma causa raiz gerada, de modo que o próprio Cost Explorer não foi projetado para identificar e investigar anomalias em seu nome em tempo real.
AWS Trusted Advisor
AWS Trusted Advisor realiza uma inspeção automatizada do sistema em relação a um conjunto de verificações de melhores práticas que cobrem a otimização de custos; por exemplo, ele sinaliza instâncias EC2 subutilizadas, instâncias RDS ociosas ou Elastic IPs não associados que podem ser reduzidos ou removidos. Essas verificações dependem de regras estáticas e limites padrão, como uma baixa taxa de utilização de CPU, e comparam a configuração atual do recurso a essas regras, em vez de à sua própria série temporal de gastos. Portanto, ele pode ajudar a cortar custos por meio de dimensionamento adequado e limpeza de recursos, mas seu mecanismo de verificação é fundamentalmente diferente de um detector de anomalias de machine learning que vê quando algo em sua fatura mudou inesperadamente.
O AWS Cost Anomaly Detection é construído sobre a infraestrutura interna de inteligência de custos da Amazon. Ele ingere seus dados de custos e uso (por exemplo, de Cost and Usage Reports no Amazon S3 ou por meio da API do Cost Explorer) e usa machine learning para criar uma linha de base de custos esperados ao longo de diferentes dimensões, como serviço, conta de membro, tag de alocação de custos e AWS Region. Quando os custos reais se desviam desse intervalo esperado, ele avalia a significância estatística do desvio e agrupa anomalias relacionadas em um "grupo de anomalias" lógico para reduzir o ruído de alertas. O serviço gera então uma análise de causa raiz em linguagem simples — como "nova AWS Region ativada" ou "pico no uso do CloudWatch para a conta X" — e publica eventos no Amazon EventBridge, permitindo respostas automatizadas, como invocar uma função do AWS Lambda ou executar uma automação do Systems Manager. Um equívoco comum é que a detecção de anomalias substitui o AWS Budgets ou o Trusted Advisor; na prática, eles são complementares: o Budgets impõe limites rígidos, o Trusted Advisor corrige ineficiências conhecidas, enquanto a detecção de anomalias captura o que você não sabia que precisava definir um limite para. No entanto, não é em tempo real: requer dados históricos suficientes e normalmente detecta anomalias após a finalização do razão do dia, por isso é melhor usado como um controle detetivo em vez de preventivo.
Sobre estas questões de prática
Esta é uma das questões de prática originais de CLF-C02 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.