DifícilMúltipla escolha

Questão de prática de SOA-C02

Uma empresa hospeda uma aplicação web em camadas na AWS. A aplicação consiste em um Application Load Balancer (ALB), um conjunto de instâncias do Amazon EC2 executadas em um Auto Scaling group e um banco de dados Amazon RDS para MySQL. A aplicação é acessada por usuários em todo o mundo. Recentemente, a empresa se expandiu para novas regiões geográficas e os usuários dessas regiões estão enfrentando alta latência. O administrador do SysOps tem a tarefa de otimizar o desempenho para os usuários globais, mantendo os custos baixos. O administrador já implementou o Amazon CloudFront como uma CDN para conteúdo estático. No entanto, o conteúdo dinâmico que requer consultas ao banco de dados ainda está lento. O Auto Scaling group da aplicação está configurado com uma política de dimensionamento dinâmico baseada na utilização média da CPU, mas o dimensionamento não responde rápido o suficiente durante os picos de tráfego, causando degradação do desempenho. Além disso, o banco de dados é uma única instância db.r5.large na região us-east-1, e todo o tráfego deve atingir esse banco de dados, causando alta latência para usuários remotos. O administrador precisa propor uma solução abrangente que resolva os problemas de desempenho de computação e de banco de dados globalmente, considerando os custos. Qual solução é A MAIS eficaz?

Escolha a melhor resposta.

Resposta correta

  • BUsar o Amazon Aurora Global Database para criar réplicas de leitura em outras regiões e configurar o Auto Scaling group com uma política de dimensionamento de rastreamento de destino baseada na contagem de solicitações por destino.

Explicação

O Amazon Aurora Global Database fornece réplicas de leitura de baixa latencia em outras regiões para conteúdo dinâmico, reduzindo a latencia para usuários globais. Além disso, uma política de dimensionamento de rastreamento de destino baseada na contagem de solicitações por destino responde melhor aos picos de tráfego do que o dimensionamento baseado em CPU, pois reflete diretamente a carga da aplicação. A opção A está incorreta porque o uso de dimensionamento em etapas baseado na utilização de memória não aborda a latência global e a memória pode não ser o gargalo. A opção C está incorreta porque o cache do ElastiCache reduz a carga do banco de dados, mas não reduz a latencia para usuários distantes do banco de dados principal; o dimensionamento preditivo pode não lidar bem com picos repentinos. A opção D está incorreta porque o uso de instâncias maiores e Multi-AZ não reduz a latência global e aumenta os custos.

Por que cada alternativa está certa ou errada

A

Incorreta

Aumentar o tamanho mínimo e máximo do Auto Scaling group e usar uma política de dimensionamento em etapas baseada na utilização de memória.

Aumentar o tamanho mínimo e máximo do Auto Scaling group, combinado com uma política de dimensionamento em etapas baseada na utilização de memória, afeta apenas a capacidade de computação na região atual. Isso não faz nada para reduzir o tempo de ida e volta da rede entre usuários globais e um banco de dados de região única, de modo que a latência que os usuários experimentam nas leituras do banco de dados permanece inalterada. Além disso, a utilização de memória é um indicador ruim para a latência de solicitações; uma política baseada em etapas de memória pode acionar um dimensionamento tardio ou inadequado, tornando-a uma solução ineficaz para uma base de usuários geograficamente distribuída.

B

Correta

Usar o Amazon Aurora Global Database para criar réplicas de leitura em outras regiões e configurar o Auto Scaling group com uma política de dimensionamento de rastreamento de destino baseada na contagem de solicitações por destino.

O Amazon Aurora Global Database replica dados entre regiões da AWS com um atraso de replicação típico inferior a um segundo, permitindo que as leituras da aplicação sejam atendidas por réplicas de leitura regionais. Isso reduz drasticamente a latência de rede entre regiões para usuários globais, tornando as leituras de banco de dados rápidas, independentemente da localização do usuário. Configurar o Auto Scaling group com uma política de rastreamento de destino baseada na contagem de solicitações por destino do Application Load Balancer alinha diretamente a capacidade de computação com os padrões de tráfego de entrada, permitindo que a camada web seja dimensionada rapidamente durante picos de demanda sem esperar que alarmes de memória o CPU dispararem.

C

Incorreta

Implementar o Amazon ElastiCache para Redis para fazer cache de consultas de banco de dados e usar dimensionamento preditivo para o Auto Scaling group.

A implementação do ElastiCache para Redis armazena em cache consultas frequentes ao banco de dados, o que pode reduzir a carga repetida do banco de dados, mas falhas de cache ainda exigem uma viagem de ida e volta para o banco de dados principal na região original. Isso não reduz consistentemente a latência para usuários globais, especialmente se o cache também estiver na mesma região única que o banco de dados. O dimensionamento preditivo depende de padrões de tráfego históricos e não consegue lidar com picos de tráfego globais repentinos ou imprevisíveis de forma eficaz; ele não compensará a latência do banco de dados que permanece em falhas de cache.

D

Incorreta

Usar instâncias EC2 maiores (por exemplo, c5.2xlarge) para a camada de aplicação e provisionar uma instância RDS Multi-AZ para melhor desempenho.

Mudar para instâncias EC2 maiores e para uma implantação RDS Multi-AZ melhora a taxa de transferência bruta de computação e a alta disponibilidade do banco de dados, mas não resolve o problema fundamental de latência geográfica. Solicitações de usuários em regiões distantes ainda viajam pela internet pública para alcançar a aplicação e o banco de dados na região original, de modo que o tempo de ida e volta permanece alto. O Multi-AZ fornece um standby síncrono em uma zona de disponibilidade diferente para failover, e não uma réplica de leitura que possa servir leituras de baixa latência para usuários globais; esta opção aumenta o custo sem entregar a melhoria de latência necessária.

Para se aprofundar

O problema central aqui é a diferença entre dimensionar a capacidade de computação e tratar a localidade dos dados. Para uma aplicação web em camadas com uma base de usuários global, a latência é dominada pela distância física entre os usuários e o banco de dados. O Amazon Aurora Global Database foi projetado especificamente para este cenário: ele usa um cluster de banco de dados primário em uma região e clusters secundários somente leitura em outras regiões, replicando os dados de forma assíncrona com atraso inferior a um segundo. O tráfego de leitura pode ser redirecionado para o cluster regional mais próximo, reduzindo a latência de consulta de centenas de milissegundos para dezenas de milissegundos. No entanto, as gravações ainda vão para a região primária, portanto, os arquitetos devem considerar se a aplicação pode tolerar consistência eventual para leituras ou se precisa rotear operações de gravação de volta para a primária. O Auto Scaling com uma política de rastreamento de destino baseada na contagem de solicitações por destino também é uma prática recomendada para camadas web porque corresponde à capacidade com o tráfego real em tempo quase real, ao contrário do dimensionamento em etapas baseado em memória ou CPU, que são indiretos e frequentemente atrasados em relação à demanda. Um equívoco comum é que uma instância RDS Multi-AZ fornece leituras globais de baixa latência; na verdade, ela fornece alta disponibilidade em uma única região, com replicação síncrona para um standby que não pode atender tráfego. Da mesma forma, o ElastiCache reduz a carga no banco de dados, mas não produz uma experiência consistente de baixa latência se o cache e o banco de dados permanecerem em uma única região remota. Os arquitetos devem combinar a replicação de leitura global com o dimensionamento de computação regional e, se necessário, cache local em localizações de borda para resolver totalmente a latência global.

Sobre estas questões de prática

Esta é uma das questões de prática originais de SOA-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.