DifícilMúltipla escolha

Questão de prática de SOA-C02

Um administrador do SysOps gerencia um conjunto de 50 instâncias do EC2 que executam um aplicativo de processamento em lote. As instâncias são iniciadas por meio de um grupo do Auto Scaling com uma política de escala dinâmica baseada na utilização da CPU. A empresa mudou recentemente para uma nova carga de trabalho intensiva em memória, causando eventos frequentes de scale-out. O administrador percebe que a utilização da CPU permanece abaixo de 40%, mas o uso de memória está consistentemente acima de 80%. A política de escala não é acionada adequadamente, levando à degradação do desempenho. O administrador deve otimizar a solução para responder à pressão de memória sem incorrer em custos desnecessários. Qual ação o administrador deve tomar?

Escolha a melhor resposta.

Resposta correta

  • ACriar uma métrica personalizada do CloudWatch para a utilização de memória e configurar uma política de escala baseada em rastreamento de destino usando essa métrica.

Explicação

Aborda diretamente o gargalo de memória ao criar uma métrica personalizada do CloudWatch para a utilização de memória e usar uma política de escala baseada em rastreamento de destino (target tracking). Isso permite que o grupo do Auto Scaling ajuste automaticamente a capacidade com base na pressão real de memória, que é o problema real de desempenho. A opção B (escala manual) não é automatizada e pode levar ao provisionamento excessivo ou insuficiente. A opção C (escala por etapas com CPU) não resolve o problema de memória, e um período de cooldown (resfriamento) mais amplo apenas atrasaria a escala. A opção D (alterar o tipo de instância) é uma medida reativa que não fornece escala dinâmica e pode aumentar os custos sem eliminar a necessidade de políticas de escala.

Por que cada alternativa está certa ou errada

A

Correta

Criar uma métrica personalizada do CloudWatch para a utilização de memória e configurar uma política de escala baseada em rastreamento de destino usando essa métrica.

O EC2 publica por padrão apenas métricas de infraestrutura como CPU, rede e E/S de disco; a utilização de memória fica invisível a menos que o agente do CloudWatch publique uma métrica personalizada. Ao criar uma métrica personalizada como mem_used_percent e anexar uma política de escala de rastreamento de destino, o grupo do Auto Scaling ajusta continuamente a capacidade para manter a utilização média de memória em um destino especificado (por exemplo, 70%). Isso correlaciona as decisões de escala com a carga de trabalho real limitada por memória, evitando o desperdício de instâncias em execução e a degradação do desempenho devido ao esgotamento da memória.

B

Incorreta

Aumentar o tamanho mínimo do grupo do Auto Scaling para 10 instâncias e usar escala manual para os horários de pico.

Um tamanho mínimo fixo de 10 força 10 instâncias a rodar 24/7, independentemente da demanda real, portanto, durante períodos de calmaria você paga por capacidade ociosa e, durante picos repentinos, essas 10 ainda podem ser insuficientes. A escala manual depende de um administrador alterar preventivamente a capacidade para os horários de pico, o que é frágil e sujeito a erros; se a demanda mudar inesperadamente, o grupo não poderá reagir. Esta solução não automatiza a decisão nem visa a utilização de memória como sinal, deixando o risco original de subprovisionamento sem solução.

C

Incorreta

Alterar a política de escala dinâmica para uma política de escala por etapas baseada na utilização da CPU com um período de cooldown mais amplo.

As políticas de escala por etapas operam em um limite de alarme, mas alterar a métrica para a utilização da CPU ainda ignora o gargalo real, que é a memória; alta pressão de memória pode ocorrer com baixa CPU, portanto a política nunca acionaria o scale-out necessário. Alargar o período de cooldown também torna o grupo menos responsivo: após uma atividade de escala, o grupo fica bloqueado por um intervalo mais longo, o que significa que um pico repentino de memória durante o cooldown não adicionará instâncias a tempo. Portanto, essa alteração não aborda nem a escolha da métrica nem a pontualidade da escala.

D

Incorreta

Substituir o tipo de instância atual por um tipo de instância otimizado para memória, como r5.large.

Mudar para um tipo de instância otimizado para memória como r5.large pode aliviar temporariamente a pressão de memória, mas não altera o comportamento de capacidade do grupo; o grupo do Auto Scaling ainda depende das políticas existentes baseadas em CPU, que são insensíveis ao uso de memória. Quando a demanda cresce, até mesmo as instâncias r5.large esgotarão a memória e, sem uma política de expansão orientada por métricas, o grupo não adicionará instâncias. Além disso, implantar r5.large em todas as 50 instâncias aumenta o custo base sem garantir uma resposta elástica à carga, portanto, trata um sintoma em vez da deficiência de escala subjacente.

Para se aprofundar

O Amazon EC2 não expõe a utilização de memória do sistema operacional convidado (guest-OS) nas métricas padrão do CloudWatch, portanto, um administrador de sistemas deve instalar o agente unificado do CloudWatch em cada instância e publicar uma métrica de memória (por exemplo, mem_used_percent ou memória usada em bytes) em um namespace personalizado. Para o Auto Scaling com uma política de rastreamento de destino, a métrica personalizada deve ser estruturada como um agregado válido em todo o grupo, normalmente emitindo a métrica com a dimensão AutoScalingGroupName e usando uma estatística como Average para que a política possa comparar o valor de todo o grupo com o destino. As políticas de escala de rastreamento de destino são autoajustáveis: elas criam e gerenciam automaticamente os alarmes do CloudWatch necessários e calculam a capacidade desejada usando uma resposta proporcional ou em etapas, simplificando assim as operações. Uma sutileza é que o valor de destino escolhido deve ser realista para o aplicativo, porque se o destino for muito baixo, o grupo fará o provisionamento excessivo e, se for muito alto, as instâncias poderão rodar no limite antes que novas instâncias sejam iniciadas. Outro equívoco comum é que você pode simplesmente usar a métrica CPUUtilization do EC2 com uma política de rastreamento de destino para todas as cargas de trabalho; para aplicativos limitados por memória (memory-bound), essa abordagem falhará exatamente quando a pressão de memória atingir o pico enquanto a CPU permanecer baixa. Ao implementar uma métrica de memória personalizada e acoplá-la a uma política de rastreamento de destino, as decisões de escala refletem a restrição real de recursos e a frota corresponde automaticamente à curva de demanda.

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.