Wissensprüfung - Integration von Anwendungsdiensten
Die API von TaskBoard liest Aufgaben aus DBaaS für PostgreSQL. Die Leseauslastung steigt, und eine Entwicklerin schlägt diese Änderung vor:
write_engine = create_engine(primary_url)
read_engine = create_engine(standby_url) # point reads at a standby instance
Was ist der korrekte Weg, um die Lesezugriffe von TaskBoard zu skalieren?
PostgreSQL-Standby-Instanzen dienen der Hochverfügbarkeit, und Leseverbindungen zu Standby-Knoten sind nicht zulässig, sodass jede Abfrage die Primärinstanz erreicht. Ein Cache vor der Datenbank, wie etwa Cache-aside mit In-Memory DB, ist die Schicht zur Skalierung der Lesezugriffe. Die Erhöhung der Instanzanzahl oder die Änderung des Replikationsmodus fügt Standbys für Failover hinzu, keine lesbaren Replikate.
Eine Entwicklerin oder ein Entwickler schreibt diesen boto3-Client für die Anhänge von TaskBoard. Der Code schlägt fehl, bevor er den Bucket erreicht.
s3 = boto3.client(
"s3",
aws_session_token=os.environ["IONOS_TOKEN"], # Cloud API bearer token
region_name="eu-central-3",
)
Welche Änderung ermöglicht es dem Client, mit IONOS Cloud Object Storage zu arbeiten?
Object Storage authentifiziert S3-Anfragen mit einem Access Key und einem Secret Key. boto3 benötigt den regionalen Endpunkt explizit, da es andernfalls mit AWS kommuniziert. Der Bearer-Token der Cloud API ist keine S3-Anmeldeinformation, und IAM sowie der Security Token Service (STS) werden nicht unterstützt. Der Regionsname allein ändert den Endpunkt nicht.
Der Worker von TaskBoard konsumiert task-events mit enable.auto.commit, das auf False gesetzt ist. Welche Verarbeitung einer Nachricht gewährleistet eine mindestens-einmalige Zustellung, ohne dass eine fehlerhafte Nachricht ihre Partition blockiert?
Das Commiten nach der Verarbeitung gewährleistet eine mindestens-einmalige Zustellung, und das Weiterleiten einer fehlerhaften Nachricht an ein Retry- oder Dead-Letter-Topic ermöglicht es der Partition, fortzufahren. Das Commiten vor der Verarbeitung führt zu einer höchstens-einmaligen Zustellung und zum Verlust der Nachricht bei einem Fehler. Eine endlose Wiederholungsschleife blockiert jede spätere Nachricht in der Partition.
Das task-events-Topic von TaskBoard hat 6 Partitionen. Während eines Backlogs skaliert eine Entwicklerin das Deployment des Notifiers, das eine group.id verwendet, von 6 auf 12 Replikate. Was passiert?
Innerhalb einer Consumer-Gruppe wird jede Partition von höchstens einem Consumer gelesen, sodass die Partitionszahl die Obergrenze für Parallelität darstellt. Das Hinzufügen von Consumern darüber hinaus lässt sie untätig, und die Partitionszahl ist eine Topic-Einstellung (number_of_partitions), nicht ein Ergebnis der Consumer-Anzahl. Um die Obergrenze zu erhöhen, werden Partitionen hinzugefügt, in Vielfachen von 3 für die drei Broker des Clusters.
Ein Massenimport ruft AI Model Hub für 2.000 Aufgabenübersichten parallel ab. Die meisten Anfragen schlagen mit 429 und dem Fehlercode RATE_LIMIT_EXCEEDED fehl. Welche Lösung entspricht der Art, wie AI Model Hub Anfragen begrenzt?
Die Standardgrenze beträgt 5 Anfragen pro Sekunde pro Modell, mit Bursts von bis zu 10, durchgesetzt pro Vertrag und nicht pro Benutzer. Ein gedrosselter Kafka-Consumer hält die Rate unterhalb dieser Grenze, und der Retry-After-Header gibt die Wartezeit nach einem 429 an. Sofortige Wiederholungen stoßen erneut auf dieselbe Grenze, und Streaming-Anfragen an dasselbe Modell werden ebenfalls auf dessen Grenze angerechnet.