Verificación de conocimientos - Integración del servicio de aplicaciones
La API de TaskBoard lee tareas desde DBaaS para PostgreSQL. La carga de lectura aumenta y un desarrollador propone este cambio:
write_engine = create_engine(primary_url)
read_engine = create_engine(standby_url) # point reads at a standby instance
¿Cuál es la forma correcta de escalar las lecturas de TaskBoard?
Las instancias en espera de PostgreSQL sirven para la alta disponibilidad, y las conexiones de lectura a los nodos en espera no están permitidas, por lo que cada consulta llega al nodo primario. Una caché frente a la base de datos, como cache-aside en In-Memory DB, es la capa de escalado de lecturas. Aumentar el número de instancias o cambiar el modo de réplica agrega instancias en espera para la conmutación por error, no réplicas legibles.
Un desarrollador escribe este cliente de boto3 para los adjuntos de TaskBoard. El código falla antes de llegar al bucket.
s3 = boto3.client(
"s3",
aws_session_token=os.environ["IONOS_TOKEN"], # Cloud API bearer token
region_name="eu-central-3",
)
¿Qué cambio permite que el cliente funcione con IONOS Cloud Object Storage?
Object Storage autentica las solicitudes S3 con una Access Key y una Secret Key, y boto3 necesita el endpoint regional de forma explícita, o bien se comunicará con AWS. El bearer token de la Cloud API no es una credencial S3, y IAM y el Security Token Service (STS) no están admitidos. El nombre de la región por sí solo no cambia el endpoint.
El worker de TaskBoard consume task-events con enable.auto.commit establecido en False. ¿Qué manejo de un mensaje proporciona una entrega al menos una vez sin permitir que un mensaje defectuoso bloquee su partición?
Confirmar después de procesar proporciona una entrega al menos una vez, y reenviar un mensaje fallido a un tema de reintentos o de mensajes no procesables permite que la partición continúe. Confirmar primero es una entrega a lo sumo una vez y pierde el mensaje en caso de fallo. Un bucle de reintentos infinito bloquea todos los mensajes posteriores en la partición.
El tema task-events de TaskBoard tiene 6 particiones. Durante un atraso, un desarrollador escala el Deployment notifier, que utiliza un group.id, de 6 a 12 réplicas. ¿Qué sucede?
Dentro de un grupo de consumidores, cada partición es leída por como mucho un consumidor, por lo que la cantidad de particiones es el límite de paralelismo. Agregar consumidores más allá de ese límite los deja inactivos, y la cantidad de particiones es una configuración del tema (number_of_partitions), no un resultado de la cantidad de consumidores. Para elevar el límite, agregue particiones, en múltiplos de 3 para los tres brokers del clúster.
Una importación masiva realiza llamadas a AI Model Hub para 2.000 resúmenes de tareas en paralelo. La mayoría de las solicitudes fallan con 429 y el código de error RATE_LIMIT_EXCEEDED. ¿Qué solución se ajusta a la forma en que AI Model Hub limita las solicitudes?
El límite predeterminado es de 5 solicitudes por segundo por modelo, con ráfagas de hasta 10, aplicado por contrato y no por usuario. Un consumidor de Kafka regulado mantiene la tasa por debajo de ese límite, y la cabecera Retry-After indica el tiempo de espera después de un 429. Los reintentos inmediados vuelven a chocar con el mismo límite, y las solicitudes de streaming al mismo modelo también cuentan para su límite.