Vérification des connaissances - Intégration du service d'application
Testez votre compréhension des concepts clés du Module 4. Sélectionnez la meilleure réponse pour chaque question, puis soumettez pour voir vos résultats. Vous devez obtenir au moins 60 % pour réussir.
L'API de TaskBoard lit les tâches depuis DBaaS pour PostgreSQL. La charge de lecture augmente, et un développeur propose la modification suivante :
write_engine = create_engine(primary_url)
read_engine = create_engine(standby_url) # point reads at a standby instance
Quelle est la bonne méthode pour mettre à l'échelle les lectures de TaskBoard ?
Les instances standby de PostgreSQL servent la haute disponibilité, et les connexions en lecture vers les nœuds standby ne sont pas autorisées, si bien que chaque requête atteint le nœud principal. Un cache placé devant la base de données, tel que le cache-aside sur In-Memory DB, constitue la couche de mise à l'échelle des lectures. Augmenter le nombre d'instances ou modifier le mode de réplication ajoute des standby pour la bascule, mais pas des répliques lisibles.
Un développeur écrit ce client boto3 pour les pièces jointes de TaskBoard. Le code échoue avant d'atteindre le bucket.
s3 = boto3.client(
"s3",
aws_session_token=os.environ["IONOS_TOKEN"], # Cloud API bearer token
region_name="eu-central-3",
)
Quelle modification permet au client de fonctionner avec IONOS Cloud Object Storage ?
Object Storage authentifie les requêtes S3 à l'aide d'une Access Key et d'une Secret Key, et boto3 nécessite le point d'accès régional explicite, sinon il communique avec AWS. Le jeton bearer de l'API Cloud n'est pas une authentification S3, et IAM ainsi que le Security Token Service (STS) ne sont pas pris en charge. Le nom de la région seul ne modifie pas le point d'accès.
Le travailleur de TaskBoard consomme task-events avec enable.auto.commit défini sur False. Quel traitement d'un message permet une livraison au moins une fois sans qu'un message toxique ne bloque sa partition ?
Engager après le traitement permet une livraison au moins une fois, et le transfert d'un message défaillant vers un sujet de nouvelle tentative ou de lettre morte permet à la partition de continuer. Engager d'abord correspond à une livraison au plus une fois et entraîne la perte du message en cas d'échec. Une boucle de nouvelle tentative infinie bloque tous les messages suivants de la partition.
Le sujet task-events de TaskBoard possède 6 partitions. Lors d'un retard de traitement, un développeur met à l'échelle le Deployment notifier, qui utilise un group.id, de 6 à 12 répliques. Que se passe-t-il ?
Au sein d'un groupe de consommateurs, chaque partition est lue par au plus un consommateur, de sorte que le nombre de partitions constitue la limite de parallélisme. L'ajout de consommateurs au-delà de ce nombre les laisse inactifs, et le nombre de partitions est un paramètre du sujet (number_of_partitions), et non le résultat du nombre de consommateurs. Pour élever cette limite, ajoutez des partitions, par multiples de 3 pour les trois brokers du cluster.
Une importation en masse effectue des appels à AI Model Hub pour 2 000 résumés de tâches en parallèle. La plupart des requêtes échouent avec 429 et le code d'erreur RATE_LIMIT_EXCEEDED. Quelle correction correspond à la manière dont AI Model Hub limite les requêtes ?
La limite par défaut est de 5 requêtes par seconde par modèle, avec des rafales allant jusqu'à 10, appliquée par contrat et non par utilisateur. Un consommateur Kafka régulé maintient le débit en dessous de cette limite, et l'en-tête Retry-After indique le temps d'attente après un 429. Les nouvelles tentatives immédiates atteignent à nouveau la même limite, et les requêtes en streaming vers le même modèle comptent également dans sa limite.