AWS Certified Data Engineer - Associate(DEA-C01)
他の資格を学習する学習進捗0%
直近正答率0%
復習待ち0問
回答済み0 / 322問
分野別演習
1 データの取り込みと変換ストリーミング・バッチ取り込み、変換、オーケストレーション、プログラミングを扱う。
2 データストアの管理データストア、カタログ、ライフサイクル、データモデルとスキーマ進化を扱う。
3 データ運用とサポートデータ処理の自動化、分析、監視、保守、データ品質を扱う。
4 データセキュリティとガバナンス認証、認可、暗号化、マスキング、監査、プライバシーを扱う。
分野別演習
出題設定
問題数
10問1322問
今回 10問 / 対象 322問
学習モード
分野別の問題一覧
学びたい分野を開くと、問題文・ヒント・解説を個別に読めます。演習の設定は不要です。
1.1 データを取り込む30 問
- 順序を保ったストリームを再処理可能にする
- ストリームをS3へ低運用負荷で配信する
- RDSの変更を継続的にS3へ取り込む
- DynamoDBの項目変更をイベント処理する
- 既存Kafkaアプリケーションのイベント基盤をAWSへ移行する
- Kinesisのホットシャードを避ける
- 複数コンシューマーの低遅延取り込みを分離する
- SaaSデータを定期的にS3へ取り込む
- 保持期間内のストリームを先頭から再処理する
- ストリームの時間窓集計を実行する
- 増加するイベント量に合わせてシャード容量を調整する
- 変動の大きい取り込み量を自動追従させる
- 属性別のS3プレフィックスへ配信する
- Firehose取り込み時にレコード形式を変換する
- DMSの大きなLOB列を完全に複製する
- 停止後のDMS CDCタスクを変更位置から再開する
- 変更前後のDynamoDB項目を監査へ残す
- 同一項目の変更順序を保って処理する
- 外部データベースの変更をKafkaへ取り込む
- Kafkaトラフィックが不定期な環境の運用を簡素化する
- 小さなイベントをKinesisへ効率的に送る
- Firehoseへ送られた複数JSONを個別レコードとして処理する
- SaaSから更新分だけを定期取得する
- 障害調査のためストリーム保持期間を延長する
- 複数処理系が同じイベントを独立して読む
- ブローカー障害時もKafka取り込みを継続する
- ストリームの複数コンシューマーを分離する
- ページングされるデータAPIを再開可能に取り込む
- 送信元IPを固定して外部データソースへ接続する
- KinesisのレコードからLambdaを起動する
1.2 データを変換・処理する30 問
- CSVデータを分析向けParquetへ変換する
- 入力スキーマの揺れを吸収して変換する
- Glueジョブで未処理ファイルだけを変換する
- 大規模な分散変換をSparkで実行する
- 小さなイベントをLambdaで正規化する
- S3のParquetをRedshiftへ一括取り込む
- Redshiftの集計結果をデータレイクへ出力する
- 日付別に変換済みデータを配置する
- Parquetの圧縮を分析用途に合わせる
- Sparkのデータスキューによる遅延を抑える
- 小規模な変換に適したGlueジョブを選ぶ
- 欠損値と異常値を変換時に扱う
- ストリームの時間窓を状態付きで集計する
- 不定期のSpark変換をサーバーレスで実行する
- Glueで顧客と注文データを結合する
- ETLで重複イベントを除去する
- 複数地域の時刻をUTCへ正規化する
- ネストしたJSONを分析用の列へ展開する
- 分析クエリ向けにRedshiftの並べ替えを設計する
- CSVの引用符と区切りを正しく解釈する
- ETL中に機密列をマスキングする
- 追加列を保ったままテーブル形式を進化させる
- 集計粒度をそろえて二重計上を防ぐ
- 文書を検索可能な知識ベース用チャンクへ変換する
- Sparkで最新イベントだけを残す
- 変換エラーのレコードを再処理可能にする
- 依存ライブラリを含む大規模ETLをコンテナで実行する
- 他システムへ集計データを安全に公開するAPIを作る
- データの量・速度・形式に応じて処理方式を選ぶ
- JDBC接続で業務データベースをGlue ETLへ取り込む
1.3 データパイプラインをオーケストレーションする25 問
- ETLジョブを依存関係どおりに実行する
- 日次パイプラインを指定時刻に起動する
- 一時的なETL障害だけを再試行する
- 複数依存タスクをDAGで管理する
- Glueジョブとクローラーを連続起動する
- S3到着イベントでパイプラインを起動する
- ファイル単位のETLを並列実行する
- 外部承認後にパイプラインを再開する
- 欠損した日付だけをAirflowで再実行する
- パイプライン失敗を運用通知へ連携する
- 指定時刻までワークフローを待機させる
- 独立した品質検査を並列実行する
- 大量ファイルを分散Mapで処理する
- キューの特定イベントだけを処理へ渡す
- S3到着を待ってAirflowタスクを開始する
- 品質検査成功時だけ公開ジョブを起動する
- 実行履歴が必要な長時間ワークフローを選ぶ
- イベントを標準化してワークフローへ渡す
- 再試行しても公開データを二重作成しない
- イベントターゲット失敗を再配信可能にする
- 外部ワーカーの完了をワークフローへ返す
- イベントルール修正後に過去イベントを再送する
- 外部APIの同時実行数をAirflowで制限する
- 同じGlueワークフローを日付引数で再利用する
- 更新中もワークフロー定義を安定参照する
1.4 プログラミングの概念を適用する27 問
- Pythonでキー別イベント数を集計する
- SQLで顧客ごとの最新レコードを選ぶ
- Bashパイプラインの失敗を検知する
- 環境ごとに同じデータ基盤を再利用する
- CDKで再利用可能なデータ基盤部品を作る
- Lambda変換関数をSAMでデプロイする
- ETLコードのテスト後に本番へ昇格する
- 分散取り込みのキーを均等に割り当てる
- 大きな入力をPythonで逐次処理する
- 入力値をSQLへ安全に渡す
- 複数の集計で同じ中間結果を再利用する
- 入力レコードの型を検証して変換する
- Spark変換を不変データとして組み立てる
- NULLを含む顧客データを正しく集計する
- BashからJSON引数を安全に渡す
- CloudFormationのリソース依存を安全に表す
- CDK合成結果を環境間で再現する
- 変換ロジックを小さな入力で自動テストする
- 小さいマスタをSparkで効率よく結合する
- Pythonの日時を一貫した形式でシリアライズする
- 遅い変換クエリの原因を特定する
- 一時ファイルを失敗時にも削除する
- Sparkストリーミングをチェックポイントから再開する
- スキーマ変更をデプロイ前に検知する
- 大量データから上位K件を効率よく求める
- Lambda変換処理から大きな共有ライブラリを利用する
- Lambda変換の同時実行数と処理性能を調整する
2.1 適切なデータストアを選択する23 問
- 大量の原データを低コストで保存する
- キー指定のミリ秒アクセスを実現する
- 大規模な集計クエリを高速化する
- 厳密なトランザクションを必要とする業務データを保存する
- ログを全文検索し時間範囲で分析する
- サブ秒遅延のイベント処理を実現する
- 高頻度の読み取り用状態をメモリへ保持する
- データレイクの統合アクセスを管理する
- 本番RDSの分析負荷を分離する
- 大きな非構造ファイルを業務DBから分離する
- 複数エンティティをキーアクセスで管理する
- 別の検索キーでDynamoDBを照会する
- 高い書き込み性能を持つリレーショナルDBを選ぶ
- 保存済みS3データを不定期にSQL分析する
- RedshiftのテーブルとS3データを結合する
- 埋め込みベクトルの近似検索を行う
- 失ってはいけないRedis互換状態を選ぶ
- 配信先へ自動バッファリングする
- 頻繁な一時分析データへ低レイテンシでアクセスする
- 高頻度時系列イベントをキーアクセスする
- 取引先のSFTPファイルをデータ処理へ取り込む
- 外部RDSの最新データを一時的に分析する
- Redshiftのテーブルロック競合を調査する
2.2 データカタログを管理する21 問
- S3データのスキーマを自動登録する
- S3の不要なプレフィックスをCrawlerから除外する
- 追加された日付パーティションをCatalogへ反映する
- スキーマ変更の履歴を管理する
- ストリームイベントのスキーマを互換管理する
- EMRと複数エンジンでテーブル定義を共有する
- Crawlerの実行頻度とコストを調整する
- データ資産を検索・発見できるようにする
- 別アカウントのCatalogを共有する
- テーブルの所有者とデータ分類をCatalogへ付与する
- 大量の時系列パーティションをCatalog登録なしで検索する
- Crawlerによるスキーマ変更を制御する
- 独自ログ形式をCrawlerで分類する
- 共有Catalogテーブルを分析アカウントへ公開する
- 大量パーティションのCatalog検索を高速化する
- Catalogのテーブル場所を誤りなく管理する
- Catalogの列統計を分析最適化に利用する
- 新しいイベントスキーマの互換性を確認する
- Catalog削除で下流テーブルを失わない
- 分類タグでCatalog権限を一括管理する
- 共有データカタログのスキーマ変更を管理する
2.3 データのライフサイクルを管理する19 問
- アクセス頻度に応じてS3クラスを移行する
- 誤上書きしたS3オブジェクトを復元する
- 期限切れセッションを自動削除する
- 指定したファイルだけをRedshiftへロードする
- Redshiftデータを日付別S3へ書き出す
- RDSを障害時点の直前へ復元する
- 法的保持期間中のデータ削除を防ぐ
- 別リージョンへバックアップを複製する
- DynamoDBを指定時点バックアップへ保存する
- アーカイブデータを分析前に復元する
- S3の非現行版を保持期間後に削除する
- Redshiftを日次バックアップする
- DynamoDBを直近の任意時点へ戻す
- DynamoDBを分析用S3へエクスポートする
- RDS自動バックアップの保持期間を要件に合わせる
- ソース削除を複製先へ伝播する
- Redshiftのバックアップを別リージョンへ送る
- アクセスパターンが予測できないS3データを管理する
- バックアップを管理者削除から保護する
2.4 データモデルとスキーマ進化を設計する19 問
- Redshiftの大規模結合でデータ再配置を減らす
- 時系列クエリのスキャン量を減らす
- Redshift列の圧縮方式を選ぶ
- DynamoDBのアクセスパターンをモデル化する
- DynamoDBへ新しい検索条件を追加する
- ストリームイベントの後方互換性を保つ
- オンプレミス表をAWSへ移行する
- データの出所と変換履歴を追跡する
- 分析テーブルへ列を追加する
- DynamoDBで顧客ごとの関連項目をまとめる
- 条件を満たす項目だけをGSIで検索する
- ワークロード変化に合わせて分散を調整する
- 追加列を含むパーティションデータを読む
- データレイクのテーブル定義を環境ごとに管理する
- 分析資産を検索可能なメタデータで整理する
- 文書検索用のベクトルインデックスを選ぶ
- OpenSearchでベクトルと属性を併用検索する
- 移行元と移行先でデータ型を対応付ける
- 増えた検索条件に合わせてパーティションを進化させる
3.1 データ処理を自動化する18 問
- 複数のETL工程を順番に実行する
- 大量ファイルを並列処理する
- S3到着を契機に処理を起動する
- Python DAGでデータ処理を管理する
- Glueジョブを条件付きで連鎖する
- 定期的な集計SQLを自動実行する
- 外部処理の完了を待って次へ進む
- キューのデータを処理ワークフローへ渡す
- 一時的なサービスエラーを再試行する
- 過去日付の欠損データを再処理する
- 増分データだけをGlueで処理する
- 断続的なSpark処理をサーバーレスで実行する
- 再試行で集計結果を二重登録しない
- タイムゾーンを考慮した日次処理を起動する
- 集計済みAthenaテーブルを定期更新する
- 失敗したデータ処理を運用者へ通知する
- 共有リソースを守りながらDAGを並列化する
- MWAAでキューに滞留するDAGタスクを調査する