AWS SAA 합격으로 가는 길 #49

안녕하세요! 넥스트클라우드의 SA 손유림입니다. 😊

 

문제는 세 가지 단계를 거치며 풀어 나갈 거예요.

1. 문제의 요구사항 분석하기

2. 관련 AWS 서비스 생각하기

3. 선택지 분석하기

 

바로 문제 풀이 해볼까요?

---

문제1

한 회사에서 인기 있는 소셜 미디어 웹사이트를 운영하고 있습니다. 웹사이트는 사용자에게 이미지를 업로드하여 다른 사용자와 공유할 수 있는 기능을 제공합니다. 회사는 이미지에 부적절한 콘텐츠가 포함되어 있지 않은지 확인하려고 합니다. 회사는 개발 노력을 최소화하는 솔루션이 필요합니다. 솔루션 설계자는 이러한 요구 사항을 충족하기 위해 무엇을 해야 합니까?

선택지

A. Amazon Comprehend를 사용하여 부적절한 콘텐츠를 감지합니다. 신뢰도가 낮은 예측에는 사람의 검토를 사용하세요.

B. Amazon Rekognition을 사용하여 부적절한 콘텐츠를 감지합니다. 신뢰도가 낮은 예측에는 사람의 검토를 사용하세요.

C. Amazon SageMaker를 사용하여 부적절한 콘텐츠를 감지합니다. 신뢰도가 낮은 예측에 라벨을 지정하려면 Ground Truth를 사용하세요.

D. AWS Fargate를 사용하여 사용자 지정 기계 학습 모델을 배포하여 부적절한 콘텐츠를 탐지합니다. 신뢰도가 낮은 예측에 라벨을 지정하려면 Ground Truth를 사용하세요.

---

풀이

Amazon Rekognition은 이미지 및 비디오에서 객체, 사람, 텍스트, 장면 및 활동을 감지하고 인식하는 딥 러닝 기반 서비스입니다. 부적절한 콘텐츠 감지 기능을 제공하고, 신뢰도가 낮은 예측에 대해서는 사람이 검토하도록 하여 정확성을 높일 수 있습니다. 

정답 : B

 

▼ 자세한 문제 풀이를 원하신 분은 아래 더보기를 통해 확인해 주세요.

1.  문제의 요구사항 분석하기

• 소셜 미디어 웹사이트에서 업로드된 이미지의 부적절한 콘텐츠 감지
• 개발 노력 최소화

2. 관련 AWS 서비스 생각하기

• Amazon Rekognition은 딥러닝 기술을 기반으로 한 이미지 및 비디오 분석 서비스입니다. 이 서비스는 이미지나 비디오 내의 객체, 사람, 텍스트, 장면 및 다양한 활동을 자동으로 감지하고 인식할 수 있습니다. 특히 부적절한 콘텐츠를 감지하는 특화된 기능을 제공하며, 각 감지 결과에 대한 신뢰도 점수를 함께 제공하여 정확도 높은 콘텐츠 모더레이션이 가능합니다.
• Amazon Comprehend는 자연어 처리(NLP) 서비스로, 텍스트 데이터에서 의미 있는 통찰력과 관계를 추출하는 데 특화되어 있습니다. 감정 분석, 엔티티 인식, 주요 문구 추출, 언어 감지 등의 기능을 제공하여 텍스트 기반 데이터를 심층적으로 분석할 수 있습니다.
• Amazon SageMaker는 종합적인 관리형 머신러닝 플랫폼입니다. 개발자와 데이터 과학자들이 머신러닝 모델을 구축, 훈련 및 배포할 수 있는 환경을 제공합니다. 모델 개발부터 프로덕션 배포까지의 전체 머신러닝 워크플로우를 지원하며, Ground Truth를 통한 데이터 라벨링 기능도 함께 제공합니다.
• AWS Fargate는 서버리스 컴퓨팅 엔진으로, 컨테이너화된 애플리케이션을 실행하기 위한 서비스입니다. 개발자가 서버 프로비저닝이나 관리에 신경 쓰지 않고도 컨테이너를 실행할 수 있게 해주며, 필요한 컴퓨팅 리소스를 자동으로 관리해줍니다.

3. 선택지 분석하기

A. Amazon Comprehend를 사용하여 부적절한 콘텐츠를 감지합니다. 신뢰도가 낮은 예측에는 사람의 검토를 사용하세요.

→ Amazon Comprehend는 텍스트 데이터 분석에 특화된 자연어 처리 서비스이기 때문에 이미지 내용을 분석하는 이 문제의 요구사항과 맞지 않습니다.

 

B. Amazon Rekognition을 사용하여 부적절한 콘텐츠를 감지합니다. 신뢰도가 낮은 예측에는 사람의 검토를 사용하세요.

 

C. Amazon SageMaker를 사용하여 부적절한 콘텐츠를 감지합니다. 신뢰도가 낮은 예측에 라벨을 지정하려면 Ground Truth를 사용하세요.

→ SageMaker는 커스텀 모델 개발이 필요하므로 개발 노력이 증가할 수 있습니다.

 

D. AWS Fargate를 사용하여 사용자 지정 기계 학습 모델을 배포하여 부적절한 콘텐츠를 탐지합니다. 신뢰도가 낮은 예측에 라벨을 지정하려면 Ground Truth를 사용하세요.

→ Fargate는 컨테이너 실행에 사용되므로 이 문제와 직접적인 관련이 없습니다. 또한 커스텀 모델 개발이 필요하여 개발 노력이 증가할 수 있습니다.

 

이어서 다음 문제입니다.

---

문제2

회사는 여러 Amazon EC2 인스턴스에서 애플리케이션을 호스팅합니다. 애플리케이션은 Amazon SQS 대기열의 메시지를 처리하고 Amazon RDS 테이블에 쓰고 대기열에서 메시지를 삭제합니다. 때때로 중복 레코드가 RDS 테이블에서 발견됩니다. SQS 대기열에는 중복 메시지가 없습니다. 솔루션 설계자는 메시지가 한 번만 처리되도록 하려면 어떻게 해야 합니까?

선택지

A. CreateQueue API 호출을 사용하여 새 대기열을 만듭니다.

B. AddPermission API 호출을 사용하여 적절한 권한을 추가합니다.

C. ReceiveMessage API 호출을 사용하여 적절한 대기 시간을 설정합니다.

D. ChangeMessageVisibility API 호출을 사용하여 가시성 제한 시간을 늘립니다.

---

풀이

SQS 메시지의 가시성 제한 시간을 늘리는 것은 중복 메시지 처리 문제를 해결하는 적절한 방법입니다. 가시성 제한 시간은 애플리케이션이 메시지를 처리하는 데 걸리는 시간보다 길어야 합니다. 이때, 가시성 제한 시간을 함수 제한 시간과 배치 창 제한 시간의 합계보다 크게 설정하면, 동일한 메시지가 동시에 두 번 이상 처리되는 것을 방지할 수 있습니다.

정답 : D

 

▼ 자세한 문제 풀이를 원하신 분은 아래 더보기를 통해 확인해 주세요.

1.  문제의 요구사항 분석하기

• EC2 인스턴스에서 호스팅되는 애플리케이션이 SQS 메시지 처리
• RDS 테이블에 중복 레코드 문제 발생
• 메시지가 한 번만 처리되도록 해야 함

2. 관련 AWS 서비스 생각하기

• Amazon SQS(Simple Queue Service)는 분산 시스템과 서버리스 애플리케이션의 구성 요소 간에 메시지를 안전하게 전송할 수 있게 해주는 완전관리형 메시지 큐 서비스입니다. 이 서비스는 높은 처리량을 지원하며, 메시지의 순서와 전송을 보장하면서 시스템 간의 안정적인 통신을 가능하게 합니다.
  • SQS의 중요한 기능 중 하나인 가시성 제한 시간(Visibility Timeout)은 메시지가 처리되는 동안 다른 소비자가 같은 메시지를 처리하지 못하도록 보호하는 메커니즘입니다. 소비자가 메시지를 수신하면, 해당 메시지는 가시성 제한 시간 동안 다른 소비자에게 보이지 않게 되며, 이 시간 내에 메시지 처리가 완료되지 않으면 메시지는 자동으로 대기열에 다시 추가됩니다.
• Amazon EC2(Elastic Compute Cloud)는 AWS의 핵심 서비스로, 클라우드에서 안전하고 확장 가능한 컴퓨팅 파워를 제공합니다. 사용자는 필요에 따라 가상 서버의 용량을 쉽게 확장하거나 축소할 수 있으며, 다양한 컴퓨팅 리소스 구성이 가능합니다.
• Amazon RDS(Relational Database Service)는 클라우드에서 관계형 데이터베이스를 쉽게 설정, 운영 및 확장할 수 있게 해주는 관리형 데이터베이스 서비스입니다. 이 서비스는 데이터베이스 관리 작업을 자동화하여 개발자가 애플리케이션 개발에 더 집중할 수 있게 해주며, 자동 백업, 패치 적용, 확장성 등의 기능을 제공합니다.

3. 선택지 분석하기

A. CreateQueue API 호출을 사용하여 새 대기열을 만듭니다.

→ 새 대기열을 만드는 것만으로는 중복 메시지 처리 문제를 해결하지 못합니다.

 

B. AddPermission API 호출을 사용하여 적절한 권한을 추가합니다.

→ 권한 문제와는 관련이 없으므로 이 옵션은 요구사항을 충족하지 않습니다.

 

C. ReceiveMessage API 호출을 사용하여 적절한 대기 시간을 설정합니다.

→ 대기 시간 설정만으로는 중복 메시지 처리 문제를 효과적으로 해결하기 어렵습니다.

 

D. ChangeMessageVisibility API 호출을 사용하여 가시성 제한 시간을 늘립니다.

 

마지막 문제 살펴볼게요.

---

문제3

이미지 처리 회사에는 사용자가 이미지를 업로드하는 데 사용하는 웹 애플리케이션이 있습니다. 애플리케이션은 이미지를 Amazon S3 버킷에 업로드합니다. 회사는 객체 생성 이벤트를 Amazon Simple Queue Service(Amazon SQS) 표준 대기열에 게시하도록 S3 이벤트 알림을 설정했습니다. SQS 대기열은 이미지를 처리하고 이메일을 통해 사용자에게 결과를 보 내는 AWS Lambda 함수의 이벤트 소스 역할을 합니다. 사용자는 업로드된 모든 이미지에 대해 여러 개의 이메일 메시지를 받고 있다고 보고합니다. 솔루션 아키텍트는 SQS 메시지가 Lambda 함수를 두 번 이상 호출하여 여러 이메일 메시지가 생 성되었음을 확인합니다. 최소한의 운영 오버헤드로 이 문제를 해결하려면 솔루션 설계자가 무엇을 해야 합니까?

선택지

A. ReceiveMessage 대기 시간을 30초로 늘려 SQS 대기열에서 긴 폴링을 설정합니다.

B. SQS 표준 대기열을 SQS FIFO 대기열로 변경합니다. 중복 메시지를 삭제하려면 메시지 중복 제거 ID를 사용하십시오.

C. SQS 대기열의 가시성 제한 시간을 기능 제한 시간과 배치 창 제한 시간의 합계보다 큰 값으로 늘립니다.

D. 처리하기 전에 메시지를 읽은 직후 SQS 대기열에서 각 메시지를 삭제하도록 Lambda 함수를 수정합니다.

---

풀이

문제의 원인은 Lambda 함수가 SQS 메시지를 처리할 때 메시지의 가시성 제한 시간이 너무 짧아서 발생했습니다. 가시성 제한 시간은 Lambda 함수가 메시지를 처리하는 데 필요한 시간보다 길어야 합니다. 그렇지 않으면 Lambda 함수가 메시지 처리를 완료하기 전에 메시지가 다시 대기열에 추가되어 중복 처리가 발생할 수 있습니다. 이 문제를 해결하려면 SQS 대기열의 가시성 제한 시간을 Lambda 함수의 실행 시간보다 충분히 길게 설정해야 합니다. 가시성 제한 시간은 Lambda 함수의 제한 시간과 배치 윈도우 제한 시간의 합계보다 커야 합니다.

정답 : C

 

▼ 자세한 문제 풀이를 원하신 분은 아래 더보기를 통해 확인해 주세요.

1.  문제의 요구사항 분석하기

• S3 버킷에 업로드된 이미지를 SQS 표준 대기열로 전송
• SQS 대기열에서 Lambda 함수를 트리거하여 이미지 처리
• 사용자가 업로드된 이미지에 대해 여러 개의 이메일 메시지를 수신하는 문제 발생

2. 관련 AWS 서비스 생각하기

• Amazon S3(Simple Storage Service)는 AWS의 스토리지 서비스로, 이미지, 비디오, 문서 등 모든 유형의 데이터를 저장하고 관리할 수 있는 확장성 높은 객체 스토리지 서비스입니다. 뛰어난 내구성과 가용성을 제공하며, 데이터를 버킷이라 불리는 컨테이너에 저장하고 필요할 때 쉽게 접근할 수 있습니다.
• Amazon SQS(Simple Queue Service)는 분산 시스템의 구성 요소 간에 메시지를 안전하게 전송할 수 있게 해주는 완전관리형 메시지 큐 서비스입니다. 이 서비스는 시스템 간의 결합도를 낮추고 확장성을 높이는데 중요한 역할을 합니다. 특히 가시성 제한 시간이라는 기능을 통해 메시지가 처리되는 동안 다른 소비자가 같은 메시지를 처리하지 못하도록 보호합니다.
• AWS Lambda는 서버리스 컴퓨팅의 대표적인 서비스로, 개발자가 서버 인프라를 관리할 필요 없이 코드만 작성하여 실행할 수 있게 해줍니다. Lambda는 이벤트 기반으로 트리거되며, S3에 파일이 업로드되거나 SQS 대기열에 메시지가 들어오는 등의 이벤트에 반응하여 자동으로 코드를 실행할 수 있습니다. 사용한 컴퓨팅 시간에 대해서만 비용을 지불하므로 비용 효율적입니다.

3. 선택지 분석하기

A. ReceiveMessage 대기 시간을 30초로 늘려 SQS 대기열에서 긴 폴링을 설정합니다.

→ 메시지 중복 처리 문제를 해결하지 않습니다. 긴 폴링은 새로운 메시지를 기다리는 시간을 늘리는 것으로 불필요한 폴링 오버헤드가 발생할 수 있습니다.

 

B. SQS 표준 대기열을 SQS FIFO 대기열로 변경합니다. 중복 메시지를 삭제하려면 메시지 중복 제거 ID를 사용하십시오.

→ FIFO 대기열은 메시지 순서를 보장하지만 중복 메시지 처리 문제를 해결하지는 않습니다. 또한 FIFO 대기열로 변경하면 운영 오버헤드가 발생할 수 있습니다.

 

C. SQS 대기열의 가시성 제한 시간을 기능 제한 시간과 배치 창 제한 시간의 합계보다 큰 값으로 늘립니다.

 

D. 처리하기 전에 메시지를 읽은 직후 SQS 대기열에서 각 메시지를 삭제하도록 Lambda 함수를 수정합니다.

→ 메시지 처리 실패 시 복구가 불가능하므로 적절하지 않습니다. 또한 Lambda 함수 수정으로 인해 운영 오버헤드가 발생할 수 있습니다.

 

감사합니다. 다음 글에서 만나요! 😊