第 16 题
Question#16Topic1
热点
-
这是一个案例研究。案例研究的时间不与其他考试部分分开。您可以使用任意多的考试时间来完成每个案例研究。但是，可能还有其他案例研究或其他考试部分。管理您的时间，确保您可以在规定的时间内完成所有考试部分。请注意屏幕顶部的考试进度，以便您有足够的时间完成本案例研究之后的任何考试部分。
要回答案例研究问题，您需要参考案例中提供的信息。案例研究和相关问题可能包含展品或其他资源，提供有关案例中描述的场景的更多信息。单个问题中提供的信息不适用于案例研究中的其他问题。
本案例研究结束时将出现一个审查屏幕。在进入下一个考试部分之前，您可以在复习屏幕上复习和更改您的答案。离开此案例研究后，您将无法返回。
开始案例研究
-
要显示本案例研究中的第一个问题，请选择“下一步”按钮。问题左侧的菜单提供了业务需求、现有环境和问题陈述等信息的链接。在回答任何问题之前，请通读所有这些信息。当您准备好回答问题时，请选择“问题”按钮返回到问题。
背景
-
Fabrikam Inc. 是一家全球零售分析公司，为在线零售商提供人工智能驱动的需求预测和产品推荐服务。该公司正在对其解决方案进行现代化改造，使其完全在 Microsoft Azure 上运行。
该平台摄取交易数据，生成用于语义检索的嵌入，执行向量相似性搜索，并通过容器化微服务返回产品推荐。开发人员使用 Python 和 Azure SDK。运营团队管理容器编排、扩展、监控和安全性。
该解决方案必须满足严格的性能、可扩展性和安全性要求。
当前环境
-
应用架构
-
• 推荐引擎是一个面向客户的HTTP API，作为容器化Python 应用程序运行。该引擎部署到 Azure 容器应用程序 (ACA)。
• 嵌入使用pgvector 存储在Azure Database for PostgreSQL 中。
• 语义检索使用元数据过滤与向量相似性搜索相结合。
• Azure 托管Redis 用作缓存层。
• 前端和API 工作负载部署到Azure 容器应用程序(ACA)。
• 批量模型再训练工作负载在Azure Kubernetes 服务(AKS) 中运行。
容器和 CI/CD
-
• 容器映像存储在Azure 容器注册表(ACR) 中。
• CI/CD 使用ACR 任务在提交时构建映像。
• ACA 环境支持修订管理。
• AKS 工作负载使用存储在Git 中的Kubernetes 清单文件进行部署。
监控
-
• 日志收集在Azure Monitor 中。
• 团队在故障排除时检查容器日志和Kubernetes 事件。
• 开发人员编写KQL 查询来分析延迟峰值。
业务需求
-
客户体验：即使在不可预测的季节性流量高峰期间，也能为最终用户保持无缝、低延迟的推荐体验。
运营成本效率：通过在不活动期间重新分配资源并防止扩展成本失控，最大限度地减少计算支出。
数据完整性和新鲜度：确保产品推荐始终反映最新的目录元数据和定价，以防止客户不满意。
安全性和合规性：通过消除长期凭据并集中管理所有敏感机密，坚持零信任安全模型。
全球可扩展性：支持每天快速摄取数百万个新产品嵌入，而不会降低现有零售商的查询性能。
技术要求
-
性能：峰值负载时语义搜索延迟必须保持在 200 毫秒以下。
数据库优化：使用pgvector进行嵌入并实现元数据过滤以减少计算开销。为向量工作负载适当配置计算和内存，以确保高维索引驻留在 RAM 中和高效的数学吞吐量。向量相似度计算必须仅针对满足强制元数据约束的产品执行。
数据库性能：数据库连接必须通过连接优化的实现来支持高并发和最小延迟。
数据加载策略：为了确保最大的摄取吞吐量，只有在嵌入的批量加载完成后才必须应用二级索引。
缓存：Redis 缓存条目必须在 10 分钟后自动过期。实施反应机制，使缓存条目在元数据更新时失效。
身份：使用托管身份进行所有服务到服务和服务到数据库的身份验证。严格禁止在配置文件中使用纯文本凭据。
秘密管理：所有秘密必须集中存储。必须使用集中式生命周期策略自动轮换机密。
扩展：使用 Kubernetes 事件驱动自动扩展 (KEDA) 进行事件驱动扩展。推荐 API 必须根据 HTTP 流量进行扩展，而批处理作业必须根据队列长度进行扩展并支持缩放到零。
CI/CD：所有映像必须存储在 Azure 容器注册表中。使用 ACR 任务自动执行由源代码提交触发的映像构建。
监控：使用 KQL 分析性能遥测并排除微服务连接故障。对 AKS 和 ACA 进行故障排除时检查日志和事件。
您需要为 Azure Database for PostgreSQL 实例配置数据库资源。
如何完成配置才能满足业务和技术要求？要回答，请在答案区域中选择适当的选项。
注意：每个正确的选择都值得一分。