一家公司正在 AWS 上构建新的机器学习解决方案。模型以独立的微服务形式实现，在启动时从 Amazon S3 下载大约 1 GB 的模型数据并将其加载到内存中。用户通过异步 API 访问模型：他们提交一个请求或一批请求，并指定结果应发送到何处。数百名用户将使用这些模型，使用模式不规律——有些模型可能闲置数天或数周，而另一些模型则会收到数千个请求的突发。解决方案架构师应推荐哪种设计来满足这些要求？

正确答案是使用 Amazon SQS 队列接收请求，并使用 Amazon ECS 服务处理模型。ECS 服务可以从 SQS 队列中读取消息，并且可以根据队列大小通过 AWS Auto Scaling 进行扩展，以应对不规律的突发流量。模型数据（1GB）加载到内存中，ECS 容器非常适合处理这种需求，因为它提供了更长的运行时间和更大的内存配置，比 Lambda 函数更适合加载大型模型。 选项一不正确，因为 AWS Lambda 函数在处理大型模型数据（1GB）时效率低下，冷启动时间长，且内存限制可能不足。 选项二不正确，因为 AWS App Mesh 主要用于服务网格，管理服务间通信，而不是直接用于根据 SQS 队列大小扩展 ECS 集群实例。ECS Auto Scaling 本身就可以根据队列大小进行扩展。 选项三不正确，因为 Lambda 函数不适合加载 1GB 的模型数据，且其 vCPU 数量不能直接根据 SQS 队列大小进行自动扩展。