Amazon CLF-C02: 核心数据库服务 — 学习指南
属于 AWS Cloud Practitioner CLF-C02 — 学习指南. 使用经过验证的答案练习： Amazon 考试中心, 或参加限时模拟考试： ExamRoll.io.
托管关系型数据库：Amazon RDS 和 Amazon Aurora
Amazon RDS 提供完全托管的关系型引擎（MySQL、PostgreSQL、MariaDB、SQL Server、Oracle），具有自动备份、用于高可用性的 Multi‑AZ、用于扩展的只读副本以及基于快照的恢复功能。Aurora 是一个专门构建的、与 MySQL 和 PostgreSQL 兼容的引擎，它将计算与分布式、容错的存储层分离，以提供更高的吞吐量、快速的崩溃恢复以及诸如回溯 (backtrack) 和用于跨区域复制的 Global Database 等功能。定价模型包括用于灵活容量的按需实例 (On-Demand instances)、用于可预测节省的预留实例 (Reserved Instances) 或 Savings Plans，以及用于 Aurora Serverless 的无服务器或自动扩展容量模型，以使成本与可变工作负载保持一致。关键架构决策取决于读写模式、延迟要求和运营容忍度：当兼容性和许可需求占主导地位时，选择 RDS；当需要更高性能、存储自动扩展或全局读取时，选择 Aurora。从业者常见的陷阱是：为高写入工作负载预置的 IOPS 不足、忘记为生产环境启用 Multi‑AZ、保留默认的主凭证以及未测试时间点恢复 (point-in-time recovery)。为满足合规性要求，应使用 AWS KMS 启用静态加密，强制使用 TLS 进行传输中加密，并验证自动备份和快照是否满足保留和跨区域灾难恢复 (DR) 的目标。
NoSQL、缓存和图形数据库：DynamoDB、ElastiCache、Amazon Neptune
对于大规模的键值和文档工作负载，Amazon DynamoDB 提供个位数毫秒级的延迟、自动分区以及两种容量模式：预置模式（带自动扩展）和用于不可预测流量的按需模式。DynamoDB Streams、全局表 (global tables) 和时间点恢复 (PITR) 等功能支持复制、变更数据捕获和备份。一个常见的陷阱是分区键设计不佳，导致热点分区和节流；应首先对数据访问模式进行建模。对于低延迟的内存中工作负载，请使用 ElastiCache：Redis 提供持久化、集群和发布/订阅功能，而 Memcached 是简单的多线程缓存。对于需要微秒级缓存的读取密集型 DynamoDB 工作负载，请使用 DAX。对于以关系为中心的图查询，Amazon Neptune 是一个完全托管的图形数据库，支持 Gremlin 和 SPARQL。定价决策：DynamoDB 按需模式使用简单，但在稳定的高流量下成本更高；带有自动扩展和预留容量 (Reserved Capacity) 的预置模式可以便宜得多。ElastiCache 中的缓存大小、驱逐策略和持久化选择会影响成本和恢复。在选择托管 NoSQL、内存缓存和图形数据库时，需评估其持久性、一致性模型和运营复杂性。
- DynamoDB vs RDS/Aurora： DynamoDB 适用于大规模、模式灵活、单表设计的场景；RDS/Aurora 适用于复杂的 SQL 查询、事务和关系完整性。
- ElastiCache (Redis) vs DAX： Redis 适用于通用的内存中工作负载和持久化；DAX 是一个专用于 DynamoDB 的读取缓存，具有客户端集成。
- Neptune： 当图遍历和图分析是应用程序的核心时使用。
分析和数据湖模式：Amazon Redshift、Athena 和 S3 存储选择
Amazon Redshift 是一个列式、PB 级的数据仓库，针对复杂的分析查询和高并发进行了优化。现代 Redshift（RA3 节点）将计算与托管存储分离，让您可以独立扩展计算，并通过利用 S3 作为托管存储来降低成本；Redshift Spectrum 可直接查询 S3 中的数据，以实现数据湖集成。对于文件的即席 SQL 查询，Amazon Athena 提供无服务器、按查询付费的分析功能（按扫描的 TB 数计费），非常适合 S3 上的 CSV/Parquet/JSON 文件；优化格式和压缩可以显著降低成本。S3 提供多种存储类：对于未知的访问模式，S3 Intelligent‑Tiering 会自动在访问层之间移动对象以最小化成本，且无检索费用；对于长期归档，可考虑 S3 Glacier 或 Glacier Deep Archive，但会产生检索延迟和费用。成本权衡包括存储与计算：通过压缩、分区和使用列式格式来减少扫描量；考虑使用 Redshift 的并发扩展 (concurrency scaling) 和工作负载管理 (workload management) 来获得可预测的性能。对于与分析相关的机器学习工作负载，繁重的训练可能需要 GPU EC2 实例系列（P 或 G 系列），但大多数分析数据库工作负载依赖于优化的 CPU 和列式执行，而不是 GPU。
练习这些题目 → · 在 ExamRoll.io 上限时练习 →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
通过考试 →