Domaine du contenu 3 : conception d’architectures hautement performantes

Solutions de stockage hybride pour répondre aux exigences métier

Services de stockage avec cas d’utilisation appropriés (par exemple, Amazon S3, Amazon EFS, Amazon EBS)

Types de stockage et caractéristiques associées (par exemple, objet, fichier, bloc)

Détermination des services et des configurations de stockage qui répondent aux exigences de performances

Identification des services de stockage pouvant être mis à l’échelle pour répondre à l’évolution des besoins

Services de calcul AWS avec cas d’utilisation appropriés (par exemple, AWS Batch, Amazon EMR, AWS Fargate)

Concepts d’informatique distribuée pris en charge par l’infrastructure mondiale et les services périphériques d’AWS

Concepts de mise en file d’attente et de messagerie (par exemple, publication/abonnement)

Possibilités de capacité de mise à l’échelle avec cas d’utilisation appropriés (par exemple, Amazon EC2 Auto Scaling, AWS Auto Scaling)

Technologies et modèles sans serveur (par exemple, AWS Lambda, Fargate)

Orchestration des conteneurs (par exemple, Amazon ECS, Amazon EKS)

Découplage des charges de travail afin que les composants puissent être mis à l’échelle indépendamment

Identification des métriques et des conditions pour effectuer des actions de mise à l’échelle

Sélection des options et des fonctionnalités de calcul appropriées (par exemple, types d’instance EC2) pour répondre aux exigences métier

Sélection du type et de la taille de ressource appropriés (par exemple, quantité de mémoire Lambda) pour répondre aux besoins métier

Infrastructure globale AWS (par exemple, zones de disponibilité [AZ], régions AWS)

Stratégies et services de mise en cache (par exemple, Amazon ElastiCache)

Modèles d’accès aux données (par exemple, utilisation intensive en lecture par rapport à une utilisation intensive en écriture)

Planification de la capacité de la base de données (par exemple, unités de capacité, types d’instance, IOPS provisionnées)

Connexions aux bases de données et proxies

Moteurs de base de données avec cas d’utilisation appropriés (par exemple, migrations hétérogènes, migrations homogènes)

Réplication de base de données (par exemple, réplicas en lecture)

Types et services de base de données (par exemple, sans serveur, relationnel par rapport à non relationnel, en mémoire)

Configuration des réplicas en lecture pour répondre aux exigences métier

Conception d’architectures de base de données

Détermination d’un moteur de base de données approprié (par exemple, MySQL par rapport à PostgreSQL)

Détermination d’un type de base de données approprié (par exemple, Amazon Aurora, Amazon DynamoDB)

Intégration de la mise en cache pour répondre aux exigences métier

Services de mise en réseau périphérique avec cas d’utilisation appropriés (par exemple, Amazon CloudFront, AWS Global Accelerator)

Comment concevoir une architecture réseau (par exemple, niveaux de sous-réseau, routage, adressage IP)

Concepts de répartition de charge (par exemple, Application Load Balancer)

Options de connexion réseau (par exemple, AWS VPN, AWS Direct Connect, AWS PrivateLink)

Création d’une topologie de réseau pour différentes architectures (par exemple, globale, hybride, à plusieurs niveaux)

Détermination des configurations réseau pouvant être mises à l’échelle pour répondre à l’évolution des besoins

Détermination de l’emplacement approprié des ressources pour répondre aux exigences métier

Sélection de la stratégie de répartition de charge appropriée

Services de visualisation et d’analytique des données avec cas d’utilisation appropriés (par exemple, Amazon Athena, AWS Lake Formation, Amazon QuickSuite)

Modèles d’ingestion des données (par exemple, fréquence)

Services de transfert des données avec cas d’utilisation appropriés (par exemple, AWS DataSync, AWS Storage Gateway)

Services de transformation des données avec cas d’utilisation appropriés (par exemple, AWS Glue)

Accès sécurisé aux points d’accès d’ingestion

Tailles et vitesses nécessaires pour répondre aux exigences métier

Services de données en streaming avec cas d’utilisation appropriés (par exemple, Amazon Kinesis)

Création et sécurisation des lacs de données

Conception d’architectures de streaming des données

Conception de solutions de transfert des données

Mise en œuvre des stratégies de visualisation

Sélection des options de calcul appropriées pour le traitement des données (par exemple, Amazon EMR)

Sélection des configurations appropriées pour l’ingestion

Changement de format des données (par exemple, .csv vers .parquet)