Q96 — AWS SAA-C03 第16章

第 96/100 题 | ← 返回第16章

Q1296. 一家公司希望创建一个长期存储解决方案，允许用户上传数 TB 的图像和视频。该公司将使用这些图像和视频来训练机器学习 (ML) 模型。该存储解决方案必须具有可扩展性且成本优化。哪种解决方案可以满足这些要求?

正确答案: B. 预置一个 Amazon S3 存储桶，供用户上传图片和视频。配置该 S3 存储桶，使数据可供 Amazon SageMaker AI 用于机器学习模型训练。将数据存储在 S3 智能分层存储类别中。

解析

让我们根据可扩展性、成本优化和适合 ML 模型训练的要求来分析每个选项:选项 A可扩展性:Amazon S3 具有高度可扩展性，可以轻松处理数 TB 的图像和视频上传。Amazon FSx for Lustre 也具有可扩展性，但它主要针对高性能计算工作负载而设计。成本优化:虽然 S3 对于长期存储而言经济高效，但 Amazon FSx for Lustre 相对昂贵。它针对低延迟、高吞吐量访问进行了优化，而非长期、经济高效的存储。当有更具成本效益的替代方案时，将其用作 ML 训练的中间步骤会降低该选项的成本优化程度。适合 ML 训练:尽管 FSx for Lustre 可以为 ML 训练提供快速数据访问，但当有更简单、更具成本效益的方法使 S3 数据可用于 ML 训练时，将数据从 S3 复制到 FSx for Lustre 的额外成本和复杂性是不合理的。选项 B可扩展性:Amazon S3 是一种对象存储服务，可以无缝扩展以存储 TB 级甚至 PB 级数据。它可以轻松处理公司所需的大量图像和视频上传。成本优化:S3 智能分层存储类别专为访问模式未知或不断变化的长期数据存储而设计。它会自动在不同的访问层（频繁访问、不频繁访问等）之间移动数据，以优化成本。这使其成为长期存储大量数据的经济高效的解决方案。此外，Amazon SageMaker 可以直接访问存储在 S3 中的数据，无需复杂的数据传输流程和额外的存储基础设施。适用于机器学习训练:Amazon SageMaker 是一项完全托管的机器学习服务，可以直接访问存储在 S3 中的数据。这简化了工作流程，使存储在 S3 中的数据可以轻松用于训练机器学习模型，而无需中间数据传输或复杂的存储设置。选项C可扩展性:仅配备 16 GB 存储空间的 Amazon SageMaker AI 笔记本实例无法扩展至处理 TB 级图像和视频数据。它专为个人用户开发和测试 ML 模型而设计，并非用于存储大规模数据集。成本优化:此选项并非成本优化，因为它要求用户将数据直接上传到笔记本实例，而这对于存储大量数据而言并非高效的方式。此外，它还缺乏 S3 的长期存储能力和成本效益。适合 ML 训练:虽然 SageMaker 笔记本实例对于 ML 开发很有用，但依靠它们进行大规模数据存储和上传是不切实际的，并且不符合处理大型数据集的最佳实践。选项D可扩展性:Amazon S3 可扩展到存储大量数据，但 Amazon EFS 文件系统更适合在网络附加存储 (NAS) 环境中共享访问文件。对于大型数据集的长期存储，它的成本效益不如 S3。成本优化:EFS 的成本可能高于 S3，尤其是在长期存储大量数据方面。将数据从 S3 复制到 EFS 会增加不必要的步骤和成本，因此成本优化程度较低。机器学习训练的适用性:尽管 Amazon SageMaker 可以访问来自各种来源的数据，但当 SageMaker 可以直接访问 S3 时，使用 EFS 作为机器学习训练的中间步骤过于复杂，而且并非最高效或最具成本效益的方法。基于以上分析，满足可扩展性、成本优化和机器学习模型训练适用性要求的解决方案是:预置一个 Amazon S3 存储桶供用户上传图像和视频，配置 S3 存储桶以使数据可供 Amazon SageMaker AI 用于机器学习模型训练，并将数据存储在 S3 智能分层存储类别中。所以答案是B。