WorksheetsBanco Questoes - PDM
Total questions: 56
Worksheet time: 28mins
Name
Class
Date
1.
Assinale a opção correta, a respeito de conceitos de big data.
a)
Big data refere-se ao armazenamento de grandes volumes de dados em servidores locais, geralmente em formato estruturado.
b)
Os processos e modelos analíticos de big data são baseados somente em máquinas e não em humanos.
c)
Big data consiste de uma tecnologia que se resume ao uso de técnicas avançadas de criptografia para proteger informações confidenciais armazenadas em bancos de dados corporativos.
d)
Uma solução de big data inclui somente os dados principais, sendo descartados os domínios de dados e transações.
e)
Big data é um termo abrangente usado para descrever conjuntos de dados extremamente grandes que são difíceis de processar e analisar em um período de tempo razoável pelos métodos tradicionais.
2.
Qual dos seguintes não é um dos fatores motivadores para o uso intensivo de sistemas distribuídos?
a)
Necessidade de reduzir o tempo de computação.
b)
Compartilhamento de recursos.
c)
Maior tolerância a falhas.
d)
Redução do consumo de energia.
3.
Qual é o benefício chave da maior tolerância a falhas em sistemas distribuídos?
a)
Aumento da complexidade de programação.
b)
Redução do custo de hardware.
c)
Menor probabilidade de interrupções de serviço.
d)
Maior consumo de energia.
e)
Simplificação no modelo de programação utilizado.
4.
Sobre clusters de alto desempenho, considere as seguintes afirmações:
I. Conjunto de máquinas que executam uma tarefa de maneira colaborativa com o propósito de diminuir o tempo de execução.
II. Sistema que executa tarefas de inúmeros usuários em uma única máquina com alto poder computacional.
III. Tem como único objetivo manter a disponibilidade das aplicações.
São verdadeiras SOMENTE as afirmações:
a)
I
b)
I e II
c)
I e III
d)
I, II, e III
e)
II e III
5.
Os bancos de dados massivos possuem características que precisam ser consideradas no desenvolvimento de soluções para analisar os dados armazenados.
Nesse tipo de ambiente de bancos de dados, a capacidade de minimizar os ruídos dos dados oriundos de múltiplas fontes heterogêneas, identificar o que é irrelevante e redundante, e apoiar a limpeza dos dados, contribuindo para sua qualidade, corresponde à característica Big Data:
a)
valor;
b)
volume;
c)
variedade;
d)
veracidade;
e)
velocidade.
6.
Sobre a plataforma HADOOP, considere as seguintes afirmações:
I. É utilizada no processamento de dados massivos;
II. Facilita a implementação de computação paralela distribuída;
III. Ampliou as possibilidades presentes no Spark;
São corretas apenas as presentes em:
a)
I e II
b)
I, II e III
c)
I e III
d)
II
e)
II e III
7.
Qual o nome do modelo de programação originalmente proposto pelo Google para tratar o processamento em sistemas distribuídos?
a)
Spark
b)
Hadoop
c)
GFS
d)
MapReduce
e)
Google Cloud Platform
8.
Qual é o propósito principal dos RDDs (Resilient Distributed Datasets) no Apache Spark?
a)
Armazenar dados em um único nó para acesso rápido.
b)
Permitir a análise de dados em tempo real.
c)
Representar uma coleção distribuída de dados resilientes a falhas.
d)
Realizar operações de filtragem em grandes conjuntos de dados.
9.
Qual é a diferença fundamental entre ações e transformações no contexto do Spark?
a)
As transformações são operações de leitura de dados, enquanto as ações são operações de escrita.
b)
As transformações modificam RDDs criando novos, enquanto as ações retornam resultados para o driver.
c)
As transformações são operações de agregação, enquanto as ações são operações de filtragem.
d)
As ações permitem paralelismo, enquanto as transformações não.
10.
Qual comando em PySpark é usado para ler dados de um arquivo CSV em um DataFrame?
a)
spark.read.text("arquivo.csv")
b)
spark.load.csv("arquivo.csv")
c)
spark.sql.read("arquivo.csv")
d)
spark.read.csv("arquivo.csv")
11.
No que tange aos conceitos de Big Data, por variedade entende-se que:
a)
Há um grande número de tipos de dados suportados pelo sistema.
b)
Há um grande número de usuários distintos acessando o sistema.
c)
Os tempos de acesso ao sistema apresentam grande variação.
d)
Há um grande número de tipos de máquinas acessando o sistema.
e)
Os tamanhos das tabelas que compõem o sistema são muito variáveis.
12.
Como se denomina o modo de processamento que posterga a atividade de consumo dos dados até o momento que efetivamente seja necessário, obtendo assim vantagem em não alocar recursos de forma desnecessária e ainda otimizar o plano de execução.
a)
Lazy
b)
Moderate
c)
Eager
d)
Naive
e)
Fast
13.
Qual é a função da etapa de "map" no modelo de programação MapReduce?
a)
Calcular a média dos resultados intermediários.
b)
Distribuir os resultados intermediários para tarefas de "map".
c)
Realizar o processamento principal dos dados.
d)
Agrupar dados em pares de chave-valor.
e)
Dividir os dados em blocos independentes.
14.
HDFS é o acrônimo para?
a)
Hadoop Digital File System
b)
Hadoop Distributing File System
c)
Hadoop Distributed File System
d)
Hadoop Distinguishing File System
15.
O paradigma MapReduce se caracteriza por contar com ............. etapas: .................
a)
2 etapas: Map e Reduce
b)
3 etapas: Map, Shuffle e Reduce
c)
4 etapas: Split, Map, Shuffle e Reduce
d)
2 etapas: MapReduce e Processing
e)
2 etapas: Splitting e Processing
16.
Qual é a principal utilidade do modelo de programação MapReduce?
a)
Processar dados em tempo real.
b)
Resolver equações matemáticas complexas.
c)
Realizar operações de ETL (Extração, Transformação e Carga) em bancos de dados.
d)
Realizar processamento distribuído e paralelo em grandes conjuntos de dados.
17.
Assinale a opção que melhor descreve a diferença entre os frameworks Apache Spark e Apache Hadoop, no contexto do processamento de Big Data.
a)
O processamento de dados no Spark é mais rápido do que no Hadoop, pois ele é baseado em memória e utiliza RDDs, enquanto o Hadoop é baseado em disco e utiliza MapReduce.
b)
O processamento de dados no Hadoop é mais rápido do que no Spark, pois o Hadoop é mais escalável e utiliza clusters maiores, enquanto o Spark é limitado pelo tamanho do cluster.
c)
O Spark é mais adequado para cargas de trabalho mais pesadas, enquanto o Hadoop é melhor para cargas de trabalho mais leves e interativas.
d)
O Spark e o Hadoop utilizam as mesmas técnicas de processamento de dados, mas o Spark é mais adequado para casos de uso em que a latência é um fator crítico, enquanto o Hadoop é mais adequado para casos de uso em que a capacidade de processamento em lote é mais importante.
e)
O Hadoop é uma tecnologia mais recente que oferece melhorias, em relação ao Spark, em termos de desempenho e velocidade de processamento.
18.
Qual das seguintes opções é o nome do módulo da pilha Spark dedicada ao processamento de dados estruturados?
a)
GraphX
b)
MLlib
c)
Spark SQL
d)
Spark R
e)
Nenhuma das opções corresponde à descrição
19.
Avalie a seguinte afirmação
"Um DataFrame no Apache Spark prevalece sobre o RDD e não contém nenhuma característica do RDD."
a)
Verdadeiro
b)
Falso
20.
Quais das opções abaixo não é uma operação de transformação no Spark?
a)
map
b)
reduce
c)
filter
d)
join
21.
Assinale a opção correta, a respeito de conceitos de big data.
a)
Big data refere-se ao armazenamento de grandes volumes de dados em servidores locais, geralmente em formato estruturado.
b)
Os processos e modelos analíticos de big data são baseados somente em máquinas e não em humanos.
c)
Big data consiste de uma tecnologia que se resume ao uso de técnicas avançadas de criptografia para proteger informações confidenciais armazenadas em bancos de dados corporativos.
d)
Uma solução de big data inclui somente os dados principais, sendo descartados os domínios de dados e transações.
e)
Big data é um termo abrangente usado para descrever conjuntos de dados extremamente grandes que são difíceis de processar e analisar em um período de tempo razoável pelos métodos tradicionais.
22.
Qual dos seguintes não é um dos fatores motivadores para o uso intensivo de sistemas distribuídos?
a)
Necessidade de reduzir o tempo de computação.
b)
Compartilhamento de recursos.
c)
Maior tolerância a falhas.
d)
Redução do consumo de energia.
23.
Qual é o benefício chave da maior tolerância a falhas em sistemas distribuídos?
a)
Aumento da complexidade de programação.
b)
Redução do custo de hardware.
c)
Menor probabilidade de interrupções de serviço.
d)
Maior consumo de energia.
e)
Simplificação no modelo de programação utilizado.
24.
Sobre clusters de alto desempenho, considere as seguintes afirmações:
I. Conjunto de máquinas que executam uma tarefa de maneira colaborativa com o propósito de diminuir o tempo de execução.
II. Sistema que executa tarefas de inúmeros usuários em uma única máquina com alto poder computacional.
III. Tem como único objetivo manter a disponibilidade das aplicações.
São verdadeiras SOMENTE as afirmações:
a)
I
b)
I e II
c)
I e III
d)
I, II, e III
e)
II e III
25.
Os bancos de dados massivos possuem características que precisam ser consideradas no desenvolvimento de soluções para analisar os dados armazenados.
Nesse tipo de ambiente de bancos de dados, a capacidade de minimizar os ruídos dos dados oriundos de múltiplas fontes heterogêneas, identificar o que é irrelevante e redundante, e apoiar a limpeza dos dados, contribuindo para sua qualidade, corresponde à característica Big Data:
a)
valor;
b)
volume;
c)
variedade;
d)
veracidade;
e)
velocidade.
26.
No que tange aos conceitos de Big Data, por variedade entende-se que:
a)
Há um grande número de tipos de dados suportados pelo sistema.
b)
Há um grande número de usuários distintos acessando o sistema.
c)
Os tempos de acesso ao sistema apresentam grande variação.
d)
Há um grande número de tipos de máquinas acessando o sistema.
e)
Os tamanhos das tabelas que compõem o sistema são muito variáveis.
27.
What is NOT a characteristic of big data?
a)
Volume
b)
Variety
c)
Vision
d)
Velocity
28.
A capacidade de um sistema de se adaptar ao aumento da carga de serviço é chamada de ___________
a)
capacidade
b)
tolerância
c)
escalabilidade
d)
nenhuma das mencionadas
29.
O campo de estudo de Machine Learning (aprendizado de máquinas) aborda a capacidade dos computadores aprenderem sem ser explicitamente programados, ajustando-se para dar uma resposta de acordo com os dados disponíveis para análise. (adaptado de https://rockcontent.com/blog/machine-learning/). As opções abaixo mostram aplicações frequentes de machine learning, exceto:
a)
Reconhecimento de imagens
b)
Sistemas de recomendação.
c)
Reconhecimento de fala.
d)
Sistemas que seguem regras bem definidas.
e)
Navegação de carros autônomos.
30.
Complete as lacunas a seguir com os trechos que tornam as sentenças verdadeiras: (1)_______ refere-se ao processo de extração de conhecimento de uma grande quantidade de dados. (2)_______ refere-se ao processo de aplicar algoritmos que melhoram a eficácia dos resultados a partir da experiência com o conjunto de dados.
a)
A. (1) Data mining (2) Machine Learning
b)
B. (1) Machine Learning (2) Data mining
c)
C. (1) Machine Learmim (2) Deep Learning
d)
D. (1) Data Mining (2) Deep Learning
31.
Com relação ao tipo de aprendizado dos algoritmos de Machine Learning, a qual melhor se refere a figura a seguir:
a)
A. Aprendizado supervisionado (supervised learing)
b)
B. Aprendizado não-supervisionado (unsupervised learning)
c)
C. Aprendizado por reforço (reinforcement learning)
32.
São tipos de algoritmos puramente supervisionados, exceto: Dica: https://medium.com/@cristianofurquim/10-algoritmos-de-aprendizagem-de-m%C3%A1quinas-machine-learning-que-voc%C3%AA-precisa-saber-c49f9eefe319
a)
A. SVM
b)
B. Regressão simples
c)
C. K-Means
d)
D. Arvore de Decisão
e)
E. KNN.
33.
[Concurso CGU 2022] Considere uma matriz de confusão de um modelo de classificação binária de relatórios financeiros. O modelo classifica os relatórios em fraudulentos ou não fraudulentos. Se essa matriz apresenta 200 verdadeiros positivos, 100 verdadeiros negativos, 40 erros do “tipo 1” (FP) e 20 erros do “tipo 2” (FN), podem-se calcular as métricas de desempenho aproximadas como:
a)
Precision = 0.71. Recall = 0.83
b)
Precision = 0.83. Recall = 0.71
c)
Precision = 0.83. Recall = 0.90
d)
Precision = 0.90. Recall = 0.71
e)
Precision = 0.90. Recall = 0.83
34.
[Concurso CGU 2022] Um time de ciência de dados utilizou um modelo linear para resolver uma tarefa de análise de dados financeiros provenientes de diferentes unidades de uma organização. Um membro do time, que não participou da modelagem, testa o modelo e verifica que ele apresenta um péssimo resultado. Preocupado, ele busca os resultados apresentados no treino e pode concluir que ocorreu:
a)
underfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo mais complexo e a redução do tempo de treinamento
b)
underfitting, se o resultado do treino também foi péssimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada;
c)
overfitting, se o resultado do treino também foi péssimo. Uma possível solução é a utilização de técnicas de regularização e métodos de validação cruzada;
d)
overfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada
e)
overfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo mais complexo e o aumento do tempo de treinamento.
35.
Qual dos frameworks para Deep Learning foi desenvolvido pela Google? Dica: https://www.quora.com/What-is-the-difference-between-deep-learning-and-usual-machine-learning
a)
A. TensorFlow
b)
B. PyTorch
c)
C. Caffe
d)
D. Sonar
e)
E. Jenkins
36.
Suponha que você deseje desenvolver um modelo de aprendizado de máquina supervisionado para prever se um determinado email é "spam" ou "não é spam". Qual das seguintes afirmações é verdadeira?
a)
A. Os e-mails não marcados como "spam" ou "sem spam" são exemplos não rotulados.
b)
B. Usaremos exemplos não rotulados para treinar o modelo.
c)
C. Os rótulos aplicados a alguns exemplos podem não ser confiáveis.
d)
D. Palavras no cabeçalho do assunto formarão bons rótulos.
37.
As redes neurais começaram como uma tentativa de replicar o funcionamento do cérebro humano, a fim de tornar as coisas mais inteligentes. Sobre redes neurais, informe qual dos elementos listados abaixo não seria um componente de uma rede neural?
a)
A. Dados
b)
B. Estrutura da rede
c)
C. Função de ativação
d)
D. Função otimizadora
e)
E. Filtro flexível
38.
O processamento em cada neurônio se dá pelo que chamamos de função de ativação. A escolha das funções de ativação de uma rede neural são uma consideração importante uma vez que definem como devem ser seus dados de entrada.Elas basicamente decidem se um neurônio deve ser ativado ou não. Ou seja, se a informação que o neurônio está recebendo é relevante para a informação fornecida ou deve ser ignorada. Qual é a função de ativação que se refere a figura abaixo:
a)
A. Softmax
b)
B. Sigmoid
c)
C. Tangente Hipperbolica
d)
D. Relu
e)
E. nda
39.
“Aprendizagem Profunda”, ou Deep Learning, é uma subcategoria do Aprendizado de Máquina e se baseia na tecnologia de Redes Neurais Artificiais para realizar este treinamento.Deep Learning é fundamentado em Redes Neurais Artificiais, que são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência (treinamento). Basicamente uma rede neural possui entradas que são os padrões a serem classificados, pesos que serão utilizados nas interações com os neurônios, e a saída que é o resultado desta classificação. A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Em outras palavras, elas aprendem através de exemplos. Quando nos referimos à arquitetura de uma rede neural estamos nos referindo sobre a disposição dos neurônios, um em relação ao outro, seguindo as conexões sinápticas comentadas no artigo anterior. Já a topologia da rede se refere às diferentes composições estruturais possíveis com diferentes quantidades de neurônios nas camadas de entrada, intermediária e de saída da rede.A camada de entrada é responsável pelo recebimento dos dados/sinais/amostras a serem analisados, assim como a correspondente associação com os pesos de entrada. A camada intermediária ou escondida tem por finalidade extrair as informações associadas ao sistema inferido, sendo também responsável pela maior parte do processamento destes dados. Já a camada de saída agrega os dados das camadas anteriores e ativa uma resposta adequada. Fonte: https://www.embarcados.com.br/redes-neurais-artificiais/ . A figura a seguir é um exemplo de arquitetura de rede neural. Dentre as opções apresentadas, qual a que melhor refere-se à arquitetura indicada: Dica: https://www.asimovinstitute.org/neural-network-zoo/
a)
A. Deep Feed Forward
b)
B. Feed Forward
c)
C. Recurrent neural network
d)
D. Perceptron
e)
E. Nenhuma das alternativas.
40.
O processo de aprendizagem de uma rede neural se dá por:
a)
A. Definição do limiar de cada neurônio.
b)
B. Multiplicação das entradas ponderadas.
c)
C. Atualização dos pesos sinápticos.
d)
D. Subtração do erro pelo valor esperado.
41.
A figura a seguir mostra uma representação do perceptron, que é o neurônio artificial, componente da rede neural. Das sentenças a seguir, destaque a opção errada.
a)
Os pesos armazenam o conhecimento (memoria) da rede neural
b)
Os pesos são ajustados de acordo com o erro encontrado
c)
A rede neural é treinada até que o erro entre a saída e o objetivo (target) seja satisfatório
d)
A rede neural é capaz de generalizar e reconhecer padrões distintos dos usados no treinamento.
e)
Todas estão erradas.
42.
Considere o trecho a seguir e o julgue em verdadeiro ou falso: “No âmbito de Machine Learning, quando uma hipótese apresenta uma baixa capacidade de generalização a razão pode ser que ela está superajustada aos dados de treinamento (underfitting). Nesse caso, também é dito que a hipótese memorizou ou se especializou nos dados de treinamento. No caso inverso, o algoritmo de AM pode induzir hipóteses que apresentam uma baixa taxa de acerto mesmo no subconjunto de treinamento, configurando uma condição de subajustamento (overfitting).”
a)
Verdadeiro
b)
Falso
43.
Quais os clássicos 3 V’s que caracterizam Big Data?
a)
A. Variedade, Valor, Volume
b)
B. Variabilidade, Velocidade, Volume
c)
C. Variedade, Volume, Velocidade
d)
D. Velocidade, Variedade, Valor
44.
Segundo a definição cunhada pelo Gartner Group: “Big Data faz referência ao grande volume, variedade e velocidade de dados que demandam formas inovadoras e rentáveis de processamento da informação, para melhor percepção e tomada de decisão.” O termo velocidade refere-se, principalmente, à:
a)
A. necessidade das aplicações de gerar respostas rapidamente, a partir de grandes massas de dados.
b)
B. existência de um alto fluxo de dados na entrada.
c)
C. necessidade de gerar aplicações rapidamente, em função da demanda do negócio.
d)
D. importância da facilidade de manipular cubos de visualização de dados, rapidamente.
e)
E. rapidez com que os dados se tornam inválidos com o tempo.
45.
Os sistemas de Big Data costumam ser caracterizados pelos clássicos 3 V’s.Relacione o significado de cada ‘V’:
a)
A. Veracidade corresponde à rapidez na geração e obtenção de dados.
b)
B. Valor corresponde à grande quantidade de dados acumulada.
c)
C. Volume corresponde à rapidez na geração e obtenção de dados.
d)
D. Velocidade corresponde à confiança na geração e obtenção dos dados.
e)
E. Variedade corresponde ao grande número de tipos ou formas de dados.
46.
Qual dessas características do BigData está melhor relacionada ao benefício que os dados podem agregar ao negócio?
a)
A. Volume
b)
B. Valor
c)
C. Veracidade
d)
D. Velocidade
e)
E. Variedade
47.
Qual dos seguintes itens está melhor associado à característica “Variedade” do Bigdata:
a)
A. Para agregar maior valor ao negócio, as organizações precisam lidar com diferentes formatos de dados (estruturados, semi estruturados e não estruturados)
b)
B. Uma plataforma de BigData precisa suportar hardwares de variados fornecedores.
c)
C. Visto que os dados podem ser utilizados de variadas maneiras pela organização, é recomendável que o processo de data quality limpe e uniformize os dados de maneira apropriada.
d)
D. A variância das análises estatísticas tende a crescer quando aumentamos o volume dos dados.
e)
E. Devido ao grande volume de dados armazenados, as tabelas dos bancos de dados relacionais precisam suportar tipos BLOB.
48.
Qual dos seguintes itens está melhor associado à característica “Velocidade”:
a)
A. A velocidade de processamento dos dados deve ser compatível com a enorme velocidade de produção e recebimento de dados, permitindo a geração de informações tempestivas ao negócio.
b)
B. A velocidade de leitura dos dados precisa ser bem maior que a capacidade de processamento das máquinas.
c)
C. O número de formatos de dados estruturados e não estruturados cresce cada vez menos, aumentando a demanda por novas ferramentas de conversão e processamento.
d)
D. Para agregar valor ao negócio, os dados precisam ser processados por uma única máquina robusta e veloz, contendo vários processadores de última geração.
e)
E. As aplicações de visualização e análise de dados precisam ter boa usabilidade e baixo tempo de resposta, permitindo que painéis gerenciais sejam atualizados mais de uma vez por ano.
49.
No que tange aos conceitos de Big Data, por variedade entende-se que:
a)
A. Há um grande número de tipos de dados suportados pelo sistema.
b)
B. Há um grande número de usuários distintos acessando o sistema.
c)
C. Os tempos de acesso ao sistema apresentam grande variação.
d)
D. Há um grande número de tipos de máquinas acessando o sistema.
e)
E. Os tamanhos das tabelas que compõem o sistema são muito variáveis.
50.
Com relação a Big Data, julgue o item subsequente. “Além de estar relacionado à grande quantidade de informações a serem analisadas, o Big Data considera o volume, a velocidade e a variedade dos dados estruturados — dos quais se conhece a estrutura de armazenamento — bem como dos não estruturados, como imagens, vídeos, áudios e documentos.”
a)
Verdadeiro
b)
Falso
51.
O que não é verdade sobre Big Data?
a)
A. Coleção de dados de diversas fontes tradicionais ou não.
b)
B. É uma fonte contínua de descoberta e análise.
c)
C. Os dados coletados devem ser estruturados.
d)
D. Dados podem ser gerados por sensores.
52.
O que não é verdade sobre Big Data Analytics?
a)
A. Processo de coletar, organizar e analisar grandes quantidades de dados.
b)
B. Processo de armazenar dados em um ambiente mainframe.
c)
C. Utilizado para descobrir padrões e outras informações úteis.
d)
D. Ajuda na tomada de decisões negociais.
53.
Complete a lacuna com alguma alternativa fornecida:_______ atua sobre as limitações das bases relacionais que só podem armazenar dados estruturados.
a)
A. Bases NoSQL
b)
B. Análise de tráfico stream
c)
C. Análise preditiva
d)
D. Armazenamento de arquivos distribuídos.
54.
Como evolução dos 3V’s da definição de Big Data, surgiram mais dois V’s, totalizando 5.Quais são os 5 V’s?
a)
A. Visualização, Volume, Valor, Variabilidade, Velocidade
b)
B. Valor, Visualização, Velocidade, Variabilidade, Volume
c)
C. Variedade, Volume, Veracidade, Valor, Velocidade
d)
D. Volume, Veracidade, Velocidade, Variabilidade, Variedade
55.
Em relação a técnicas de aumento do poder computacional, qual a melhor definição para horizontal e vertical scaling?
a)
Vertical scaling ocorre quando aumentamos o número de máquinas em um cluster, enquanto horizontal scaling ocorre quando melhoramos as características de uma máquina (CPU, memória etc.).
b)
Horizontal scaling ocorre quando aumentamos o número de racks em um datacenter, enquanto vertical scaling ocorre quando aumentamos o número de máquinas em um mesmo rack.
c)
Vertical scaling gera efeitos imediatos mais visíveis para o negócio, enquanto o horizontal scaling ocorre quando as mudanças na infraestrutura produzem efeitos mais duradouros (tempo).
d)
Horizontal scaling ocorre quando as despesas provenientes das melhorias na infraestrutura são feitas de maneira parcelada, enquanto o vertical scaling demanda pagamento à vista.
e)
Vertical scaling ocorre quando melhoramos o processamento, a memória ou o disco de uma máquina, enquanto horizontal scaling ocorre quando aumentamos a quantidade máquinas em um cluster.
56.
Qual a afirmativa que melhor define a técnica de distribuição de tarefas chamada de Master/Worker?
a)
O Master executa tarefas delegadas pelos Workers.
b)
As máquinas do tipo Master são as que possuem mais processadores e memória em um cluster, enquanto as máquinas do tipo Workers são as que possuem mais espaço em disco.
c)
A figura central (Master) delega tarefas para as demais máquinas (Worker).
d)
Todas as máquinas possuem responsabilidades iguais, assim como nas redes peer-to-peer.
e)
O Master executa tarefas de maneira paralela e os Workers ratificam a corretude das respostas do Master.
100 %
