第 1 题 · D1 · 单选
数据湖保存数 TB 的历史交易。分析人员经常按日期和国家过滤，当前 CSV 查询扫描成本很高。哪项改动最直接降低 Athena 扫描量并提升性能？
列式 Parquet 只读取需要的列，压缩减少字节量，合理分区可裁剪无关文件；三者直接减少 Athena 扫描。
综合模拟 1 · 覆盖面诊断
MLA-C01 综合模拟题 1
25 道原创场景题，覆盖 D1-D4 和单选、多选、排序、匹配四种题型。按正式考试平均速度，建议限时 50 分钟。
使用方法
- 启动计时器后连续完成，不查资料，不使用单题“检查答案”。
- 不确定时先做最佳选择并记录题号，不留空题。
- 完成后点击底部“提交整套模拟”，查看总分和 Domain 分项。
- 复盘时再逐题检查，把错误归为 K/R/C/M/O/T。
模拟题
第 2 题 · D1 · 多选
团队需要摄取可重放的点击流，并按用户维护状态、执行 5 分钟窗口聚合。哪些服务最直接组成该方案？选择两项。
Kinesis Data Streams 提供分片流、保留和重放；Managed Service for Apache Flink 负责有状态窗口流处理。
第 3 题 · D1 · 匹配
把存储需求与首选 AWS 服务匹配。
EBS 是块存储，EFS 是共享弹性文件系统，FSx for Lustre 面向高性能并行文件工作负载，S3 是对象数据湖。
第 4 题 · D1 · 单选
实时欺诈 endpoint 需要毫秒级读取客户最新特征，数据科学家还要查询历史特征用于训练。哪项设计最合适？
Online store 服务低延迟最新值；offline store 在 S3 保存历史记录，适合训练与批量分析。
第 5 题 · D1 · 排序
排列避免预处理数据泄漏的正确顺序。
先切分，再只从训练集学习统计量；同一工件应用到验证/测试，并保存供线上推理复用。
第 6 题 · D1 · 单选
ETL pipeline 必须在每次运行时验证列完整性、值范围和唯一性规则，并输出质量结果。最直接使用什么？
Glue Data Quality 使用规则评估数据质量。Crawler 主要发现 schema 并填充 Data Catalog，不替代规则验证。
第 7 题 · D1 · 多选
二分类数据严重不平衡，同时团队要避免评估泄漏。哪些做法合理？选择三项。
分层切分、仅训练集重平衡和合适指标能处理不平衡；用全量统计量或复制测试样本会泄漏。
第 8 题 · D2 · 单选
团队要对包含数值和类别特征的表格数据预测客户流失，希望使用高性能的 SageMaker 内置监督算法。首选是什么？
XGBoost 常用于表格分类与回归。K-means 是无监督聚类，另外两项解决视觉或主题建模任务。
第 9 题 · D2 · 单选
市场团队没有标签，希望按购买行为自动发现客户群组。哪种算法最合适？
K-means 根据特征距离进行无监督分群，不需要标签。
第 10 题 · D2 · 多选
训练损失持续下降，但验证损失开始上升。哪些措施可直接缓解这种情况？选择三项。
这是过拟合。早停、正则化和更多代表性数据可改善泛化；污染验证集会让评估失真。
第 11 题 · D2 · 匹配
把任务与最相关的评估指标匹配。
PR-AUC 适合关注少数正类，RMSE 衡量回归误差，NDCG 衡量排序，silhouette 衡量聚类结构。
第 12 题 · D2 · 单选
每次训练成本较高，团队希望后续超参数试验利用之前结果，更快搜索有希望的区域。AMT 应优先考虑哪种策略？
Bayesian 策略根据已完成训练的结果选择后续候选，适合试验昂贵且预算有限的搜索。
第 13 题 · D2 · 排序
排列受治理模型进入部署前的主要顺序。
先产生模型，再用独立数据验证；将结果和工件注册，最后由自动或人工质量门批准。
第 14 题 · D3 · 单选
单个推理请求包含 200 MB 文件，可排队，结果应在 20 分钟内返回，流量会长时间归零。哪种 SageMaker 推理方式最合适？
Async 支持大 payload、长处理、排队和 scale-to-zero；实时和 serverless 的 payload/时长限制更小。
第 15 题 · D3 · 单选
模型仅需 CPU，请求小于 3 MB，每次必须在 60 秒内完成，流量稀疏且不可预测。团队希望最低运维和空闲成本。首选什么？
该工作负载符合 serverless 的 CPU、小 payload 和时长边界，并能按使用付费；需接受潜在冷启动。
第 16 题 · D3 · 多选
哪些做法直接提升 ML workflow 的可复现性和受控发布？选择三项。
版本化 pipeline、IaC 和 registry 让代码、基础设施、模型与审批可追踪和重复执行。
第 17 题 · D3 · 匹配
把部署策略与描述匹配。
Canary 先小流量，Linear 分批递增，Shadow 并行比较但不返回新响应，all-at-once 一次切换。
第 18 题 · D3 · 单选
团队自带推理容器部署到 SageMaker real-time endpoint。容器应实现哪些 HTTP 路径以满足基本服务契约？
SageMaker 用 /ping 做健康检查，并把推理请求发送到 /invocations。
第 19 题 · D3 · 排序
排列一次受控模型发布的主要顺序。
可部署工件先构建和验证，再注册/审批，最后以受监控的策略发布。
第 20 题 · D4 · 单选
安全团队需要确定是谁在昨晚调用了 UpdateEndpoint，并记录源 IP 和请求时间。首选什么？
CloudTrail 记录 AWS API 调用身份、时间、源地址和请求等审计信息。
第 21 题 · D4 · 匹配
把排障问题与最直接的证据来源匹配。
Metrics 看数值趋势，Logs 看事件文本，X-Ray 看请求路径，CloudTrail 看 API 动作，Config 看资源配置状态。
第 22 题 · D4 · 多选
训练作业处理敏感数据，必须私网访问依赖并采用最小权限。哪些措施合理？选择三项。
VPC endpoints、最小权限角色和 KMS 支持私网与数据保护。管理员权限和镜像内长期密钥违反最小权限及凭证管理原则。
第 23 题 · D4 · 单选
公司需要自动发现并报告 S3 数据湖中的个人身份信息等敏感数据。应使用什么？
Macie 使用机器学习与模式匹配发现 S3 中的敏感数据，并提供发现结果。
第 24 题 · D4 · 单选
生产 endpoint 暂时拿不到 ground truth，但团队要检测输入特征分布是否偏离训练 baseline。最直接配置什么？
Data quality monitor 把捕获的推理输入与 baseline 统计/约束比较，不需要 ground truth 即可检测数据漂移。
第 25 题 · D4 · 多选
哪些措施能降低 ML 成本，同时保留合理可靠性？选择三项。
Spot + checkpoint、基于负载的 rightsize/扩缩和生命周期策略可减少浪费，同时保留恢复和运维能力。
模拟目标线：80%
尚未提交
复盘规则
先补低于 75% 的 Domain；若多个 Domain 接近，优先修复重复出现的需求漏读、服务比较和时间错误。至少间隔 48 小时后再重做本卷，避免短期答案记忆造成虚高。