Google Cloud Digital Leader
Zuletzt überprüft: Mai 2026
Eine übersichtliche Referenz der Architekturmuster, die in der CDL-Prüfung getestet werden. Von oben nach unten lesen oder zu einem Abschnitt springen.
IT-Ausgaben von großen anfänglichen Hardwarekäufen auf ein Pay-as-you-go-Modell umstellen.
Cloud-Dienste nutzen, um Investitionsausgaben (CapEx) in Betriebsausgaben (OpEx) umzuwandeln.
Warum: Die Cloud bietet finanzielle Flexibilität, senkt Eintrittsbarrieren und stimmt die Kosten direkt auf die Nutzung ab, wodurch eine Überdimensionierung vermieden wird.
Die Sicherheitsverantwortung zwischen dem Cloud-Anbieter und dem Kunden klären.
Google sichert die Cloud-Infrastruktur (Hardware, Netzwerk). Der Kunde sichert das, was er in die Cloud legt (Daten, IAM, Anwendungscode).
Warum: Der Kunde ist immer für seine Daten und Zugriffssteuerungen verantwortlich, unabhängig vom Servicemodell (IaaS, PaaS, SaaS).
Die Cloud übernehmen und gleichzeitig die Flexibilität bewahren, andere Plattformen oder Technologien zu nutzen.
Dienste priorisieren, die auf Open-Source-Technologien wie Kubernetes (GKE), TensorFlow und Apache Beam (Dataflow) basieren.
Warum: Open-Source-Standards erhöhen die Portabilität von Workloads, verhindern eine Bindung an proprietäre APIs und ermöglichen Hybrid-/Multi-Cloud-Strategien.
Den CO2-Fußabdruck von IT-Operationen reduzieren, um die Nachhaltigkeitsziele des Unternehmens zu erreichen.
Workloads auf Google Cloud hosten und dabei die 100%ige Abdeckung durch erneuerbare Energien nutzen. Das Carbon Footprint Tool verwenden, um kohlenstoffarme Regionen zu überwachen und auszuwählen.
Warum: Google Cloud betreibt eine der saubersten Clouds und ermöglicht es Unternehmen, von ihren Nachhaltigkeitsvorteilen zu profitieren.
Die lokale Infrastruktur aufgrund von Vorschriften oder Datenhoheit mit Cloud-Diensten integrieren.
Anthos für eine konsistente Kubernetes-basierte Plattform über lokale Umgebungen und Google Cloud hinweg verwenden.
Warum: Anthos bietet eine einheitliche Verwaltungs- und Steuerungsebene für Anwendungen, unabhängig davon, wo sie ausgeführt werden, und vereinfacht hybride Operationen.
Petabytes strukturierter Daten mit komplexen SQL-Abfragen analysieren, ohne die Infrastruktur verwalten zu müssen.
BigQuery verwenden.
Warum: BigQuery ist ein vollständig verwaltetes, serverloses Data Warehouse, das für groß angelegte analytische Abfragen optimiert ist.
Eine global verteilte relationale Datenbank mit starker Konsistenz und horizontaler Skalierbarkeit benötigen.
Cloud Spanner verwenden.
Warum: Spanner kombiniert relationale Semantik (ACID, SQL) mit nicht-relationaler Skalierbarkeit, ideal für geschäftskritische globale Anwendungen wie im Finanzbereich.
Große Mengen einfacher Schlüssel-Wert-Daten (z. B. IoT, Benutzerprofile) mit einer Latenz im einstelligen Millisekundenbereich speichern und abrufen.
Cloud Bigtable verwenden.
Warum: Bigtable ist eine Wide-Column NoSQL-Datenbank, die für betriebliche und analytische Workloads mit hohem Durchsatz und niedriger Latenz optimiert ist.
Eine mobile oder Web-App entwickeln, die Echtzeit-Datensynchronisierung und Offline-Funktionalität erfordert.
Firestore verwenden.
Warum: Firestore ist eine NoSQL-Dokumentdatenbank mit integrierter Echtzeit-Synchronisierung und Offline-Persistenz, die für die Entwicklung moderner Anwendungen konzipiert ist.
Eine traditionelle lokale MySQL-, PostgreSQL- oder SQL Server-Datenbank mit minimalen Änderungen zu einem verwalteten Cloud-Dienst migrieren.
Cloud SQL verwenden.
Warum: Cloud SQL ist ein vollständig verwalteter relationaler Datenbankdienst, der Kompatibilität mit standardmäßigen Datenbank-Engines bietet und Backups, Patches und Replikation automatisiert.
Einen hochvolumigen Echtzeit-Datenstrom (z. B. IoT, Clickstreams) für die sofortige Analyse aufnehmen und verarbeiten.
Pub/Sub für die Aufnahme, Dataflow für die Stream-Verarbeitung und BigQuery für die Analyse verwenden.
Warum: Dies ist das kanonische serverlose Muster für skalierbare Echtzeit-Analysen in Google Cloud.
Daten mit unterschiedlichen Zugriffsmustern (häufig, selten, Archiv) kostengünstig speichern.
Cloud Storage mit Lifecycle-Richtlinien verwenden, um Daten automatisch zwischen den Klassen Standard, Nearline, Coldline und Archive zu überführen.
Warum: Lifecycle-Richtlinien automatisieren die Datentiering und passen die Speicherkosten ohne manuelles Eingreifen an die Zugriffshäufigkeit an.
Riesige Mengen roher, unstrukturierter und semi-strukturierter Daten für zukünftige Verarbeitung und Analyse speichern.
Cloud Storage als zentrales Repository (Data Lake) verwenden.
Warum: Cloud Storage bietet langlebigen, kostengünstigen Objektspeicher, der sich in alle GCP-Datenverarbeitungsdienste (BigQuery, Dataproc, Dataflow) integriert.
Große Datenverarbeitungsaufträge mit Open-Source-Frameworks wie Apache Spark und Hadoop ausführen.
Dataproc verwenden.
Warum: Dataproc bietet vollständig verwaltete Spark- und Hadoop-Cluster, automatisiert die Cluster-Erstellung und -Verwaltung und ermöglicht es Teams, sich auf ihre Aufgaben zu konzentrieren.
KI-Funktionen wie Bilderkennung, Stimmungsanalyse oder Sprachtranskription zu einer App hinzufügen, ohne ML-Expertise zu besitzen.
Vortrainierte APIs verwenden: Vision AI, Natural Language AI, Speech-to-Text API, Translation API.
Warum: Diese APIs bieten die modernsten Modelle von Google für gängige Anwendungsfälle und erfordern lediglich einen einfachen REST-API-Aufruf.
Ein benutzerdefiniertes ML-Modell mit eigenen beschrifteten Daten (z. B. Produktbilder, Kundentext) trainieren, aber ohne ML-Programmierkenntnisse.
AutoML innerhalb von Vertex AI verwenden.
Warum: AutoML automatisiert den Prozess der Modellbildung und ermöglicht es Teams, hochwertige benutzerdefinierte Modelle über eine einfache grafische Benutzeroberfläche zu erstellen.
Ein Data-Science-Team benötigt eine einheitliche Plattform, um benutzerdefinierte ML-Modelle während ihres gesamten Lebenszyklus (MLOps) zu erstellen, zu trainieren, bereitzustellen und zu verwalten.
Vertex AI verwenden.
Warum: Vertex AI ist eine umfassende MLOps-Plattform, die Tools für jeden Schritt des Machine-Learning-Workflows in einer einzigen Umgebung bereitstellt.
Strukturierte Informationen (z. B. Rechnungsnummern, Einzelposten) automatisch aus gescannten Dokumenten oder PDFs extrahieren.
Document AI verwenden.
Warum: Document AI ist speziell darauf trainiert, Dokumentlayouts zu verstehen und strukturierte Daten zu extrahieren, was die manuelle Dateneingabe reduziert.
Einen Chatbot oder sprachbasierten virtuellen Agenten entwickeln, um Kundendienstanfragen zu bearbeiten.
Dialogflow verwenden.
Warum: Dialogflow ist eine Plattform zum Verstehen natürlicher Sprache, die für die Erstellung von Konversationsschnittstellen, die Verwaltung von Intents, Entitäten und den Konversationsfluss entwickelt wurde.
Vorhersagemodelle direkt auf Daten, die in einem Data Warehouse gespeichert sind, nur mit SQL erstellen und ausführen.
BigQuery ML verwenden.
Warum: BigQuery ML demokratisiert maschinelles Lernen, indem es Datenanalysten ermöglicht, Modelle mit vertrauter SQL-Syntax zu erstellen und Datenverschiebungen zu vermeiden.
Anwendungen entwickeln, die neue Inhalte wie Textzusammenfassungen, Code oder Bilder generieren können.
Die Vertex AI-Plattform für generative KI nutzen, um auf Basismodele wie Gemini zuzugreifen.
Warum: Vertex AI bietet verwalteten Zugriff auf leistungsstarke Basismodele über APIs und ermöglicht die schnelle Entwicklung von generativen KI-Funktionen.
Eine Legacy-Anwendung, die auf einer VM läuft, mit minimalen Änderungen in die Cloud migrieren, wobei volle OS-Kontrolle erforderlich ist.
Compute Engine verwenden.
Warum: Compute Engine (IaaS) bietet virtuelle Maschinen, maximale Kontrolle und einen direkten Migrationspfad für lokale Server.
Eine zustandslose, containerisierte Webanwendung bereitstellen, die automatisch basierend auf dem Traffic skaliert werden muss, einschließlich der Skalierung auf Null.
Cloud Run verwenden.
Warum: Cloud Run ist eine vollständig verwaltete serverlose Plattform für Container, die die gesamte Infrastruktur abstrahiert und nur für die aktive Anforderungsverarbeitungszeit abrechnet.
Eine komplexe Microservices-Architektur mit Containern ausführen, die eine feingranulare Orchestrierung und Kontrolle erfordert.
Google Kubernetes Engine (GKE) verwenden.
Warum: GKE bietet eine verwaltete, produktionsreife Kubernetes-Umgebung mit vollen Orchestrierungsfunktionen bei gleichzeitiger Automatisierung der Clusterverwaltung.
Ein kleines Stück Code als Reaktion auf ein Ereignis ausführen, z. B. einen Dateiupload zu Cloud Storage oder eine Pub/Sub-Nachricht.
Cloud Functions verwenden.
Warum: Cloud Functions (FaaS) ist ein serverloser, ereignisgesteuerter Compute-Dienst, ideal für kurzlebige, einmalige Funktionen ohne Serververwaltung.
Eine Webanwendung bereitstellen und sich nur auf das Schreiben von Code konzentrieren, während die Plattform Server, Skalierung und Patches übernimmt.
App Engine verwenden.
Warum: App Engine (PaaS) ist eine vollständig verwaltete Plattform, die die gesamte Infrastruktur abstrahiert, ideal für Entwickler, die den schnellsten Weg zur Bereitstellung einer Anwendung wünschen.
Große, fehlertolerante Batch-Verarbeitungs- oder Hochleistungsrechenaufträge zu den niedrigstmöglichen Kosten ausführen.
Spot-VMs auf Compute Engine verwenden.
Warum: Spot-VMs bieten hohe Rabatte (bis zu 91%) für Workloads, die unterbrochen werden können, was sie für nicht-kritische Batch-Jobs äußerst kosteneffektiv macht.
Eine private Verbindung mit hoher Bandbreite und niedriger Latenz zwischen einem lokalen Rechenzentrum und Google Cloud herstellen.
Cloud Interconnect verwenden.
Warum: Cloud Interconnect bietet eine dedizierte physische Verbindung, die eine zuverlässigere und konsistentere Leistung als VPN über das öffentliche Internet bietet.
Web- oder Videoinhalte mit geringer Latenz an eine globale Benutzerbasis liefern.
Cloud CDN verwenden.
Warum: Cloud CDN speichert Inhalte an den global verteilten Edge-Standorten von Google und bedient Benutzer von einem nahegelegenen Point of Presence.
Container-Images, OS-Pakete und Sprachpakete sicher mit Schwachstellen-Scanning speichern und verwalten.
Artifact Registry verwenden.
Warum: Artifact Registry ist ein universelles, verwaltetes Repository, das sich in CI/CD und GKE integriert, um eine sichere und zentralisierte Paketverwaltung zu bieten.
Bestehende VMware-Workloads ohne Neugestaltung von Anwendungen oder Änderung von Betriebstools zu Google Cloud migrieren.
Google Cloud VMware Engine verwenden.
Warum: Es bietet ein dediziertes, vollständig verwaltetes VMware Software-Defined Data Center (SDDC), das auf Google Cloud läuft und einen nahtlosen "Lift and Shift" für VMware ermöglicht.
Den Benutzerzugriff auf Cloud-Ressourcen basierend auf der Jobfunktion verwalten, dem Prinzip der geringsten Berechtigung folgend.
Vordefinierte oder benutzerdefinierte IAM-Rollen Google Groups zuweisen, nicht einzelnen Benutzern.
Warum: Die Verwaltung von Berechtigungen über Gruppen vereinfacht die Administration und stellt sicher, dass neue Benutzer automatisch die korrekten, minimalen Berechtigungen erben.
Eine zentralisierte Ansicht von Sicherheitslücken, Bedrohungen und Fehlkonfigurationen in der gesamten GCP-Organisation erhalten.
Security Command Center verwenden.
Warum: Es fungiert als zentrale Übersicht für Sicherheit, aggregiert Erkenntnisse aus mehreren Quellen und liefert umsetzbare Informationen.
Öffentlich zugängliche Webanwendungen vor DDoS-Angriffen und gängigen Web-Exploits (z. B. SQL-Injection) schützen.
Cloud Armor verwenden.
Warum: Cloud Armor ist Googles Web Application Firewall (WAF) und DDoS-Minderungsdienst, der sich in den globalen Load Balancer integriert.
Daten in Cloud-Diensten verschlüsseln und dabei die volle Kontrolle über die Verschlüsselungsschlüssel behalten.
Cloud Key Management Service (Cloud KMS) verwenden, um Customer-Managed Encryption Keys (CMEK) zu erstellen.
Warum: CMEK ermöglicht es Ihnen, den Schlüssel-Lebenszyklus (Rotation, Zerstörung) aus Compliance- oder Richtliniengründen zu kontrollieren, während Google die Schlüssel-Infrastruktur verwaltet.
Sensible Daten (z. B. Kreditkartennummern, PII), die in Cloud Storage oder BigQuery gespeichert sind, entdecken, klassifizieren und redigieren.
Cloud Data Loss Prevention (DLP) verwenden.
Warum: Cloud DLP bietet Tools zum automatischen Scannen und Handeln bei sensiblen Daten, um versehentliche Offenlegung zu verhindern.
Sicheren Zugriff auf interne Webanwendungen für Mitarbeiter bereitstellen, ohne ein traditionelles VPN zu verwenden.
Identity-Aware Proxy (IAP) verwenden.
Warum: IAP erzwingt Zugriffsrichtlinien basierend auf Benutzeridentität und Kontext, wodurch ein Zero-Trust-Sicherheitsmodell für Anwendungen geschaffen wird.
Datenexfiltration verhindern, indem ein Sicherheitsperimeter um sensible Google Cloud-Projekte und -Dienste geschaffen wird.
VPC Service Controls verwenden.
Warum: VPC Service Controls isoliert Dienste und Daten und stellt sicher, dass Daten nicht außerhalb des definierten Perimeters verschoben werden können, selbst durch einen Benutzer mit gültigen IAM-Berechtigungen.
Anwendungsgeheimnisse wie API-Schlüssel, Passwörter und Zertifikate sicher speichern und verwalten.
Secret Manager verwenden.
Warum: Secret Manager bietet einen zentralisierten, versionierten und geprüften Speicher für Geheimnisse mit granularer IAM-Berechtigungen, was sicherer ist als die Speicherung in Code oder Konfigurationsdateien.
Umfassende Beobachtbarkeit der Anwendungs- und Infrastrukturintegrität durch Metriken, Logs und Traces erhalten.
Die Google Cloud Operations Suite verwenden: Cloud Monitoring (Metriken/Alarme), Cloud Logging (Logs) und Cloud Trace (Tracing).
Warum: Diese integrierte Suite bietet ein vollständiges Bild der Systemleistung für proaktive Überwachung und schnellere Fehlerbehebung.
Cloud-Ausgaben proaktiv verwalten und Benachrichtigungen erhalten, bevor Kosten geplante Beträge überschreiten.
Cloud Billing Budget-Alarme konfigurieren.
Warum: Budgets bieten programmatische Benachrichtigungen, wenn die Ausgaben bestimmte Schwellenwerte erreichen, um Kostenüberschreitungen zu vermeiden.
Cloud-Kosten verfolgen und bestimmten Teams, Projekten oder Kostenstellen für die interne Verrechnung zuweisen.
Labels auf alle Ressourcen anwenden und Cloud Billing-Berichte verwenden, um Kosten nach Label zu filtern und zu gruppieren.
Warum: Labels sind der primäre Mechanismus zur Organisation von Ressourcen und zur Zuordnung von Kosten für die Finanzverwaltung.
Kosten für vorhersehbare, konstante Workloads reduzieren, die kontinuierlich laufen (z. B. ein Datenbankserver).
1-jährige oder 3-jährige Committed Use Discounts (CUDs) für Compute Engine oder andere Dienste erwerben.
Warum: CUDs bieten erhebliche Einsparungen gegenüber On-Demand-Preisen im Austausch für die Verpflichtung zu einer konsistenten Ressourcennutzung.
Cloud-Ressourcen so organisieren, dass sie die Unternehmensstruktur (z. B. Abteilungen, Umgebungen) widerspiegeln und Richtlinien hierarchisch anwenden.
Die Ressourcenhierarchie Organisation > Ordner > Projekte verwenden.
Warum: Diese Struktur ermöglicht eine zentralisierte Kontrolle, da IAM- und Organisationsrichtlinien die Hierarchie hinunter vererbt werden, was die Governance im großen Maßstab vereinfacht.
Cloud-Infrastruktur wiederholbar, versionskontrolliert und automatisiert definieren, bereitstellen und verwalten.
Ein Infrastructure as Code (IaC)-Tool wie Terraform oder Cloud Deployment Manager verwenden.
Warum: IaC reduziert manuelle Fehler, erhöht die Bereitstellungsgeschwindigkeit und bietet eine überprüfbare Aufzeichnung von Infrastrukturänderungen.
Die Notwendigkeit der Dienstzuverlässigkeit mit dem Bedarf an Innovation und der Freigabe neuer Funktionen in Einklang bringen.
Site Reliability Engineering (SRE)-Prinzipien implementieren: Service Level Objectives (SLOs) definieren und das resultierende Fehlerbudget nutzen.
Warum: Das Fehlerbudget bietet einen datengesteuerten Rahmen, um zu entscheiden, wann Zuverlässigkeitsarbeit gegenüber der Funktionsentwicklung priorisiert werden sollte, um die Benutzererfahrung zu schützen.
