Последняя проверка: май 2026 г.
Сжатый справочник архитектурных шаблонов, проверяемых на экзамене CDL. Читайте сверху вниз или переходите к нужному разделу.
Перевести ИТ-расходы с крупных первоначальных закупок оборудования на модель оплаты по мере использования.
Использовать облачные сервисы для преобразования капитальных затрат (CapEx) в операционные затраты (OpEx).
Почему: Облако обеспечивает финансовую гибкость, снижает барьеры входа и напрямую соотносит затраты с использованием, избегая избыточного выделения ресурсов.
Разъяснить распределение ответственности за безопасность между облачным провайдером и заказчиком.
Google обеспечивает безопасность облачной инфраструктуры (оборудование, сеть). Заказчик обеспечивает безопасность того, что он размещает в облаке (данные, IAM, код приложения).
Почему: Заказчик всегда несет ответственность за свои данные и контроль доступа, независимо от модели обслуживания (IaaS, PaaS, SaaS).
Внедрить облако, сохраняя при этом гибкость в использовании других платформ или технологий.
Отдавать предпочтение сервисам, построенным на технологиях с открытым исходным кодом, таких как Kubernetes (GKE), TensorFlow и Apache Beam (Dataflow).
Почему: Стандарты с открытым исходным кодом повышают переносимость рабочих нагрузок, предотвращая привязку к проприетарным API и обеспечивая гибридные/мультиоблачные стратегии.
Сократить углеродный след ИТ-операций для достижения корпоративных целей устойчивого развития.
Размещать рабочие нагрузки в Google Cloud, используя его 100% соответствие возобновляемым источникам энергии. Использовать инструмент Carbon Footprint для мониторинга и выбора регионов с низким уровнем выбросов углерода.
Почему: Google Cloud управляет одним из самых чистых облаков, позволяя компаниям получать выгоду от его устойчивости.
Интегрировать локальную инфраструктуру с облачными сервисами из-за регулирования или суверенитета данных.
Использовать Anthos для создания единообразной платформы на базе Kubernetes как в локальной среде, так и в Google Cloud.
Почему: Anthos предоставляет унифицированную плоскость управления и контроля для приложений, независимо от места их выполнения, упрощая гибридные операции.
Анализировать петабайты структурированных данных с помощью сложных SQL-запросов без управления инфраструктурой.
Использовать BigQuery.
Почему: BigQuery - это полностью управляемое, бессерверное хранилище данных, оптимизированное для крупномасштабных аналитических запросов.
Требуется глобально распределенная реляционная база данных с высокой согласованностью и горизонтальной масштабируемостью.
Использовать Cloud Spanner.
Почему: Spanner сочетает реляционную семантику (ACID, SQL) с нереляционным масштабом, что идеально подходит для критически важных глобальных приложений, таких как финансовые.
Хранить и извлекать большие объемы простых данных типа «ключ-значение» (например, IoT, профили пользователей) с задержкой в единицы миллисекунд.
Использовать Cloud Bigtable.
Почему: Bigtable - это широколоночная база данных NoSQL, оптимизированная для высокопроизводительных операционных и аналитических рабочих нагрузок с низкой задержкой.
Создать мобильное или веб-приложение, требующее синхронизации данных в реальном времени и автономной функциональности.
Использовать Firestore.
Почему: Firestore - это документоориентированная база данных NoSQL со встроенной синхронизацией в реальном времени и автономным хранением, разработанная для современной разработки приложений.
Мигрировать традиционную локальную базу данных MySQL, PostgreSQL или SQL Server в управляемый облачный сервис с минимальными изменениями.
Использовать Cloud SQL.
Почему: Cloud SQL - это полностью управляемый сервис реляционных баз данных, который обеспечивает совместимость со стандартными механизмами баз данных, автоматизируя резервное копирование, исправления и репликацию.
Принимать и обрабатывать высокообъемный поток данных в реальном времени (например, IoT, потоки кликов) для немедленного анализа.
Использовать Pub/Sub для приема, Dataflow для потоковой обработки и BigQuery для аналитики.
Почему: Это канонический бессерверный шаблон для масштабируемой аналитики в реальном времени в Google Cloud.
Эффективно хранить данные с различными шаблонами доступа (частый, нечастый, архивный) с точки зрения затрат.
Использовать Cloud Storage с политиками жизненного цикла для автоматического перехода данных между классами Standard, Nearline, Coldline и Archive.
Почему: Политики жизненного цикла автоматизируют многоуровневое хранение данных, сопоставляя стоимость хранения с частотой доступа без ручного вмешательства.
Хранить огромные объемы необработанных, неструктурированных и полуструктурированных данных для будущей обработки и анализа.
Использовать Cloud Storage в качестве центрального хранилища (озеро данных).
Почему: Cloud Storage предлагает надежное, недорогое объектное хранилище, которое интегрируется со всеми сервисами обработки данных GCP (BigQuery, Dataproc, Dataflow).
Запускать крупномасштабные задачи обработки данных, используя фреймворки с открытым исходным кодом, такие как Apache Spark и Hadoop.
Использовать Dataproc.
Почему: Dataproc предоставляет полностью управляемые кластеры Spark и Hadoop, автоматизируя создание и управление кластерами, что позволяет командам сосредоточиться на своих задачах.
Добавить в приложение возможности ИИ, такие как распознавание изображений, анализ настроений или транскрипция речи, без опыта в ML.
Использовать предварительно обученные API: Vision AI, Natural Language AI, Speech-to-Text API, Translation API.
Почему: Эти API предоставляют самые современные модели Google для распространенных вариантов использования, требуя лишь простого вызова REST API.
Обучить пользовательскую ML-модель, используя собственные размеченные данные (например, изображения продуктов, текст клиентов), но без опыта кодирования ML.
Использовать AutoML в Vertex AI.
Почему: AutoML автоматизирует процесс создания моделей, позволяя командам создавать высококачественные пользовательские модели через простой графический интерфейс.
Команде по науке о данных нужна унифицированная платформа для создания, обучения, развертывания и управления пользовательскими ML-моделями на протяжении всего их жизненного цикла (MLOps).
Использовать Vertex AI.
Почему: Vertex AI - это комплексная платформа MLOps, которая предоставляет инструменты для каждого шага рабочего процесса машинного обучения в единой среде.
Автоматически извлекать структурированную информацию (например, номера счетов, позиции) из отсканированных документов или PDF-файлов.
Использовать Document AI.
Почему: Document AI специально обучен понимать макеты документов и извлекать структурированные данные, сокращая ручной ввод данных.
Создать чат-бота или виртуального голосового помощника для обработки запросов клиентов.
Использовать Dialogflow.
Почему: Dialogflow - это платформа для понимания естественного языка, разработанная для создания разговорных интерфейсов, управления намерениями, сущностями и потоком разговора.
Создавать и запускать предиктивные модели непосредственно на данных, хранящихся в хранилище данных, используя только SQL.
Использовать BigQuery ML.
Почему: BigQuery ML демократизирует машинное обучение, позволяя аналитикам данных создавать модели с использованием привычного синтаксиса SQL, избегая перемещения данных.
Создавать приложения, которые могут генерировать новый контент, такой как резюме текстов, код или изображения.
Использовать платформу Vertex AI для Generative AI, получая доступ к базовым моделям, таким как Gemini.
Почему: Vertex AI предоставляет управляемый доступ к мощным базовым моделям через API, обеспечивая быструю разработку функций генеративного ИИ.
Мигрировать устаревшее приложение, работающее на VM, в облако с минимальными изменениями, требуя полного контроля над ОС.
Использовать Compute Engine.
Почему: Compute Engine (IaaS) предоставляет виртуальные машины, предлагая максимальный контроль и прямой путь миграции для локальных серверов.
Развернуть бессерверное, контейнеризированное веб-приложение, которое должно автоматически масштабироваться в зависимости от трафика, включая масштабирование до нуля.
Использовать Cloud Run.
Почему: Cloud Run - это полностью управляемая бессерверная платформа для контейнеров, которая абстрагирует всю инфраструктуру и взимает плату только за время активной обработки запросов.
Запустить сложную микросервисную архитектуру с использованием контейнеров, требующую детальной оркестрации и контроля.
Использовать Google Kubernetes Engine (GKE).
Почему: GKE предоставляет управляемую, готовую к производству среду Kubernetes, предлагая полные возможности оркестрации при автоматизации управления кластерами.
Выполнить небольшой фрагмент кода в ответ на событие, например, загрузку файла в Cloud Storage или сообщение Pub/Sub.
Использовать Cloud Functions.
Почему: Cloud Functions (FaaS) - это бессерверный, управляемый событиями вычислительный сервис, идеально подходящий для короткоживущих, одноцелевых функций без управления серверами.
Развернуть веб-приложение и сосредоточиться только на написании кода, позволяя платформе управлять серверами, масштабированием и патчами.
Использовать App Engine.
Почему: App Engine (PaaS) - это полностью управляемая платформа, которая абстрагирует всю инфраструктуру, идеальная для разработчиков, которые хотят максимально быстро развернуть приложение.
Запускать крупные отказоустойчивые пакетные обработки или высокопроизводительные вычислительные задачи с минимально возможными затратами.
Использовать Spot VMs в Compute Engine.
Почему: Spot VMs предлагают значительные скидки (до 91%) для рабочих нагрузок, которые могут быть прерваны, что делает их очень экономичными для некритичных пакетных задач.
Установить высокоскоростное, низколатентное, частное соединение между локальным центром обработки данных и Google Cloud.
Использовать Cloud Interconnect.
Почему: Cloud Interconnect обеспечивает выделенное физическое соединение, предлагая более надежную и стабильную производительность, чем VPN через общедоступный интернет.
Доставлять веб- или видеоконтент глобальной пользовательской базе с низкой задержкой.
Использовать Cloud CDN.
Почему: Cloud CDN кэширует контент в глобально распределенных граничных точках Google, обслуживая пользователей из ближайшей к ним точки присутствия.
Безопасно хранить и управлять образами контейнеров, пакетами ОС и языковыми пакетами со сканированием уязвимостей.
Использовать Artifact Registry.
Почему: Artifact Registry - это универсальный, управляемый репозиторий, который интегрируется с CI/CD и GKE для обеспечения безопасного и централизованного управления пакетами.
Мигрировать существующие рабочие нагрузки VMware в Google Cloud без перепроектирования приложений или изменения операционных инструментов.
Использовать Google Cloud VMware Engine.
Почему: Он предоставляет выделенный, полностью управляемый программно-определяемый центр обработки данных VMware (SDDC), работающий в Google Cloud, обеспечивая бесшовную миграцию ("lift and shift") для VMware.
Управлять доступом пользователей к облачным ресурсам на основе должностных обязанностей, следуя принципу наименьших привилегий.
Назначать предопределенные или настраиваемые роли IAM группам Google, а не отдельным пользователям.
Почему: Управление разрешениями через группы упрощает администрирование и гарантирует, что новые пользователи автоматически наследуют правильные, минимальные разрешения.
Получить централизованное представление об уязвимостях безопасности, угрозах и неправильных конфигурациях во всей организации GCP.
Использовать Security Command Center.
Почему: Он служит единой точкой обзора для безопасности, агрегируя данные из множества источников и предоставляя действенные аналитические данные.
Защитить общедоступные веб-приложения от DDoS-атак и распространенных веб-эксплойтов (например, SQL-инъекций).
Использовать Cloud Armor.
Почему: Cloud Armor - это брандмауэр веб-приложений (WAF) и сервис для смягчения DDoS-атак от Google, который интегрируется с глобальным балансировщиком нагрузки.
Шифровать данные в облачных сервисах, сохраняя полный контроль над ключами шифрования.
Использовать Cloud Key Management Service (Cloud KMS) для создания ключей шифрования, управляемых клиентом (CMEK).
Почему: CMEK позволяет контролировать жизненный цикл ключа (ротацию, уничтожение) по причинам соответствия или политики, в то время как Google управляет инфраструктурой ключей.
Обнаруживать, классифицировать и редактировать конфиденциальные данные (например, номера кредитных карт, PII), хранящиеся в Cloud Storage или BigQuery.
Использовать Cloud Data Loss Prevention (DLP).
Почему: Cloud DLP предоставляет инструменты для автоматического сканирования и принятия мер в отношении конфиденциальных данных для предотвращения случайного раскрытия.
Обеспечить безопасный доступ к внутренним веб-приложениям для сотрудников без использования традиционного VPN.
Использовать Identity-Aware Proxy (IAP).
Почему: IAP применяет политики доступа на основе идентификатора пользователя и контекста, создавая модель безопасности с нулевым доверием для приложений.
Предотвратить утечку данных, создав периметр безопасности вокруг чувствительных проектов и сервисов Google Cloud.
Использовать VPC Service Controls.
Почему: VPC Service Controls изолирует сервисы и данные, гарантируя, что данные не могут быть перемещены за пределы определенного периметра, даже пользователем с действительными разрешениями IAM.
Безопасно хранить и управлять секретами приложений, такими как ключи API, пароли и сертификаты.
Использовать Secret Manager.
Почему: Secret Manager предоставляет централизованное, версионированное и аудируемое хранилище для секретов с детализированными разрешениями IAM, что более безопасно, чем хранение их в коде или файлах конфигурации.
Получить полную наблюдаемость за состоянием приложений и инфраструктуры с помощью метрик, журналов и трассировок.
Использовать набор операций Google Cloud: Cloud Monitoring (метрики/оповещения), Cloud Logging (журналы) и Cloud Trace (трассировка).
Почему: Этот интегрированный набор предоставляет полную картину производительности системы для проактивного мониторинга и ускоренного устранения неполадок.
Проактивно управлять облачными расходами и получать уведомления до того, как затраты превысят запланированные суммы.
Настроить оповещения о бюджете в Cloud Billing.
Почему: Бюджеты предоставляют программные уведомления, когда расходы достигают определенных пороговых значений, предотвращая перерасход средств.
Отслеживать и распределять облачные расходы по конкретным командам, проектам или центрам затрат для выставления счетов.
Применить метки (Labels) ко всем ресурсам и использовать отчеты Cloud Billing для фильтрации и группировки затрат по меткам.
Почему: Метки (Labels) являются основным механизмом для организации ресурсов и отнесения затрат для финансового управления.
Сократить расходы на предсказуемые, постоянно работающие рабочие нагрузки (например, сервер базы данных).
Приобрести 1-летние или 3-летние скидки за фиксированное использование (Committed Use Discounts, CUDs) для Compute Engine или других сервисов.
Почему: CUDs предлагают значительную экономию по сравнению с ценами по требованию в обмен на обязательство поддерживать постоянный уровень использования ресурсов.
Организовать облачные ресурсы таким образом, чтобы они отражали структуру компании (например, отделы, среды) и применять политики иерархически.
Использовать иерархию ресурсов Organization > Folders > Projects.
Почему: Эта структура обеспечивает централизованный контроль, поскольку политики IAM и Organization наследуются по всей иерархии, упрощая управление в масштабе.
Определять, развертывать и управлять облачной инфраструктурой повторяемым, версионируемым и автоматизированным способом.
Использовать инструмент "Инфраструктура как код" (IaC), такой как Terraform или Cloud Deployment Manager.
Почему: IaC уменьшает количество ручных ошибок, увеличивает скорость развертывания и предоставляет проверяемую запись изменений инфраструктуры.
Сбалансировать потребность в надежности сервиса с необходимостью инноваций и выпуска новых функций.
Внедрить принципы Site Reliability Engineering (SRE): определить цели уровня обслуживания (Service Level Objectives, SLOs) и использовать полученный бюджет ошибок (Error Budget).
Почему: Бюджет ошибок предоставляет основанную на данных основу для принятия решений о том, когда отдавать приоритет работе по обеспечению надежности над разработкой функций, защищая пользовательский опыт.