Вопросы на собеседовании: AWS-инженер

Aurora должна обслуживать пользователей в 3 регионах с локальными чтениями менее 50 мс, но конфликты межрегиональной записи запрещены; какую топологию вы выберете?

Lambda API может достигать 10 000 одновременных вызовов, а Aurora допускает только 800 подключений приложения; как вы используете RDS Proxy?

Как бы вы спроектировали DynamoDB global table для 200 000 записей в секунду в 3 регионах, если для каждого item нужна детерминированная обработка конфликтов?

Один клиент создает 40% из 1 000 000 записей DynamoDB в секунду, а текущим partition key служит tenant ID; как вы устраните горячую партицию?

DynamoDB Streams должны передавать 50 000 событий в секунду 8 потребителям, но дублирующиеся побочные эффекты запрещены; какую архитектуру вы предложите?

Как бы вы спроектировали хранение в S3 для 5 ПБ регулируемых объектов со сроком хранения 7 лет, межрегиональным RPO менее 15 минут и запретом удаления сохраненных данных любым администратором?

API обслуживает 100 000 чтений в секунду, допускает устаревание данных на 5 секунд и обновляется через события; как вы объедините ElastiCache и event-driven consistency?

Как бы вы спроектировали zero-trust IAM для 800 людей и 2 000 workloads в 60 аккаунтах, если сессии людей ограничены 1 часом, а долгоживущие access keys запрещены?

Как бы вы спроектировали KMS-шифрование для 60 аккаунтов и 3 регионов, если регулируемым командам требуется разделение ключей, а центральная безопасность должна контролировать политики?

Десять тысяч секретов приложений в 60 аккаунтах должны ротироваться каждые 30 дней без доступа платформенной команды к открытому тексту; как вы используете Secrets Manager?

Как бы вы спроектировали агрегацию GuardDuty, Security Hub и Config для центральной безопасности во всех 60 аккаунтах и включенных регионах, чтобы новые findings высокой серьезности были видны за 5 минут?

Как бы вы спроектировали неизменяемое аудит-логирование для 60 аккаунтов со сроком хранения 7 лет, legal hold и жестким запретом администраторам workload изменять логи?

Как бы вы спроектировали контроли supply chain в AWS для платформы, которая собирает 200 контейнерных образов в день, если production может запускать только подписанные образы с отслеживаемым происхождением?

Двенадцать аккаунтов обрабатывают регулируемые данные ЕС, которые не должны покидать eu-west-1 и eu-central-1, а общая платформа работает в 3 глобальных регионах; как вы обеспечите границу?

Для 60 аккаунтов, 12 команд и жесткого требования проверять план перед каждым изменением как вы выберете между Terraform Enterprise, AWS CDK и CloudFormation?

Как бы вы спроектировали tenancy state в Terraform Enterprise для 60 аккаунтов и 400 workspaces, чтобы одна команда не могла выполнить plan против state другой команды?

Двадцати командам нужны переиспользуемые IaC-модули, а 80% новых сервисов должны следовать golden path в течение 6 месяцев; как вы построите программу модулей?

Каждый pull request IaC для 60 аккаунтов должен получить результаты policy as code за 10 минут; какие контроли вы добавите в пайплайн?

Как бы вы спроектировали контроль, который обнаруживает несанкционированный IaC drift для 25 000 ресурсов AWS за 15 минут без автоматического затирания аварийных изменений?

Новый сетевой baseline нужно развернуть в 60 аккаунтах за 5 волн с жесткой остановкой, если validation не пройдет более чем в 1 аккаунте; как сделать rollout безопасным?

Customer API имеет целевую доступность 99,95% за 30 дней; как вы определите его SLO и политику error budget?

Как бы вы спроектировали telemetry на CloudWatch и OpenTelemetry для 200 сервисов, создающих 1 000 000 spans в минуту, если расходы на observability ограничены 5% стоимости AWS?

Какой из подходов backup-and-restore, pilot light, warm standby и active-active вы бы выбрали для приложения tier-1 с RTO 15 минут и RPO 5 минут в 2 регионах?

Как бы вы спроектировали неизменяемые backups для 60 аккаунтов с ежедневными recovery points, регулируемым хранением 7 лет и жестким запретом скомпрометированным администраторам аккаунтов удалять backups?

Как бы вы спланировали ежеквартальный game day для сервиса с доступностью 99,99%, RTO 30 минут, RPO 1 минута и жестким запретом видимого для клиентов прерывания?

Нужно провести Well-Architected reviews для 40 workloads за 90 дней без отчетов ради чек-листа; как вы организуете программу?

Ежемесячные расходы AWS составляют $1,2 млн в 60 аккаунтах, а 70% compute usage стабильно; как вы рассчитаете обязательства Savings Plans и Reserved Instances?

Как бы вы распределили минимум 95% ежемесячных расходов AWS в $1,2 млн между 60 аккаунтами и 18 продуктовыми командами, если общие сетевые и платформенные затраты составляют 20%?

Руководство требует за 6 месяцев сократить ежемесячные расходы AWS на 25% от $900 000 без снижения клиентского SLA 99,95%; каков ваш конкретный план?

Двенадцать команд не согласны по 3 вариантам AWS-платформы, решение RFC нужно принять за 2 недели, а 4 инженера под вашим менторством должны помочь задать техническое направление; как вы поведете решение?

Route 53 направляет 60% из 18 000 запросов в секунду в us-east-1; CloudWatch зеленый, но 3 внешних пробника фиксируют 38% ошибок checkout уже 7 минут после изменения health check. Какое решение по маршрутизации вы примете и какие данные ограничат восстановление?

Изменение Transit Gateway в организации из 220 аккаунтов распространило 10.42.0.0/16 из development в production; VPC Flow Logs показывают 14 000 отклоненных соединений, а 6 платежных сервисов недоступны 9 минут. Как вы локализуете утечку и решите, что маршрутизация безопасна?

Канал Direct Connect на 10 Гбит/с упал 12 минут назад, BGP перевел трафик на два VPN-туннеля по 2 Гбит/с, но packet capture показывает обратный трафик через Direct Connect и 31% timeout API при 3,5 Гбит/с. Что вы измените и какое условие предотвратит повторную асимметрию?

Checkout VPC имеет 48 000 одновременных исходящих соединений; NAT ErrorPortAllocation достигает 9 200 в минуту, TLS timeout партнера равны 27%, а Flow Logs показывают scraper с 40 соединениями в секунду на задачу. Как вы локализуете сбой и ограничите восстановление egress?

ALB вырос с 24 000 до 61 000 запросов в секунду после promotion; target 5xx достиг 18%, логи показывают target_reset, а 640 задач ECS используют лишь 70% CPU. Вы масштабируете, откатите или измените ALB и как восстановите сервис?

После обновления правила Route 53 Resolver 73 VPC не разрешают corp.internal уже 11 минут; query logs показывают 82% SERVFAIL, ENI outbound endpoint исправны, а on-premises DNS отвечает напрямую за 12 мс. Что вы откатите и что докажет восстановление?

Новый endpoint service PrivateLink создали вокруг replacement NLB; 46 новых endpoints ожидают acceptance, а 160 существующих endpoints по-прежнему используют старый service и видят 34% reset после изменения его NLB. Что вы восстановите и как ограничите миграцию?

Изменение маршрута отправляет 94 ТБ в сутки регулируемого трафика клиентов из ЕС через us-east-1 уже 27 минут, нарушая утвержденную границу резидентности; потоковая телеметрия показывает 38 Гбит/с между регионами. Как вы локализуете инцидент, сохраните данные и восстановите соответствие?

Смешанный EC2 fleet потерял 78% Spot-емкости за 6 минут при пике 32 000 запросов в секунду; завершаются 420 инстансов, очередь достигает 2,8 миллиона, а notices дают 2 минуты. Как вы восстановитесь без второй перегрузки?

Auto Scaling rollout заменил 180 из 240 инстансов launch template с неисправным user data; EC2 console показывает cloud-init exit 1, здоровых хостов ALB осталось 54, а ошибки достигли 23% за 8 минут. Что вы откатите и как безопасно замените флот?

Deployment ECS из 320 задач Fargate достиг steady state, но 5xx checkout выросли с 0,3% до 11%; память равна 58%, circuit breaker не сработал, а трассировки указывают на новый image digest. Что вы сделаете и какого recovery gate не хватило?

Кластер EKS с 900 узлами имеет 19% ошибок; p99 Kubernetes API равен 14 секундам, 37 узлов находятся в NotReady, а AWS Health чист после rollout CNI 6 минут назад. Вы замените узлы, откатите rollout или выполните failover и что докажет восстановление?

Консолидация Karpenter выводит 140 узлов EKS за 9 минут при disruption budget 10%; 2 300 pods находятся в Pending, p99 платежей достиг 4,2 секунды, а логи показывают несовместимые topology constraints. Что вы остановите и как восстановите планирование?

После обновления sidecar App Mesh на 85 сервисах p99 вырос со 180 мс до 1,9 секунды, а retries утроили трафик до 72 000 запросов в секунду; X-Ray показывает 640 мс в Envoy при CPU приложения 46%. Вы настроите или откатите и как восстановитесь?

Ошибка retries увеличила Lambda с 8 000 до 54 000 вызовов в секунду; concurrency достигла 95 000, throttles затронули 14 функций, а возраст старого сообщения SQS равен 41 минуте. Какое решение по concurrency вы примете и как безопасно разгрузите очередь?

Сканирование ECR нашло критическую RCE-уязвимость в базовом image для 1 700 контейнеров в 26 сервисах; признаков эксплуатации нет, но исправленный image не проходит 9% canary health checks. Вы остановите production, примете риск или откатите и какие условия зададите?

Writer Aurora PostgreSQL переключился за 38 секунд, но 1 200 задач переподключились одновременно; соединения достигли 14 800 из 15 000, CPU равен 96%, а ошибки checkout остаются 17% спустя 6 минут. Как вы остановите шторм и решите, что writer безопасен?

У RDS PostgreSQL осталось 90 ГБ на томе gp3 12 ТБ, место убывает на 18 ГБ в час, replica lag равен 27 минутам, а Performance Insights связывает рост с неудачным созданием индекса 4 часа назад. Вы добавите место, отмените работу или выполните failover и как восстановитесь?

Реплика RDS MySQL с 68% чтений каталога отстала на 46 минут при 21 000 записей в секунду на primary; DiskQueueDepth равен 190, а старые цены вызывают 7% несовпадений корзины. Вы продвинете, отключите или перестроите реплику и что ограничит восстановление?

Таблица DynamoDB orders получает 180 000 записей в секунду, а merchant-8842 создает 42%, то есть примерно 75 600 записей в секунду; throttles достигают 31 000 в секунду, и merchant встречается в 87% ошибок. Как вы локализуете hot key без потери порядка заказов?

Global table DynamoDB принимала записи в us-east-1 и eu-west-1 во время разделения на 13 минут; после репликации у 26 400 профилей конфликтуют адреса, а CloudTrail подтверждает запись в обоих регионах. Какая копия победит и как вы восстановитесь?

Оператор удалил 18 миллионов объектов из versioned S3 bucket; 6,2 миллиона delete markers уже реплицированы, Object Lock отсутствует, а 44% скачиваний падают спустя 17 минут. Что вы восстановите первым и как исправите destination?

Primary ElastiCache Redis переключился за 54 секунды, но 700 инстансов не переподключились, hit rate упал с 93% до 8%, CPU Aurora достиг 94%, а p99 checkout равен 3,8 секунды. Вы выполните flush, failback или throttling и как предотвратите stampede?

Очередь заказов SQS выросла с 40 000 до 12,6 миллиона за 35 минут; самое старое сообщение имеет возраст 29 минут, ошибки Lambda равны 0,2%, а write latency Aurora растет с 12 до 140 мс выше concurrency 4 000. Как вы разгрузите ее и определите восстановление?

GuardDuty сообщает об IAM key, использованном из 3 стран за 11 минут; CloudTrail показывает 286 AssumeRole и 41 изменение security groups, а владелец считает ключ неактивным. Как вы локализуете компрометацию и решите, что аккаунты безопасны?

Новый SCP с ошибочным условием действует в 310 аккаунтах, и 74 production roles теряют доступ к AWS API; CloudTrail фиксирует attachment в 14:06, а break-glass roles тоже не работают. Как вы выйдете из lockout и какое условие позволит применить политику снова?

Customer key KMS для 96 сервисов отключен автоматизацией; 63% decrypt падают, CloudTrail показывает DisableKey 8 минут назад, а 4 ТБ записей используют этот ключ. Вы включите, смените или восстановите его и как докажете восстановление?

Secrets Manager сменил пароль базы для 380 задач, но клиенты кешируют его на 24 часа; ошибки аутентификации достигли 71%, старый секрет действителен еще 5 минут, а finishSecret успешен. Что вы откатите и как восстановитесь?

GuardDuty сообщает об эксфильтрации S3: EC2 role прочитала 7,4 ТБ за 2 часа; Flow Logs показывают отправку 3,1 ТБ на незнакомый IP при норме 20 ГБ в сутки. Вы завершите, заблокируете или сохраните инстанс и что ограничит восстановление?

Security обнаруживает 19-часовой пробел CloudTrail в 84 аккаунтах; доставка S3 остановилась в 02:11, CloudTrail Lake содержит события для 61 аккаунта, а IAM-инцидент мог быть в 08:40. Как вы сохраните данные и решите, что аудит восстановлен?

AWS Config сообщает о публичном S3 bucket с 2,3 миллиона payroll-объектов; логи показывают 18 400 анонимных GET за 36 минут, Block Public Access отключен в 10:02, а legal требует решение за 15 минут. Что вы сделаете и когда сервис возобновится?

Audit logs EKS показывают создание cluster-admin bindings одним service account в 4 кластерах; за 22 минуты запущены 63 privileged pods, 9 узлов обращались к mining pool, хотя token должен лишь перечислять pods. Как вы локализуете escalation и восстановите доверие?

Workspace Terraform Enterprise потерял state lock во время apply; изменены 320 из 500 ресурсов, последний state на 14 МБ меньше, а следующий plan удаляет 86 живых ресурсов. Что вы восстановите и какие данные разрешат новый apply?

Обновление общего Terraform module в 74 workspaces меняет default с private на public и планирует замену 1 900 load balancers; 11 уже выполнили apply, а Config показывает 7 публичных endpoints. Как вы остановите blast radius и восстановите потребителей?

Обновление CloudFormation для stack из 260 ресурсов падает на ресурсе 214 с UPDATE_ROLLBACK_FAILED; изменены 37 ресурсов, замена базы заблокирована, а ошибки API равны 28%. Вы продолжите rollback, импортируете или восстановите и что ограничит recovery?

Deployment CDK успешен для 48 stacks, но drift detection находит 312 различий IAM и security groups после экстренного изменения; 6 roles имеют AdministratorAccess, активной аварии нет. Вы перезапишете или сохраните drift и какое условие используете?

Role pipeline создает 23 IAM users и отключает 16 CloudWatch alarms за 9 минут; сессия пришла из одного build, а 140 production accounts доверяют role. Как вы локализуете компрометацию CI role и восстановите delivery?

Во время 21-минутной аварии checkout дашборды зеленые из-за остановки ingestion в одном аккаунте; логи ALB показывают 36% 5xx, collectors теряют 84 миллиона spans, а status page заявляет 99,99%. Как вы работаете вслепую и решите, что мониторинг надежен?

Новый пакет alarms создает 48 000 уведомлений за 3 часа в 260 аккаунтах; только 6 связаны с клиентами, p95 подтверждения равен 19 минутам, а реальный database alarm пропущен. Что вы заглушите и какие данные позволят активацию?

Canary направляет 5% трафика на release 12 минут; p99 растет с 260 мс до 1,4 секунды, ошибки остаются 0,4%, а gate проходит, проверяя только 5xx ниже 1%. Вы выполните promotion или rollback и как исправите gate?

us-east-1 недоступен 7 минут для платежей с RTO 10 минут и RPO 30 секунд; lag Aurora Global Database равен 18 секундам, standby имеет 40% емкости, а Route 53 все еще отправляет 22% в east. Вы активируете DR сейчас и что ограничит восстановление?

Тест должен восстановить snapshot Aurora 9 ТБ в пределах RTO 4 часа, но спустя 3 часа читается 22% горячих данных, а 31% validation queries падают; AWS Backup сообщает о завершении. Вы примете, смените метод или объявите провал и как восстановитесь?

Суточный темп AWS вырос на 40% с $82 000 до $114 800 за 6 часов; Cost Explorer относит $21 000 к NAT и $9 600 к transfer us-east-1 после release при неизменном клиентском трафике. Что вы остановите и какие данные разрешат обычную работу?

Годовой Compute Savings Plan на $1,8 миллиона покрывает 72% baseline, но спрос падает на 35% уже 3 месяца, а utilization равен 61%; finance просит сегодня решить о новом обязательстве на 1 год под запуск. Каково решение и какие данные могут его изменить?

Региональный дефицит capacity выводит 600 инстансов EC2; recovery Auto Scaling group запрашивает 600 c7i.4xlarge, но в региональном quota Standard On-Demand vCPU свободно лишь 240 vCPU, и запуски падают с VcpuLimitExceeded. Как вы локализуете quota-инцидент и ограничите восстановление?

Control Tower обнаруживает 186 drifted resources в 42 из 500 аккаунтов после обновления landing zone; 17 обязательных log buckets перешли с требуемого SSE-KMS на default SSE-S3 и получили 2,8 миллиона объектов, 9 controls отключены, а vending создает 12 аккаунтов в час. Что вы остановите и как восстановите governance?

Внешний аудит PCI через 72 часа, но Security Hub показывает 1 840 failed controls в 230 аккаунтах; 93% пришли из нового стандарта, 14 раскрывают пути к card data, а automation падает в 6%. Что вы исправите первым и какие данные поддержат compliance?

Инцидент затрагивает 38% checkout уже 24 минуты; на bridge 46 человек, 7 команд одновременно меняют систему, а клиентские обновления без владельца, пока ошибки растут с 12% до 19%. Как вы возьмете command и какое условие восстановления примените?

Инженер middle-уровня предлагает на 15 минут открыть весь ingress security groups для 0.0.0.0/0, чтобы восстановить сервис с 62% timeout; Reachability Analyzer показывает одно отсутствующее правило порта 8443, 12 команд используют VPC, а до RTO осталось 9 минут. Как вы скорректируете решение и безопасно восстановитесь?

Авария на 67 минут вызвала неуспешные заказы на $2,4 миллиона; триггером было изменение timeout ALB, но данные показывают задержку alert 19 минут, отсутствие owner rollback и пропуск DR-теста 8 месяцев. Можно профинансировать только 2 действия. Что вы выберете и как проверите recovery capability?