PCDE 模擬試験 2 — 本番形式 50 問(難易度: 高)
対象: 模擬試験 1 で 80% 以上を取得した受験者向け。本番直前の総仕上げ。 設計方針: 模擬試験 1 とトピック・シナリオが重ならない構成。複合シナリオ・最新サービス(GMP / Cloud Service Mesh / Software Delivery Shield / Gemini 系 / DWS / ML パイプライン)を厚く配置。 難易度: ★ 5 問 / ★★ 25 問 / ★★★ 20 問(★★★ 40%)
試験形式
| 項目 | 値 |
|---|---|
| 問題数 | 50 問 |
| 制限時間 | 120 分(1 問あたり 2 分 24 秒) |
| 合格ライン | 35 問以上(70%) / 目標 40 問(80%) |
| 形式 | 多肢選択(4 択 / 5 択)+ 複数選択(10 問以上) |
| 採点 | 巻末の解答一覧で自己採点 → セクション別正答率表に記入 |
セクション別配点
| セクション | 比重 | 問題数 | 本試験での想定 |
|---|---|---|---|
| 1. Bootstrapping & maintaining GCP org | ~20% | 10 問(Q1, Q6, Q11, Q16, Q21, Q26, Q31, Q36, Q41, Q46) | 10 問 |
| 2. CI/CD pipelines | ~25% | 13 問(Q2, Q5, Q9, Q12, Q15, Q19, Q22, Q27, Q30, Q34, Q38, Q42, Q47) | 12-13 問 |
| 3. SRE practices | ~18% | 9 問(Q3, Q8, Q13, Q18, Q23, Q28, Q33, Q39, Q44) | 9 問 |
| 4. Observability & troubleshooting | ~25% | 12 問(Q4, Q7, Q10, Q14, Q17, Q20, Q24, Q29, Q35, Q40, Q43, Q48) | 12-13 問 |
| 5. Performance & cost | ~12% | 6 問(Q25, Q32, Q37, Q45, Q49, Q50) | 6 問 |
| 合計 | 100% | 50 問 | 50 問 |
自己採点ルール
- タイマー 120 分で通しで解く(途中で参考資料を開かない)
- 末尾の解答一覧で正誤判定
- セクション別正答率を集計
- 70% 未満のセクションは
../02_学習資料/の該当 03_要点と暗記.md を 2 周読み直す - 間違えた問題+ ★★★ で正解した問題 は 1 週間後に再挑戦
受験者プロファイルと推奨アクション
| 正答率 | 評価 | 推奨アクション |
|---|---|---|
| 90% 以上 | 受験準備完了 | 1 週間以内に本試験を受験 |
| 80-89% | 合格圏 | 弱点セクションのみ最終確認 |
| 70-79% | 合格ぎりぎり | ★★★ 問題を全問復習 + 模擬試験 1 を再挑戦 |
| 70% 未満 | 準備不足 | 学習資料 02_応用.md を全セクション再読 |
問題
問題 1 (難易度: ★★★)セクション 1
シナリオ: グローバルメガバンク FinNova は、PCI DSS / SOX / GDPR / 日本 FISC 安全対策基準を同時に満たす Google Cloud 基盤を新規構築します。法域別に「米国(FedRAMP High)」「EU(EU Sovereignty)」「日本(FISC)」「APAC その他」の 4 リージョナルブロックを持ち、各ブロックの管理権限と暗号鍵の主権を 完全に分離 しなければなりません。中央 SecOps チームは 全ブロック横断の Org Policy 適用と監査ログ集約 のみ実施します。さらに将来、ブロックを売却・分離する可能性があるため、課金とリソースの境界を清浄に保ちたいと考えています。
質問: このリソース階層と主権の組み合わせとして 最も適切 なものはどれですか。
選択肢:
- A. 1 つの Organization 配下に 4 つの Folder を作り、各 Folder に Assured Workloads(FedRAMP High / Sovereign Controls for EU / 国内コントロール / 通常)を割り当て、KMS は各 Folder 配下に CMEK with Cloud HSM、米国・日本ブロックでは EKM を併用する
- B. 法域ごとに別の Organization を作成し、Cross-Organization VPC Peering で接続する
- C. 単一プロジェクト内で
gcp.resourceLocationsOrg Policy を有効にし、Bucket / プロジェクトレベルで地域分離する - D. 4 つの Folder を Org 直下に作り、CMEK は global にし、ブロック識別は Label のみで運用する
- E. すべて 1 つの Folder に統合し、Assured Workloads は最も厳しい FedRAMP High のみを全社適用する
解答と解説
正解: A
解説:
- A が正解: 単一 Org 配下に法域別 Folder + Assured Workloads(規制プロファイルごとに EU Sovereign Controls / FedRAMP High / 国内)を割り当てるのが Google 推奨。CMEK with HSM は FIPS 140-2 Level 3 を満たし、米国の Trusted Cloud / 日本の主権要件には Cloud EKM(外部鍵管理)を併用することで「鍵の主権」を Google 外部に置ける。中央 SecOps は Org レベル Org Policy + Aggregated Sink(
--include-children)で横断統制可能。Folder 単位で将来切り出しも容易。 - B: Organization を分けると Shared VPC / Org Policy 横断適用 / Aggregated Sink が機能しない。Cross-Org VPC Peering も非推奨で運用コストが高い。
- C: 単一プロジェクトでは課金・IAM 境界が崩壊し、PCI DSS / SOX の職務分掌(SoD)違反。
- D: Label は IAM 境界にならない。CMEK global は規制違反。
- E: 過剰規制で開発速度が落ちる。Assured Workloads は 環境ごとに適切なプロファイル を選ぶのが原則。
試験のひっかけポイント: 「複数規制を同時に満たす」=「すべて最厳格にする」ではない。Folder 単位で適切な Assured Workloads プロファイルを使い分ける のがベストプラクティス。EKM は「Google から鍵主権を切り離す」唯一の手段で、規制対応の最終切り札。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§データ常駐性- Google Cloud Assured Workloads documentation
問題 2 (難易度: ★★)セクション 2
シナリオ: 医療機器メーカー MedTronix は、組み込みファームウェアの CI を Cloud Build で運用しています。ビルド時に GPL ライセンスの依存ライブラリと社内プロプライエタリ証明書を埋め込む必要があり、ビルド成果物(コンテナと .bin ファイル)は タグ上書き禁止 + 5 年保持 + 監査用の SBOM を必須 にする規制があります。さらに「ビルド再現性」を SLSA に従って高めたいと考えています。
質問: 3 つ 選んでください。
選択肢:
- A. Artifact Registry の
--immutable-tagsを有効化してリポジトリを作成する - B. Cloud Build を Private Pool(hermetic build) で実行し、外部ネットワーク依存を排除する
- C. Artifact Registry の Cleanup Policy を「90 日で全削除」に設定する
- D. Artifact Analysis で SBOM 生成を有効化し、生成された SPDX/CycloneDX を Cloud Storage Archive クラスに長期保管する
- E. ビルド時に SA キー(JSON)を埋め込み、後でローテーションする
解答と解説
正解: A, B, D
解説:
- A 正解:
--immutable-tagsでタグ上書き不可。医療規制で「ビルド成果物の同一性保証」に必須。 - B 正解: SLSA L3 の要件である hermetic build(外部ネットワーク禁止・依存ローカル化)は Cloud Build Private Pool + VPC Service Controls + 依存事前 vendoring で達成可能。再現性も向上。
- D 正解: Artifact Analysis は SBOM(SPDX / CycloneDX)を自動生成。長期保管は Cloud Storage Archive(最安)+ Lifecycle で 5 年経過後自動削除。
- C 誤り: 5 年保持要件に 真っ向から反する。Cleanup Policy は dev / staging 用に使い、prod は無効化または超長期。
- E 誤り: SA キーは禁止。Workload Identity Federation を使う。ビルド時にイメージレイヤに残ると永久漏洩リスク。
試験のひっかけポイント: 複数選択で「全て一見正しそう」に見せる定番パターン。規制要件(5 年保持)と Cleanup Policy(自動削除)が矛盾 することを見抜く。SBOM 生成と Binary Authorization は混同しない。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§SLSA / Artifact Registry
問題 3 (難易度: ★★★)セクション 3
シナリオ: ライドシェアサービス MoveX は、ピーク時 50 万 RPS のマッチングエンジンを Cloud Run + Spanner で運用しています。SLO は 可用性 99.95% / p99 レイテンシ 200ms 以下 = 99% の比率。先月 Error Budget の 75% を 10 日で消費 したため、SRE チームは Multi-window Multi-burn-rate アラートを再設計したいと考えています。同時にビジネス側は「Black Friday に新機能を出したい」と要求しています。
質問: SRE Workbook のベストプラクティスに従った 最も適切 な対応はどれですか。
選択肢:
- A. Black Friday に向けて新機能リリースを承認し、Error Budget は来月リセットされるので問題視しない
- B. Fast burn rate 14.4x(1h window)/ Medium burn 6x(6h window)/ Slow burn 1x(3d window)の 3 段階アラート を設定し、Error Budget Policy で 残量 25% 以下なら新機能凍結 をビジネスと合意する
- C. SLO を 99.95% から 99.9% に緩めて Error Budget を増やす
- D. アラートを 5xx 率 > 1% という症状ベースに変えて、Burn Rate 監視はやめる
- E. Burn rate ではなく毎分 5xx カウントでアラートし、Black Friday 中はミュートする
解答と解説
正解: B
解説:
- B 正解: SRE Workbook 第 5 章の標準パターン。Fast burn(即対応 PagerDuty)/ Medium burn(数時間以内 Slack)/ Slow burn(後日 Ticket) の 3 段階で「ノイズ少なく重要度高い」アラートを実現。Error Budget Policy(残量に応じた行動規範)をビジネスとあらかじめ合意することで、感情論ではなくデータドリブンに「機能凍結 vs リリース」を決められる。
- A 誤り: 「来月リセット」は SRE の規律に反する。10 日で 75% 消費は明らかに異常で、根本原因対応が先。
- C 誤り: SLO を緩めるのはユーザー期待を裏切る。SLO は ユーザーが許容する最低品質 で決まり、運用都合では変えない。
- D 誤り: Burn Rate 監視は SRE 標準。症状ベースに「置き換え」るのではなく、Burn rate に置き換え が正しい。
- E 誤り: アラートをミュートして本番繁忙期に対応できないのは論外。
試験のひっかけポイント: 「ビジネスの圧力で SLO を変える」「アラートを緩める」は罠選択肢。Error Budget Policy をビジネス側と事前合意 することが SRE 文化の核心。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§Error Budget Policy / Multi-burn-rate
問題 4 (難易度: ★★)セクション 4
シナリオ: SaaS スタートアップ Loomly は、Cloud Run でマイクロサービス 40 個を運用しています。先週から特定のユーザーリクエストで p99 レイテンシが 3 秒を超える事象が散発的に発生。サービス間呼び出しを OpenTelemetry でトレース していますが、コスト削減のためサンプリングレートを 1% に下げています。問題のリクエストの全体像を 必ず 確認したいと考えています。
質問: 最も適切 な変更はどれですか。
選択肢:
- A. サンプリングを 100% に戻し、後で Cloud Trace の Retention を 7 日に短縮する
- B. OpenTelemetry Collector を導入して Tail-based sampling に切り替え、エラー / 遅い trace を 100% 保持する
- C. Head-based sampling のレートを 50% に上げる
- D. Cloud Trace ではなく Cloud Logging に span を出力し、LQL で検索する
- E. すべての Cloud Run サービスを GKE に移行して OSS Jaeger を導入する
解答と解説
正解: B
解説:
- B 正解: Tail-based sampling は OpenTelemetry Collector レベルで「trace の完了後にサンプリング判定」する方式。エラー span / レイテンシ > 閾値 の trace を 100% 保持しつつ、正常な trace は確率的に間引けるため、コストと網羅性を両立。
- A 誤り: 100% サンプリングはコスト爆発(Trace は span 課金)。Retention 短縮は別問題。
- C 誤り: Head-based では「リクエスト開始時」にしか判定できず、遅延発生を知った時には手遅れ。50% でも遅延の半分を取りこぼす。
- D 誤り: Cloud Logging で trace を再現するのは不可能。trace と log は別データモデル。
- E 誤り: 「Cloud Run → GKE 移行」は過剰。Cloud Run でも OTel Collector を sidecar / 別サービスで動かせる。
試験のひっかけポイント: 「サンプリングを上げる」=「すべて解決」と短絡しない。Head-based vs Tail-based の違い と「エラー trace を確実に捕捉する」要件 → Tail-based を即答できること。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§OpenTelemetry サンプリング
問題 5 (難易度: ★★★)セクション 2
シナリオ: コネクテッドカー OEM のソフトウェア部門は、車載 ECU 向けの ML モデルを月 4 回更新します。ML パイプラインは Vertex AI Pipelines(Kubeflow) で構築済み。本番デプロイ前に「過去 30 日の走行ログでオフライン検証」「ドライバーアプリの 5% に Shadow デプロイ」「OK なら 5% → 25% → 100% で Canary」を 完全自動化 したいです。Shadow と Canary の制御は アプリのコード変更なし で実現する必要があります。
質問: 最も適切 な構成はどれですか(2 つ 選択)。
選択肢:
- A. Vertex AI Endpoints の traffic-split でモデルバージョン間の Canary を制御し、
v1=95, v2=5→75, 25→0, 100と段階的に調整する - B. Cloud Deploy で Vertex AI Endpoints をターゲットにし、Canary 戦略 + verify hook でオフライン検証スクリプトを実行する
- C. Vertex AI Pipelines 内で
if-elseを使ってデプロイ判定し、Cloud Run でモデルをサーブする - D. アプリケーションコードに traffic-split ロジックをハードコードし、Cloud Storage の JSON で重み付けを動的取得する
- E. Cloud Functions で
vertexai.googleapis.com/Endpoint.predictをモックし、Shadow 用のレスポンスを返す
解答と解説
正解: A, B
解説:
- A 正解: Vertex AI Endpoints の traffic-split はモデルバージョン間の重み付けトラフィック制御。アプリは Endpoint 1 つを呼ぶだけ で、Endpoint 側で v1/v2 を振り分ける = アプリコード変更不要。
- B 正解: Cloud Deploy は Vertex AI Endpoints をターゲットにサポート(GKE / Cloud Run と並ぶ)。Canary strategy + verify hook でオフライン検証ジョブ → Shadow → Canary を 1 つのパイプラインに統合できる。
- C 誤り: Vertex AI Pipelines は 学習・前処理パイプライン が本職。デプロイ判定は Cloud Deploy に委ねるのが分業として正しい。
- D 誤り: アプリにハードコード = 「アプリ改修なし」要件違反。
- E 誤り: Functions でモック = Shadow ではなく単なるモック。実モデルの実推論を観測できない。
試験のひっかけポイント: ML モデルの Canary = Vertex AI Endpoints の traffic-split。Cloud Deploy が Vertex AI をサポートする点は最新トピックで盲点になりやすい。「コード変更なし」のキーワードを見たら traffic-split / Service Mesh を疑う。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§ML パイプライン- Cloud Deploy ML deployment documentation
問題 6 (難易度: ★★)セクション 1
シナリオ: 教育機関 EduCloud は、学生・教員・職員 50 万人分の Google Workspace を Google Cloud と連携させたい。本人確認は学内 Shibboleth IdP(SAML)で完結し、SA キーは一切使わせず、特定の学部の研究プロジェクトには時間限定でアクセス権を付与したいと考えています。さらに「年に 2 回の卒業期に大量の人事異動」が発生します。
質問: 最も適切 な構成の組み合わせはどれですか。
選択肢:
- A. Cloud Identity + Workforce Identity Federation(SAML) で IdP を統合、Google Groups ベース の IAM 付与 + IAM Conditions で時間制限、Org Policy で SA Key 作成を禁止
- B. SA キーを学生ごとに発行し、年に 2 回ローテーションする
- C. すべてのユーザーに
roles/ownerを付与し、Cloud Audit Logs で監視する - D. Workspace アカウントを Project レベルで直接付与し、Group は使わない
- E. Cloud Identity Premium のみ導入し、SAML 統合は行わない
解答と解説
正解: A
解説:
- A 正解:
- Workforce Identity Federation(人間ユーザー用、SAML/OIDC)で Shibboleth IdP を統合 → ID を二重管理しない
- Google Groups ベース付与 → 人事異動時は Group メンバーシップ変更だけで完了(個別 IAM 編集不要)
- IAM Conditions で時間ベース付与(学期内のみ等)
- Org Policy
iam.disableServiceAccountKeyCreationで SA キー禁止 - すべて Google 推奨パターンに合致
- B 誤り: SA キーは「人間に使わせない」が原則。漏洩リスク。
- C 誤り: Basic Role 禁止。最小権限違反。
- D 誤り: 個別付与は 50 万人規模で破綻。Group ベースが必須。
- E 誤り: Cloud Identity Premium だけでは IdP 統合できない。Workforce Identity Federation が必要。
試験のひっかけポイント: Workload Identity Federation(外部システム → GCP API)と Workforce Identity Federation(人間ユーザー → GCP Console / gcloud)の混同。人間が SAML/OIDC で Console にログイン = Workforce。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§IAM 設計原則 / SA キー廃止
問題 7 (難易度: ★★)セクション 4
シナリオ:
ゲーム会社 PixelForge は、グローバル展開中の MMO RPG の GKE Standard クラスタ(リージョン: us / eu / asia 各 1 つ)を運営しています。OSS Prometheus を 2 年前から自前運用 していますが、スケーラビリティと保持期間(現在 15 日)の限界 に達し、PromQL クエリのまま GCP マネージドサービスに移行したいと考えています。既存のスクレイプ設定(数千の ServiceMonitor CRD)を そのまま 使い続けたいです。
質問: 最も適切 な移行戦略はどれですか。
選択肢:
- A. Cloud Monitoring に MQL で書き直す
- B. Managed Service for Prometheus(GMP)の Self-deployed Collection モードに移行し、既存の Prometheus deployment を残しつつバックエンドを GMP に書き込み変更する
- C. GMP の Managed Collection モードに移行し、
PodMonitoringCRD に全部書き直す - D. Datadog に全面移行する
- E. Cloud Logging に metric を出力し、log-based metric で集計する
解答と解説
正解: B
解説:
- B 正解: GMP の Self-deployed Collection は既存 Prometheus deployment と互換性が高く、
ServiceMonitorCRD など Prometheus Operator の資産をそのまま使える。書き込み先のみ GMP のリモート write に変更すればよく、移行コスト最小 + 24 ヶ月保持 + PromQL 100% 互換。 - A 誤り: MQL は 非推奨(PromQL に統一)。書き直しコスト膨大。
- C 誤り: Managed Collection は 新規 GKE クラスタの推奨 で、
PodMonitoringCRD が必要。既存数千のServiceMonitor書き直しは現実的でない。 - D 誤り: 「GCP マネージドサービスに移行」要件に反する。
- E 誤り: log-based metric は時系列メトリクスの代替にならない。
試験のひっかけポイント: GMP には Managed Collection(新規推奨) と Self-deployed Collection(既存移行用) の 2 モードがある。「既存資産を活かす」=「Self-deployed」、「ゼロから新規」=「Managed」を区別する。
関連リソース:
問題 8 (難易度: ★★★)セクション 3
シナリオ: 製造業 ManuTech は、工場 IoT データを GKE 上のマイクロサービスで処理しています。SRE チームは「マイクロサービスごとの SLO を、アプリのコード変更なしに、Istio ベースで計測」したいと考えています。さらに、サービス A → B → C の呼び出し関係で B が原因の遅延を A の SLO 違反として誤検知する 問題を解決する必要があります。
質問: 最も適切 な構成はどれですか(2 つ 選択)。
選択肢:
- A. Cloud Service Mesh を導入し、Envoy サイドカーから
istio_requests_total/istio_request_duration_millisecondsを Cloud Monitoring に自動送信、サービス別 SLO を Service Monitoring で定義 - B. 各サービスにカスタムメトリクス出力コードを追加する
- C. Cloud Service Mesh + Cloud Trace の分散トレース で span を相関し、ボトルネックサービスを特定して 「呼び出し先依存除外」の SLI を定義(B 由来の遅延は A の SLI から除外)
- D. Cloud Logging の正規表現で
latency=フィールドを抽出する - E. すべてのサービスを 1 つのモノリスに統合する
解答と解説
正解: A, C
解説:
- A 正解: Cloud Service Mesh(旧 Anthos Service Mesh)は Envoy サイドカーで
istio_requests_total等を コード変更なし で自動送信。Service Monitoring と統合され、サービス別 SLO を簡単に定義可能。 - C 正解: 分散トレースで「B の遅延が A の総レイテンシに含まれている」ことを可視化できる。SLI を「A 自身の処理時間(B 呼び出し時間を除く)」で再定義することで、依存サービスの問題と自サービスの問題を切り分けられる。SRE の SLI 設計の高度な技法。
- B 誤り: 「コード変更なし」要件違反。
- D 誤り: ログから時系列を再構成は不可能・不正確。
- E 誤り: アーキ全否定。論外。
試験のひっかけポイント: 「マイクロサービスの SLO」=「Cloud Service Mesh」が即答。さらに 「呼び出し依存の遅延を SLI から除外」 は SRE の高度な実践。Service Mesh + Trace の組み合わせを問う複合問題。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§Cloud Service Mesh での SLO
問題 9 (難易度: ★★★)セクション 2
シナリオ: 金融取引アプリ TradeNow は、Cloud Build → Artifact Registry → Cloud Deploy → GKE Autopilot のパイプラインを運用中。最近、ビルド時の依存パッケージに改ざんされた npm パッケージが混入した インシデントが発生しました。今後、サプライチェーン全体(コード〜本番稼働まで)を Google が用意した統合ソリューション で防御し、SLSA Level 3 を達成したいと考えています。
質問: 最も適切な統合ソリューション と、それに含まれる コンポーネント の組み合わせはどれですか(1 つ 選択)。
選択肢:
- A. Software Delivery Shield: Cloud Workstations / Cloud Build(Private Pool, SLSA L3 provenance)/ Artifact Registry / Artifact Analysis / Binary Authorization / Continuous Validation / Assured OSS / GKE Security Posture
- B. Security Command Center Enterprise のみ: 脆弱性とポリシー違反検出
- C. Cloud Armor + Cloud IDS: WAF + 侵入検知
- D. VPC Service Controls + Private Google Access: ネットワーク境界保護
- E. Cloud KMS + Secret Manager: 暗号化と秘密情報管理
解答と解説
正解: A
解説:
- A 正解: Software Delivery Shield は Google の サプライチェーン統合ソリューション。Develop(Workstations)→ Build(Cloud Build SLSA L3 provenance)→ Store(Artifact Registry)→ Analyze(Artifact Analysis / Assured OSS)→ Verify(Binary Authorization)→ Run(Continuous Validation / GKE Security Posture)の 全工程 をカバー。npm 改ざん対策は Assured OSS(Google 検証済み OSS パッケージ) で予防、Binary Auth で署名検証、CV で実行中も継続検証。
- B 誤り: SCC は脅威検知が主で、サプライチェーン全体は守らない。
- C 誤り: Cloud Armor / IDS はネットワーク層。サプライチェーンではない。
- D 誤り: ネットワーク境界。サプライチェーンとは別レイヤ。
- E 誤り: 鍵・秘密情報管理。サプライチェーンの一部だが「統合ソリューション」ではない。
試験のひっかけポイント: 「サプライチェーン統合ソリューション」「Develop → Run まで一気通貫」を見たら即座に Software Delivery Shield。各コンポーネント名(Assured OSS、Continuous Validation、GKE Security Posture)まで暗記必須。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Software Delivery Shield 全体図
問題 10 (難易度: ★★)セクション 4
シナリオ: 公的医療機関 GovHealth は、Cloud Logging に保管された患者アクセス監査ログを 5 年保持 + SQL で柔軟分析 + コスト最小 で運用したいと考えています。Compliance 部門は「分析時に データを別サービスに重複コピーしない(GDPR の最小化原則)」を求めています。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Pub/Sub Sink で BigQuery にストリーミング挿入し、Logging 側は 30 日で削除
- B. Log Analytics を有効化した Log Bucket(5 年保持)に直接書き込み、Log Bucket を BigQuery にリンク して
--linked-datasetで SQL 分析。Logging 内に 1 コピーのみ存在 - C. Cloud Storage Sink でファイル出力後、BigQuery External Table で参照する
- D. Cloud Logging の
_DefaultBucket を 5 年に延長し、JSON Export で BigQuery にダウンロードする - E. Cloud Functions で全ログを Dataflow → BigQuery にコピーする
解答と解説
正解: B
解説:
- B 正解: Log Analytics は Log Bucket をそのまま BigQuery 互換のクエリエンジンで分析できる機能。
--linked-datasetで BigQuery からリンクすると ストレージは Log Bucket のまま = データ重複なし、SQL 分析可能、Logging のコストモデル(取り込み課金)で完結。GDPR の最小化原則に合致。 - A 誤り: BigQuery にストリーミング挿入 = 重複保管 + ストリーミング課金。Logging も削除すると監査 LQL 検索ができなくなる。
- C 誤り: GCS にコピー = 重複保管。External Table はパフォーマンス劣化。
- D 誤り:
_DefaultBucket は 3650 日まで延長可能だが、JSON Export = 重複コピー。 - E 誤り: 過剰実装 + 重複保管 + 高コスト。
試験のひっかけポイント: Log Analytics は「Log Bucket をそのまま SQL 分析」できる新機能。BigQuery への重複コピーを回避できる点が最大の利点。「最小化原則」「重複コピー禁止」のキーワードを見たら Log Analytics を即答。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Sink 宛先選定 / Log Analytics
問題 11 (難易度: ★★)セクション 1
シナリオ: コンサルティング会社 ConsultCo は、開発者 200 人それぞれに VS Code ベースのブラウザ IDE を提供し、社内 VPN 経由でしか到達できないオンプレ DB にアクセスできる開発環境を統一したいです。各開発者の作業データは CMEK で暗号化、組織内 IAP 経由のみアクセス可能、起動イメージは ML エンジニア用 / Web 用などチームごとにカスタマイズしたいと考えています。
質問: 最も適切 な GCP サービスはどれですか。
選択肢:
- A. Cloud Workstations + カスタム Workstation Config + Private Cluster + IAP、必要なら Cloud Interconnect でオンプレ接続
- B. Cloud Shell を全員に配布
- C. Compute Engine の Windows VM に RDP 接続させる
- D. App Engine Flexible 環境を IDE として使う
- E. Google Colab Enterprise
解答と解説
正解: A
解説:
- A 正解: Cloud Workstations は ブラウザ IDE(Code OSS / JetBrains)、Workstation Config で チーム別カスタムコンテナイメージ 配布、Private Cluster + IAP で社内アクセス限定、CMEK 暗号化対応、VPC 内設置で オンプレ DB へ Interconnect 経由でアクセス可能。エンタープライズ開発環境の全要件を満たす。
- B 誤り: Cloud Shell は無料・5GB 永続 / 60 分非アクティブ停止、カスタムイメージ・CMEK・VPC 内設置に非対応。試し用途。
- C 誤り: RDP は ブラウザ IDE ではない。運用負荷高。
- D 誤り: App Engine は IDE プラットフォームではない。
- E 誤り: Colab Enterprise は ML 専用 Notebook。汎用 IDE ではない。
試験のひっかけポイント: 「ブラウザ IDE + エンタープライズ機能(VPC / CMEK / IAP / カスタムイメージ)」= Cloud Workstations。Cloud Shell は試し・教育用と区別する。
関連リソース:
問題 12 (難易度: ★★★)セクション 2
シナリオ: 金融 SaaS の FinServe は、本番デプロイで 「リリース作成者」と「承認者」を完全に分離(職務分掌 / Segregation of Duties / SOX 要件)したい。さらに、デプロイ前後にスモークテストとセキュリティスキャンを自動実行し、prod 環境では 複数の attestor の署名がそろわないとデプロイ不可 にしたいです。
質問: 3 つ の正しい設定の組み合わせはどれですか。
選択肢:
- A. リリース作成者に
roles/clouddeploy.releaser、承認者にroles/clouddeploy.approverを付与する - B. Cloud Deploy の Custom Target を使い、
predeploy/postdeployhook でスモークテスト・セキュリティスキャンを実行する - C. Binary Authorization の prod policy で 複数の attestor を required_attestations_by に列挙する
- D. リリース作成者に
roles/ownerを付与する - E. すべての環境で Binary Authorization を Dry-run モードのみで運用する
解答と解説
正解: A, B, C
解説:
- A 正解:
clouddeploy.releaser(release 作成・promote)とclouddeploy.approver(承認のみ)は 明示的に分離されたロール。SOX SoD 要件に合致。 - B 正解: Cloud Deploy の
predeploy/postdeployhook で任意の Cloud Build ジョブを実行可能。スモークテスト・追加スキャンを自動化できる。 - C 正解: Binary Authorization Policy で複数 attestor を required リストに入れると、全 attestor の attestation がそろうまでデプロイ拒否。多重署名で改ざん検知力向上。
- D 誤り: Basic Role は禁止。SOX 違反。
- E 誤り: prod でも Dry-run = 違反を見逃す。prod は enforced が必須。
試験のひっかけポイント:
clouddeploy.releaser vs clouddeploy.approver の使い分けは出題頻出。混同しがちな clouddeploy.developer(release 作成のみ)/ clouddeploy.operator(パイプライン操作)も区別。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Cloud Deploy IAM / 環境別 IAM 戦略
問題 13 (難易度: ★★)セクション 3
シナリオ: 動画配信サービス StreamMax は、視聴ピークが 19:00-23:00 に集中。MIG(Managed Instance Group)で配信エッジサーバを運用しています。起動に 90 秒 かかる Java アプリで、需要急増時のスケールアウトが間に合わず、ピーク開始時に 5 分間 503 が頻発しています。
質問: 最も適切 な対策はどれですか。
選択肢:
- A. Predictive Autoscaling を有効化し、過去 24 時間以上のメトリクスから将来需要を予測して 事前にプロビジョニング する
- B. MIG の
targetCPUUtilizationを 30% に下げる - C. 全 VM を常時 max インスタンス数で稼働させる
- D. Cloud Run に全面移行する
- E. Custom Machine Type で CPU を 2 倍にする
解答と解説
正解: A
解説:
- A 正解: Predictive Autoscaling は過去メトリクスから需要を予測し、起動の遅いアプリ(Java、起動 90 秒)でもピーク到来前にスケールアウト完了 する。MIG のスケジュールベースとの併用も可能。
- B 誤り: しきい値を下げると常時オーバープロビジョニング = コスト増、根本解決にならない。
- C 誤り: 常時 max = 月数十万ドルの無駄。
- D 誤り: 移行コスト膨大。配信エッジは VM 系が適している。
- E 誤り: CPU を増やしても起動時間(依存ロード)は短縮されない。
試験のひっかけポイント: 「起動の遅いアプリ」「予測可能なピーク」を見たら Predictive Autoscaling。Schedule-based(営業時間など完全予測可)と Predictive(過去パターンから予測)の使い分けも理解。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§MIG オートスケール
問題 14 (難易度: ★★)セクション 4
シナリオ: SaaS スタートアップ DataFlux は、深夜に突如 Cloud Logging の取り込み課金が前月比 8 倍に急増。CFO から「即日でログコストを下げる対策を打て」と緊急要請がありました。デバッグログが大量に出ていることが特定済みです。
質問: 最も即効性が高く 取り込み課金を直接削減する手段はどれですか。
選択肢:
- A. Log Bucket の Retention を 30 日 → 7 日に短縮する
- B. Log Router の Exclusion filter で
severity=DEBUG AND resource.type="cloud_run_revision"のログを除外する - C. Cloud Storage Sink を追加する
- D. BigQuery Sink を追加する
- E. アプリケーションコードをリリースし直して DEBUG ログを INFO に変更する
解答と解説
正解: B
解説:
- B 正解: Exclusion filter は 取り込みそのものを止める ため、即時に課金が消える(請求は取り込み GB ベース)。最優先かつ最強の手段。アプリ修正なしで即適用可能。
- A 誤り: Retention 短縮は ストレージ課金 を下げるが、取り込み課金は変わらない。今回のシナリオでは効果薄。
- C 誤り: Sink を追加すると 二重に取り込まれて課金増。
- D 誤り: 同上、コスト増。
- E 誤り: コード修正・再デプロイには時間がかかる。「即日」要件に合わない(恒久対策としては正しいが第一手ではない)。
試験のひっかけポイント: ログコスト即日削減 = Exclusion filter が必殺答。Retention・Sampling・Sink との優先順位を即答できること(Exclusion > Sampling > Retention 短縮)。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§ログ最適化の優先順位
問題 15 (難易度: ★★★)セクション 2
シナリオ: オンライン教育プラットフォーム LearnCloud は、GitHub Actions から複数の GCP プロジェクト(dev / staging / prod)にデプロイしています。セキュリティチームは「SA キーを完全廃止 + どのリポジトリのどのブランチから来た workflow のみ prod に到達可 という制限を技術的に強制したい」と要求しています。さらに pull request のフォーク経由の workflow は prod 認証情報を取得できないように したいです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Workload Identity Federation(GitHub OIDC Provider) を設定し、
attribute-conditionでassertion.repository == 'learncloud/app' && assertion.ref == 'refs/heads/main' && assertion.repository_owner == 'learncloud'を強制、prod 用 SA に対するprincipalSetで限定 - B. GitHub Secrets に SA キーを暗号化保存し、3 ヶ月ごとにローテーション
- C. GitHub Actions の self-hosted runner を Compute Engine 上に立て、SA キーをローカル設定
- D. Cloud Build を使い、GitHub Webhook で起動。GitHub Actions は廃止
- E. すべてのデプロイをセキュリティチームが手動で実行
解答と解説
正解: A
解説:
- A 正解: WIF + OIDC Provider + attribute-condition で
repository/ref/repository_ownerを厳格チェック。フォーク PR からの workflow はrepository_ownerが異なるため認証失敗 = prod 認証情報を取得できない。principalSet で「特定 attribute を満たす ID のみ SA を借りられる」を強制でき、Google 推奨パターン。 - B 誤り: SA キー保管 = 漏洩リスク。要件「SA キー完全廃止」に違反。
- C 誤り: self-hosted runner にキー = 同様にキー必要。要件違反。
- D 誤り: GitHub Actions 廃止は組織方針外。WIF で解決すべき。
- E 誤り: 自動化を放棄するのは過剰反応。CI/CD の利点を失う。
試験のひっかけポイント:
attribute-condition / principalSet の組み合わせを正確に理解。repository_owner チェックが フォーク PR 攻撃 への防御線。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Workload Identity Federation
問題 16 (難易度: ★★★)セクション 1
シナリオ: SaaS 企業 InnoSaaS は、200 個の GCP プロジェクトに散在する Terraform コードを Google マネージド で実行し、State をリモート管理し、IAM 統制と差分プレビュー(Plan)を Pull Request に統合したいと考えています。Self-managed の Terraform Cloud / Atlantis は運用負荷が高く採用したくありません。
質問: 最も適切 なサービスと構成はどれですか。
選択肢:
- A. Infrastructure Manager を使用し、Cloud Build トリガーで PR 時に preview、main マージ時に apply。State は GCS で Google が自動管理
- B. Cloud Functions で
terraform applyを起動し、State を Firestore で管理する - C. すべて gcloud コマンドに書き換える
- D. GKE 上に Atlantis を自前構築する
- E. Config Connector で全リソースを K8s CRD で管理する
解答と解説
正解: A
解説:
- A 正解: Infrastructure Manager は GCP の マネージド Terraform 実行サービス(GA)。State は自動管理(GCS)、IAM 統制、Cloud Build / Cloud Source Repository / GitHub と統合、PR preview / apply が可能。Self-managed の運用負荷を排除しつつ Terraform 資産を活かせる。
- B 誤り: 過剰実装。State を Firestore は非標準。
- C 誤り: gcloud は冪等性・差分管理が弱く、200 プロジェクトのスケールに不向き。
- D 誤り: 「マネージド」要件に反する。
- E 誤り: Config Connector は K8s CRD ベースで、200 プロジェクト全リソース管理は過剰。Terraform 資産を捨てる必要なし。
試験のひっかけポイント: Infrastructure Manager(IM) は GA 化された Google マネージド Terraform。「マネージド + Terraform」を見たら IM が即答。Config Connector(K8s CRD ベース)との使い分けを区別。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§IaC 選定
問題 17 (難易度: ★★)セクション 4
シナリオ: EC サイト ShopMart は、Cloud Run でフロントエンドを運用。深夜のバッチ処理で Cloud SQL の接続数枯渇 が散発的に発生していると疑われていますが、通常のメトリクスでは異常が見えません。Operations チームは「コードを書かずに、過去 6 時間のログとメトリクスを AI に要約させ、最近のデプロイや構成変更との相関を仮説提示してほしい」と希望しています。
質問: 最も適切 な GCP サービスはどれですか。
選択肢:
- A. Gemini Cloud Assist の Investigations 機能を起動し、対象リソースと時間範囲を指定して根本原因仮説の提示を受ける
- B. Gemini Code Assist に「DB 接続枯渇の原因は?」と質問する
- C. Cloud Profiler の Heap profile を確認する
- D. Cloud Logging に LQL を手書きし、3 時間かけて目視確認する
- E. Sensitive Data Protection で DB ログを匿名化する
解答と解説
正解: A
解説:
- A 正解: Gemini Cloud Assist の Investigations は GCP Console から起動できる AI 支援機能。過去 N 時間のログ・メトリクス・変更ログを横断分析 し、「最近の構成変更が原因の可能性」「特定リソースの異常パターン」を 自然言語で仮説提示。MTTR 短縮の最新機能。
- B 誤り: Gemini Code Assist は IDE 内のコーディング支援。本番運用調査用ではない。
- C 誤り: Heap profile はメモリリーク調査用。DB 接続枯渇とは無関係。
- D 誤り: 「コードを書かず AI で」要件に反する。
- E 誤り: DLP は機密データ保護。原因分析機能ではない。
試験のひっかけポイント: Gemini Code Assist(IDE 内)/ Gemini Cloud Assist(Console 内 + Investigations)/ Gemini CLI(ターミナル) を厳格に区別。「Console で運用調査 AI」= Cloud Assist。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Gemini Cloud Assist
問題 18 (難易度: ★★)セクション 3
シナリオ: ヘルスケア企業 MediCore の SRE チームは、本番障害のたびに「IC(Incident Commander)が修復作業を抱えて指揮が機能しない」「タイムラインが残らない」「Postmortem で人を責めて士気が落ちる」が課題です。組織的に Incident Command System(ICS)と Blameless Postmortem 文化を確立 したいと考えています。
質問: 3 つ 選んでください。
選択肢:
- A. IC は決断と統率に専念し、修復は Operations Lead に任せる
- B. Postmortem は 「人」ではなく「プロセスとシステム」 に焦点を当て、Five Whys で根本原因を掘る
- C. Scribe ロール を割り当て、検知 → 対応 → 復旧のタイムラインをリアルタイム記録する
- D. IC が修復もタイムライン記録も同時に行うことで効率化する
- E. Postmortem ではミスをした担当者を名指しで責任追及する
解答と解説
正解: A, B, C
解説:
- A 正解: ICS の原則。IC は 決断と統率のみ、修復は Ops Lead。役割分離がインシデント対応の規律。
- B 正解: Blameless Postmortem の核心。プロセス・システム改善に集中することで再発防止に繋がる。
- C 正解: Scribe(書記)はタイムライン記録専任。後の Postmortem 精度を担保。
- D 誤り: IC が手を動かすと指揮が機能しない。Scribe も別人が望ましい。
- E 誤り: 人を責めると「報告を隠す」文化になり、組織学習が止まる。Blameless 原則違反。
試験のひっかけポイント: ICS の役割分担(IC / Comms / Ops / Planning / Scribe / SME)を即答できること。Blameless = 担当者を責めない / 担当者の責任を問わない(プロセス改善に集中) という意味を正確に理解。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§ICS / Postmortem
問題 19 (難易度: ★★)セクション 2
シナリオ: ゲーム会社 PixelForge は、毎日 200 回の PR が出され、各 PR で 「PR 専用の検証環境」が必要。検証完了後は環境を自動破棄してコストを抑えたい。GKE Autopilot を採用し、PR 番号で namespace を分離する設計です。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Cloud Deploy + Skaffold + namespace 切り替え で PR ごとに ephemeral 環境を作成、PR クローズ Webhook → Cloud Functions で namespace 自動削除
- B. すべて手動で kubectl コマンドで作成・削除する
- C. PR ごとに新規 GKE クラスタを作成する
- D. すべての PR を 1 つの shared namespace にデプロイする
- E. Cloud Build の trigger で毎回 Cloud SQL インスタンスを新規作成する
解答と解説
正解: A
解説:
- A 正解: Ephemeral Environments(PR ごとに自動作成・破棄) の標準パターン。Cloud Deploy + Skaffold で namespace 別デプロイを自動化、PR クローズ Webhook → Functions で
kubectl delete namespaceを実行。GKE Autopilot の Pod 単位課金で破棄後はコスト 0。 - B 誤り: 200 回 / 日は手動で対応不可能。
- C 誤り: クラスタ作成は数分かかり、コストも高い。namespace で十分。
- D 誤り: 環境分離なし = 干渉発生。
- E 誤り: Cloud SQL は秒〜分単位の起動で PR ごとは過剰。共有 + データリセット運用が現実的。
試験のひっかけポイント: 「PR ごと環境」= Ephemeral Environment(Cloud Deploy + GKE namespace + 自動破棄)。GKE Autopilot の Pod 課金がコスト効率に効く。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§複数環境管理
問題 20 (難易度: ★★★)セクション 4
シナリオ: B2B SaaS の DataPipes は、Java + Spring Boot のサービスで「メモリ使用量が時間とともに増加し、最終的に OOM Kill される」現象を本番で観測。ヒープダンプは取得困難(数 GB)。アプリ改修は最小限にし、本番常時 で原因のクラス・行を特定したいです。
質問: 最も適切 な調査ツールはどれですか。
選択肢:
- A. Cloud Profiler の Heap profile + Allocated heap profile を有効化し、時間経過で増え続けるオブジェクトのアロケーション元コード行を特定
- B. Cloud Trace の waterfall で確認
- C. VPC Flow Logs を分析
- D. Cloud Monitoring の CPU 使用率を見る
- E. Connectivity Tests で DB 接続を診断
解答と解説
正解: A
解説:
- A 正解: Cloud Profiler は 本番常時動作(オーバーヘッド < 1% CPU) が最大の特徴。Java の Heap profile(現在割当)と Allocated heap profile(割当発生箇所)で「増え続けるオブジェクトのアロケーション元コード行」を特定可能。メモリリーク調査の定石。
- B 誤り: Trace はリクエスト経路。メモリ問題は見えない。
- C 誤り: VPC Flow Logs はネットワーク 5-tuple。アプリ内部は見えない。
- D 誤り: CPU 使用率では原因コード行不明。
- E 誤り: 接続診断は無関係。
試験のひっかけポイント: Java のメモリリーク = Heap profile + Allocated heap profile(Java は両方サポート)。Python は Heap 系プロファイル非対応 という言語別サポート差異も頻出ひっかけ。Cloud Profiler の「常時本番動作」が他ツールと違う最大の強み。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Cloud Profiler
問題 21 (難易度: ★★)セクション 1
シナリオ: 保険会社 InsuraTech は、GKE クラスタ上で複数チームがマイクロサービスを開発しています。Platform チームは「Git リポジトリを信頼源(Single Source of Truth)として、すべてのクラスタの構成を宣言的に管理」したい。Platform チームはクラスタ全体(CRD、Namespace、RBAC)を、各アプリチームは自分の namespace 内のリソースを管理する分業を実現したいです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Config Sync の RootSync(Platform チーム用、クラスタ全体)+ RepoSync(アプリチーム用、namespace 単位)の組み合わせ
- B. すべてのチームが
kubectl applyを手動で実行する - C. Config Connector のみで全リソース管理する
- D. Argo CD と Flux を併用する
- E. Helm chart を全チームに配布し、各自インストールする
解答と解説
正解: A
解説:
- A 正解: Config Sync の RootSync(クラスタ全体、Platform 用)と RepoSync(namespace 単位、アプリチーム用)はマルチテナント GitOps の標準パターン。Git を信頼源にし、Platform とアプリチームの責任境界を明確化できる。
- B 誤り: GitOps の利点(宣言的・監査性・自動復旧)を失う。
- C 誤り: Config Connector は GCP リソースを K8s CRD で管理。K8s 内リソース管理は Config Sync の範疇。
- D 誤り: 併用は複雑性増。Google マネージドの Config Sync で十分。
- E 誤り: Helm 単体は GitOps ではなくパッケージマネージャ。
試験のひっかけポイント: RootSync(Platform)/ RepoSync(アプリ namespace) の使い分けは Config Sync の頻出問題。「マルチテナント GitOps」を見たら両者の組み合わせを即答。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§Config Sync の RootSync vs RepoSync
問題 22 (難易度: ★★★)セクション 2
シナリオ: 政府機関 GovCloud のミッションクリティカルシステムでは、本番環境のデプロイで「段階的に 5% → 25% → 50% → 100% の Canary」「各段階で 自動メトリクス検証(5xx 率、p99 レイテンシ、業務 KPI)」「人間の承認 を 50% 段階で挟む」「失敗時は 自動ロールバック」を実現したい。GKE Autopilot がデプロイ先です。
質問: 最も適切 な Cloud Deploy の構成はどれですか。
選択肢:
- A. Custom canary strategy で phase ごとに percentages
[5, 25, 50, 100]を定義、各 phase でverifyジョブを設定し業務 KPI を評価、50% phase の前に approval phase を挿入、verify 失敗時は自動的に rollback - B. Cloud Run の traffic splitting で完結
- C. Standard strategy で一括デプロイ
- D. Blue/Green で一気に切り替え
- E. Manual rollout で人間が毎段階手動実行
解答と解説
正解: A
解説:
- A 正解: Cloud Deploy の
customCanarystrategy で phase ごとの細かい制御が可能。各 phase にverifyジョブ(任意の Cloud Build ジョブを実行可)でメトリクス自動評価、approval phase で人間承認を挟める。失敗時はgcloud deploy rollouts rollbackまたは自動 rollback で旧バージョンに戻る。 - B 誤り: Cloud Run は対象だが、本シナリオは GKE Autopilot。verify / approval の高度制御は Cloud Deploy が必要。
- C 誤り: Standard = 一括置換。Canary 要件に不適合。
- D 誤り: Blue/Green は 0%→100% の即時切替で「段階的」要件に反する。
- E 誤り: 「自動化」要件に反する。
試験のひっかけポイント:
customCanary(細かい percentages / verify / approval / hook 定義)と canary(標準)の違い、verify / predeploy / postdeploy hook を即答できること。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Cloud Deploy canary 用語
問題 23 (難易度: ★★)セクション 3
シナリオ: 広告配信プラットフォーム AdReach は、p99 レイテンシ 100ms 以下の SLO を持ちますが、毎月数回「特定リージョンの GCP インフラ起因のパケットロス」が発生し、SLO 違反になっています。「これは Google 側のインフラ問題で、アプリ側の問題ではない」を 客観的に証明 し、Postmortem の根拠としたいです。
質問: 最も適切 なツールはどれですか。
選択肢:
- A. Performance Dashboard(Network Intelligence Center) で GCP インフラ内のパケットロス・レイテンシを可視化し、Postmortem の根拠とする
- B. VPC Flow Logs で 5-tuple を確認
- C. Connectivity Tests で 2 点間接続性をチェック
- D. Cloud Trace の waterfall を確認
- E. Firewall Insights で FW ルールを分析
解答と解説
正解: A
解説:
- A 正解: Performance Dashboard は GCP インフラレベルの パケットロス・レイテンシ・ジッターを Google が計測したベンチマークとして可視化。「インフラ起因」を客観的に示せる唯一のツール。Postmortem で「これは Google 側」と説明する根拠になる。
- B 誤り: Flow Logs はトラフィック内訳。性能指標ではない。
- C 誤り: Connectivity Tests は 構成解析(設定的に到達可能か)。実測ではない。
- D 誤り: Trace はアプリ層。インフラ層は見えない。
- E 誤り: Firewall Insights は FW 分析。性能とは無関係。
試験のひっかけポイント: Network Intelligence Center の 5 ツール(Performance Dashboard / Connectivity Tests / Network Topology / Firewall Insights / Network Analyzer)の用途を区別できること。「GCP インフラ起因の性能 = Performance Dashboard」。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Network 観測ツール
問題 24 (難易度: ★★)セクション 4
シナリオ: グローバル銀行 GlobalBank は、組織全体(100 プロジェクト)の Admin Activity / Data Access / Policy Denied ログを 1 か所に集約 し、SIEM(Splunk)へリアルタイム転送したいと考えています。
質問: 最も適切 な構成はどれですか(2 つ 選択)。
選択肢:
- A. Aggregated Sink を Organization レベルで作成し
--include-childrenを指定して全プロジェクトのログを集約 - B. Sink の宛先を Pub/Sub にして Splunk Connector が subscribe する
- C. 各プロジェクトで個別に Sink を作成して Splunk に直接送る
- D. Cloud Logging の
_RequiredBucket をエクスポートする - E. すべてのログを Cloud Storage に出力し、Splunk がバッチで取り込む
解答と解説
正解: A, B
解説:
- A 正解: Aggregated Sink は Org / Folder レベルで作成でき、
--include-childrenで 配下のすべてのプロジェクト のログを 1 つの宛先に集約。100 プロジェクト個別設定不要、新規プロジェクト追加時も自動対応。 - B 正解: Pub/Sub Sink は リアルタイム 配信に最適。Splunk Connector / Add-on for Google Cloud で subscribe して取り込み、SIEM 連携の標準パターン。
- C 誤り: 100 プロジェクト個別管理は運用負荷高、新規プロジェクト追加で漏れ発生。
- D 誤り:
_RequiredBucket はエクスポート不可。集約には Sink を使う。 - E 誤り: GCS はバッチ。リアルタイム 要件に不合致。
試験のひっかけポイント:
Aggregated Sink + --include-children は組織全体集約の必殺パターン。リアルタイム配信先は Pub/Sub、長期アーカイブは GCS、SQL 分析は BigQuery / Log Analytics、Logging 内検索は Log Bucket と使い分け。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Sink 宛先選定
問題 25 (難易度: ★★★)セクション 5
シナリオ: AI スタートアップ NeuroFlow は、Vertex AI で大規模言語モデル(LLM)の事前学習を実施したい。A3 GPU(H100)を 256 枚 確保する必要があり、60 日間連続 の学習を計画しています。Spot VM では中断リスクが高すぎ、オンデマンドでは GPU 在庫不足で確保できません。
質問: 最も適切 な GPU 確保戦略はどれですか。
選択肢:
- A. Dynamic Workload Scheduler(DWS)の calendar mode で開始日時と 60 日間を指定して事前確保
- B. DWS の flex-start mode で 60 日間確保
- C. Spot VM で確保し、中断時は別ゾーンに再起動
- D. Compute Engine のオンデマンドで都度作成
- E. Cloud Run GPU で 60 日連続実行
解答と解説
正解: A
解説:
- A 正解: DWS calendar mode は 最大 90 日、開始日時指定で GPU/TPU を 事前確保。大規模 ML 学習の定番。256 GPU を 60 日確保するシナリオに最適。
- B 誤り: flex-start mode は最大 7 日。60 日には不足。flex-start は「待てるが期間短い」バッチ用。
- C 誤り: 中断発生で学習が壊れる。チェックポイントしても効率低下。
- D 誤り: H100 はオンデマンド在庫不足が常態。確保失敗リスク高。
- E 誤り: Cloud Run は短時間処理向け。60 日連続学習には不適。
試験のひっかけポイント: DWS の 2 モード: flex-start(最大 7 日、待てる ML)/ calendar(最大 90 日、開始日時指定、大規模事前学習) を即答できること。「長期 GPU 確保 = DWS calendar」が必殺パターン。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§容量計画 / DWS
問題 26 (難易度: ★★★)セクション 1
シナリオ: グローバル製造業 ManuGiant は、PCDE 試験 1.1 〜 1.5 の要件をすべて満たす 新規 Organization を立ち上げます。6 ヶ月以内 に 500 のプロジェクト、300 開発者、50 個の GKE クラスタ、30 個の Cloud SQL を展開予定。「Google 推奨の組織基盤テンプレートを Terraform でブートストラップしたい」「環境別 Folder(dev/staging/prod)」「Aggregated Sink で監査ログ集約」「SA キー禁止」を一気に達成したいです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Cloud Foundation Toolkit(CFT)の terraform-example-foundation を Infrastructure Manager で apply、bootstrap / org / env / shared 各 step を順次デプロイ、Aggregated Sink と SA Key 禁止 Org Policy を含む完全構成
- B. 手作業でプロジェクトを 1 つずつ作成
- C. Config Connector で 500 プロジェクトを K8s manifest で定義
- D. gcloud スクリプトを 5000 行書く
- E. App Engine で組織管理 Web UI を作る
解答と解説
正解: A
解説:
- A 正解: CFT の terraform-example-foundation は Google 公式の 新規 Organization ブートストラップ Blueprint。step 構成(bootstrap → org → env → shared → networks → projects)、Aggregated Sink / SA Key 禁止 / Shared VPC / 環境別 Folder / CMEK / Org Policy 等のベストプラクティスを初日から 適用できる。Infrastructure Manager で apply すれば State 管理も自動。Google 推奨の定番。
- B 誤り: 500 プロジェクトを手作業は非現実的。
- C 誤り: Config Connector は K8s クラスタ前提。bootstrap には不適。
- D 誤り: gcloud スクリプトは冪等性・差分管理が弱く保守不能。
- E 誤り: 完全に的外れ。
試験のひっかけポイント: 「新規 Organization 立ち上げ + Google 推奨」= CFT terraform-example-foundation + Infrastructure Manager が定番解。各 step の意味(bootstrap = Org/Billing/Project 初期化、org = Folder/Policy、env = 環境別 Folder、shared = Shared VPC 等)も理解しておく。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§ケーススタディの定番解
問題 27 (難易度: ★★)セクション 2
シナリオ: B2B SaaS の AdminFlow は、機密でない構成値(feature flag、API のエンドポイント URL、しきい値)を Cloud Run アプリに渡しています。現在は Secret Manager に格納 していますが、機密でないため別サービスで管理し、構成変更時に 環境変数を再デプロイせずに反映 したいです。
質問: 最も適切 なサービスはどれですか。
選択肢:
- A. Parameter Manager に格納し、Cloud Run で起動時取得+定期再読込
- B. Secret Manager をそのまま使い続ける
- C. Cloud KMS に値を暗号化して入れる
- D. Certificate Manager に格納する
- E. Cloud Storage バケットに JSON で置く
解答と解説
正解: A
解説:
- A 正解: Parameter Manager は 非機密の構成値 専用サービス。feature flag、URL、しきい値など Secret Manager に入れるほどではないが構成管理したい値に最適。Secret Manager より単価が安い。
- B 誤り: Secret Manager は 機密値 専用設計でオーバーキル。
- C 誤り: Cloud KMS は 鍵管理、値保管ではない。
- D 誤り: Certificate Manager は TLS 証明書専用。
- E 誤り: 監査・バージョン管理・IAM 制御が弱い。
試験のひっかけポイント: Secret Manager(機密)/ Parameter Manager(非機密)/ Cloud KMS(鍵)/ Certificate Manager(TLS 証明書) の使い分けを即答できること。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Secret Manager / Cloud KMS / Parameter Manager / Certificate Manager
問題 28 (難易度: ★★★)セクション 3
シナリオ: ライドシェアの MoveX で本番障害が発生。「最新デプロイが原因と判明」しているが、ロールバックには 10 分かかります。一方、問題のあるコードパスは feature flag で制御 されており、フラグを OFF にすれば数秒で影響停止できることが判明しました。SRE チームは「Mitigate first」の原則に従い最初のアクションを決めたい。
質問: 最も適切 な最初のアクションはどれですか。
選択肢:
- A. Feature Flag を OFF にして即時に影響停止(数秒)。その後ゆっくりロールバック検討
- B. すぐに
gcloud deploy rollouts rollbackを実行(10 分待つ) - C. まず Postmortem を書く
- D. すべての trace と log を解析して根本原因を特定してから対応
- E. すべてのアラートをミュートする
解答と解説
正解: A
解説:
- A 正解: SRE の Mitigate first(影響緩和最優先) + 最速の影響停止 = Feature Flag OFF。ロールバックより速い手段がある場合は迷わず使う。根本原因究明は緩和後でよい。
- B 誤り: 10 分待つ間にユーザー影響拡大。Flag OFF が即時可能なら優先。
- C 誤り: 障害中に Postmortem は書かない。終息後。
- D 誤り: 「まず Mitigate、原因究明は後」が SRE 原則。
- E 誤り: アラートは状況把握に必要。論外。
試験のひっかけポイント: Mitigate first の優先順位: ① Mitigate(Flag OFF / drain / redirect)→ ② Capacity → ③ Rollback → ④ RCA。「最速の影響停止 = Feature Flag OFF」が必殺パターン。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§インシデント対応の優先順位
問題 29 (難易度: ★★)セクション 4
シナリオ: データ分析サービス DataLens の SRE チームは、毎日深夜 2:00 に「ユーザー登録 → ログイン → API 呼び出し → 結果検証」の一連のシナリオを能動的に実行して可用性を測定したい。単一 URL の死活監視では不十分です。
質問: 最も適切 な GCP サービスはどれですか。
選択肢:
- A. Synthetic Monitor(Cloud Functions ベース)で Node.js コードに複数ステップを記述
- B. Uptime Checks を 4 つ設定する
- C. cron + curl のシェルスクリプトを VM 上で実行
- D. Cloud Profiler でユーザー操作を記録
- E. Cloud Trace でリクエスト経路を確認
解答と解説
正解: A
解説:
- A 正解: Synthetic Monitor は Cloud Functions ベースで 複数ステップの能動監視(Node.js でログイン → API → 検証を記述)。Uptime Checks では不可能な「シナリオ実行」を実現。
- B 誤り: Uptime Checks は 単一ステップ。順序保証なし。シナリオ実行不可。
- C 誤り: 自前運用は保守負荷高。マネージドサービスを使うべき。
- D 誤り: Profiler はコードプロファイリング。能動監視ではない。
- E 誤り: Trace は実トラフィック解析。能動監視ではない。
試験のひっかけポイント: Uptime Checks(単一 URL)/ Synthetic Monitor(複数ステップ・コード記述) の使い分け。「シナリオ実行」「複数ステップ」を見たら Synthetic Monitor。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Synthetic Monitor vs Uptime Checks
問題 30 (難易度: ★★)セクション 2
シナリオ: EC サイト ShopMart は、本番デプロイで DB スキーマの非互換変更 を含むリリースを予定。新旧バージョンが同時に走ると DB アクセス時に整合性が壊れます。切戻しは数秒以内 で完了する必要があります。
質問: 最も適切 なデプロイ戦略はどれですか。
選択肢:
- A. Blue/Green デプロイで新バージョン全体を別環境に立て、LB 切替で一気に切替、問題時は LB を旧 Green に戻して数秒で切戻し
- B. Rolling update で 1 Pod ずつ置換
- C. Canary で 5% → 25% → 100% と段階的に
- D. 各 Pod に DB マイグレーション処理を埋め込む
- E. 旧 Pod を全削除してから新 Pod を作成
解答と解説
正解: A
解説:
- A 正解: Blue/Green は 新旧が並行稼働せず即時切替 + 即時切戻し可能。DB スキーマ非互換のように「同時稼働 NG」のケースに最適。リソースコストは 2 倍だが切戻しが瞬時。
- B 誤り: Rolling では新旧 Pod が並行稼働 → DB 整合性壊れる。
- C 誤り: Canary も並行稼働。DB 非互換と相性悪い。
- D 誤り: Pod 起動時マイグレ = 競合・複数 Pod 起動時の二重実行リスク。
- E 誤り: 旧削除→新作成は停止時間発生。SLO 違反リスク。
試験のひっかけポイント: デプロイ戦略選定: 即時切戻し = Blue/Green、段階的検証 = Canary、デフォルト順次 = Rolling、Cloud Run の重み = Traffic Splitting、機能ON/OFF = Feature Flags。DB 非互換は Blue/Green の典型シナリオ。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§デプロイ戦略選定マトリクス
問題 31 (難易度: ★★)セクション 1
シナリオ: コンサル企業 ConsultPro は、GKE Standard クラスタを 30 個運用しています。OS パッチ・kubelet バージョン・etcd バージョン管理に時間がかかり、Platform チームの 40% の時間がアップグレード作業に費やされています。本番では 金融規制対応 のため最も保守的なバージョンを使う必要があります。
質問: 最も適切 な構成はどれですか(2 つ 選択)。
選択肢:
- A. GKE Release Channel を Stable に設定し、保守的な GKE バージョン自動アップグレードを受ける
- B. 本番では Maintenance Window を設定し、土曜深夜にのみアップグレードを実行
- C. すべてのクラスタを手動アップグレードする
- D. GKE Release Channel を Rapid に設定
- E. アップグレードを 1 年間停止する
解答と解説
正解: A, B
解説:
- A 正解: Stable Channel は最も保守的なバージョン提供で、金融規制対応に推奨。Regular(一般本番)/ Rapid(早期検証)と区別。
- B 正解: Maintenance Window で許可時間帯を限定すれば、業務影響時間外にアップグレードが集中。重要業務時間は Maintenance Exclusion(最長マイナー 30 日 / メジャー 180 日)も使える。
- C 誤り: 手動は運用負荷を増やすだけ。Release Channel 自動化が Google 推奨。
- D 誤り: Rapid は最新機能検証用で本番に不適。
- E 誤り: アップグレード停止はセキュリティ脆弱性放置 = 規制違反リスク。
試験のひっかけポイント: 3 つの Release Channel(Rapid / Regular / Stable) と Maintenance Window / Exclusion の組み合わせ。金融・規制対応は Stable が定石。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§GKE Release Channels
問題 32 (難易度: ★★)セクション 5
シナリオ: SaaS 企業 NoteSync の Cloud Run サービスは、Web ソケット長時間接続と定期バックグラウンドジョブを動かしています。Cloud Run のデフォルト設定(CPU is only allocated during request)では 接続中にも関わらず CPU が割り当てられず、処理が止まることが判明しました。
質問: 最も適切 な設定はどれですか。
選択肢:
- A. CPU always allocated に変更し、リクエスト処理中以外も CPU を割り当てる
- B. concurrency を 1 に下げる
- C. min instances を 0 に下げる
- D. CPU boost を有効化する
- E. Cloud Functions に移行する
解答と解説
正解: A
解説:
- A 正解: CPU always allocated モードはリクエスト処理中以外も CPU を割り当てる設定で、WebSocket、gRPC streaming、長時間バックグラウンド処理 に必須。単価はリクエスト時のみより安い(待機分も払うが)。
- B 誤り: concurrency は同時処理数。CPU 割当タイミングとは別。
- C 誤り: min instances 0 = cold start 多発、本問題と無関係。
- D 誤り: CPU boost は 起動時の一時的な CPU 増強。常時実行ではない。
- E 誤り: Cloud Functions は短時間処理向け。WebSocket 不向き。
試験のひっかけポイント: Cloud Run の CPU 割当モード: ① request 時のみ(デフォルト、安い、HTTP 処理向け)② always allocated(待機中も、WebSocket/gRPC/バックグラウンド向け)。これと cold start 対策の min instances ≥ 1 + CPU boost を区別。
関連リソース:
../02_学習資料/05_パフォーマンスとコスト/03_要点と暗記.md§Cloud Run 最適化
問題 33 (難易度: ★★)セクション 3
シナリオ: GKE クラスタで毎週ノードアップグレードを実施する Platform チームは、特定の Pod が アップグレード時のノード drain で同時に多数 evict され、サービスが瞬間的に停止 する問題に直面しています。最低 2 Pod は常に稼働させたい。
質問: 最も適切 な設定はどれですか。
選択肢:
- A. PodDisruptionBudget (PDB) で
minAvailable: 2を指定し、計画的中断時に最低 Pod 数を保証 - B. Pod の replicas を 100 に増やす
- C. NodeAffinity で特定ノードに Pod を固定する
- D. priorityClass で Pod に最高優先度を付ける
- E. taint と toleration で Pod を保護する
解答と解説
正解: A
解説:
- A 正解: PodDisruptionBudget は Voluntary disruption(drain、アップグレード) 時の最低稼働数保証。
minAvailable: 2で常に 2 Pod は維持される。ただし Involuntary(ノード故障、OOM)は保証されない。 - B 誤り: replicas を闇雲に増やしてもアップグレード時に同時 evict されたら停止する。PDB が必要。
- C 誤り: NodeAffinity は配置制御。drain 保護ではない。
- D 誤り: priorityClass は スケジューリング優先度。drain 保護ではない。
- E 誤り: taint/toleration は Pod がノードに乗れる/乗れない制御。drain 保護ではない。
試験のひっかけポイント: PDB は Voluntary disruption のみ対象(計画的中断)、Involuntary(ノード故障)は対象外。ハードウェア障害保護には HA 設計が別途必要。Cluster Autoscaler の scale-down も PDB を尊重する。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§Pod Disruption Budget
問題 34 (難易度: ★★★)セクション 2
シナリオ: 金融バックエンドの FinAPI は、本番イメージのデプロイで「SLSA L3 達成 + 改ざん検知 + デプロイ後も継続検証」を実現したい。改ざんがあった場合は 実行中の Pod も即座に検知して通知 する必要があります。
質問: 3 つ 選んでください。
選択肢:
- A. Cloud Build Private Pool + hermetic build で SLSA L3 を達成し、provenance を生成
- B. Binary Authorization で attestor 検証を必須化し、デプロイ前に署名検証
- C. Continuous Validation を有効化し、デプロイ後も Pod の policy 違反を継続検知
- D. すべてのイメージを 1 つの latest タグに上書きし続ける
- E. SA キーをイメージに埋め込んで検証する
解答と解説
正解: A, B, C
解説:
- A 正解: SLSA L3 の要件 = ビルド環境分離 + hermetic build + 改ざん検知。Cloud Build Private Pool + VPC SC で達成。Cloud Build は SLSA L3 を標準 で提供。
- B 正解: Binary Authorization の attestor 検証 = デプロイ前の署名検証。改ざん検知の防衛線。
- C 正解: Continuous Validation はデプロイ後も継続的に policy 違反を検知し、Cloud Audit Logs に出力。後から発覚した CVE / 改ざん対応に必須。
- D 誤り: latest タグ上書きは immutable 原則違反。SLSA / 改ざん検知の根本に反する。
- E 誤り: SA キーをイメージに = サプライチェーンの最悪パターン。
試験のひっかけポイント: SLSA L3 = Cloud Build hermetic build + provenance / Binary Authorization = デプロイ前検証 / Continuous Validation = デプロイ後継続検証 の役割分担を明確に。3 つは補完関係で揃って初めて完全防御。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Software Delivery Shield / Binary Authorization vs Artifact Analysis
問題 35 (難易度: ★★)セクション 4
シナリオ: 分散システムを採用する SaaS 企業 OrderHub は、サービス間の HTTP リクエストで trace ID をログに紐付けたい。アプリは Cloud Run / Cloud Functions / GKE が混在しています。
質問: 最も適切 な対応はどれですか。
選択肢:
- A. Cloud Run / Functions は
X-Cloud-Trace-Contextヘッダから自動紐付け、GKE は 構造化ログにlogging.googleapis.com/traceフィールドを明示出力、OTel ベースのアプリは W3C Trace Context を採用 - B. すべて手動で trace ID を取得し、ログにテキスト埋め込み
- C. Cloud Trace は trace ID を持たないので不可能
- D. すべて Cloud Functions に移行する
- E. ログを正規表現で trace ID 抽出する
解答と解説
正解: A
解説:
- A 正解: Cloud Run / Cloud Functions は
X-Cloud-Trace-Contextヘッダを 自動処理。GKE / GCE はlogging.googleapis.com/traceフィールドを構造化ログ(JSON)に明示出力すれば Logs Explorer から trace と相互リンク。OTel 標準は W3C Trace Context(traceparentヘッダ)。 - B 誤り: 手動・テキスト埋め込みは検索性劣化 + Logs Explorer の trace リンク UI が使えない。
- C 誤り: 誤り。Cloud Trace は trace ID を持つ。
- D 誤り: 移行は不要。各サービスの対応方法が違うだけ。
- E 誤り: 構造化ログ + 既定フィールドが正攻法。
試験のひっかけポイント:
trace 紐付けフィールド = logging.googleapis.com/trace(形式: projects/PROJECT_ID/traces/TRACE_ID)+ logging.googleapis.com/spanId + logging.googleapis.com/trace_sampled の 3 つ。Cloud Run / Functions は自動、GKE / GCE は明示出力が必要という違い。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§trace ID と構造化ログ紐付け
問題 36 (難易度: ★★★)セクション 1
シナリオ: グローバルメディア企業 MediaGlobal は、オンプレ・GCP・AWS の 3 拠点を持つマルチクラウド K8s 環境を統一管理したい。ポリシー強制(OPA/Gatekeeper ベース)、構成ドリフト検知、サービスメッシュによる暗号化通信、グローバル LB によるリージョン跨ぎフェイルオーバーを Google マネージド で実現したいです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. GKE Enterprise + Fleet で 3 拠点を統一管理、Config Sync(GitOps)+ Policy Controller(OPA)+ Cloud Service Mesh(mTLS 暗号化)+ Multi-Cluster Ingress(グローバル LB)
- B. オンプレと AWS は除外し、GCP のみで運用
- C. AWS と GCP に同じ Terraform を apply するだけ
- D. Argo CD と Istio を全クラスタに自前構築
- E. Cloud Run に統合する
解答と解説
正解: A
解説:
- A 正解: マルチクラウド K8s 統合の Google 推奨フルスタック:
- GKE Enterprise(旧 Anthos)+ Fleet: 3 拠点クラスタ統一管理
- Config Sync: GitOps、構成ドリフト検知
- Policy Controller: OPA/Gatekeeper ベースのポリシー強制
- Cloud Service Mesh: マイクロサービス間 mTLS 暗号化
- Multi-Cluster Ingress: クラスタ跨ぎグローバル LB
- B 誤り: 要件「マルチクラウド」に反する。
- C 誤り: Terraform は IaC、運用統合・mesh・LB は別途必要。
- D 誤り: 「Google マネージド」要件に反する。
- E 誤り: Cloud Run は K8s 統合とは別領域。
試験のひっかけポイント: Anthos → GKE Enterprise、Anthos Config Management → Config Sync + Policy Controller、Anthos Service Mesh → Cloud Service Mesh のリネーム。各コンポーネントの役割を即答できること。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§ケーススタディの定番解
問題 37 (難易度: ★★)セクション 5
シナリオ: GKE Standard クラスタを 5 個運用する SaaS 企業 ProdHive は、Namespace 別 にコスト配賦したい。各 Namespace を顧客チームに割り当て、Internal ChargeBack を実施する予定です。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. GKE Cost Allocation を有効化し、Namespace / Label 別の使用量を BigQuery Billing Export で SQL 集計、Looker Studio で ChargeBack ダッシュボード化
- B. Namespace ごとに別 GCP プロジェクトを用意する
- C. Stackdriver でカスタムメトリクス出力して集計
- D. 各 Pod に独自のラベルを付けて手動集計
- E. すべての Namespace のコストを均等割りする
解答と解説
正解: A
解説:
- A 正解: GKE Cost Allocation は GKE Standard / Autopilot で Namespace / Label 別の使用量とコスト を BigQuery Billing Export に出力。Looker Studio でビジュアル化、Internal ChargeBack 運用の標準。
- B 誤り: 5 個 → 数十プロジェクト化は管理負荷大。GKE Cost Allocation で十分。
- C 誤り: 自前計算は不正確 + 保守負荷。
- D 誤り: 手動集計は規模に応じて破綻。
- E 誤り: ChargeBack の意味を成さない。
試験のひっかけポイント: GKE Cost Allocation(Namespace 別コスト)+ Billing Export to BigQuery(全 GCP コストの SQL 集計)+ Looker Studio(可視化)の 3 点セットが FinOps Inform フェーズの定番。
関連リソース:
問題 38 (難易度: ★★★)セクション 2
シナリオ: SaaS 企業 BuildBot の Cloud Build は、ビルド中に オンプレの Maven プロキシと社内 Cloud SQL(プライベート IP のみ) にアクセスする必要があります。デフォルトの Cloud Build worker(パブリック IP)では到達不可です。さらに インターネット egress を完全に遮断(hermetic build)したいです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Cloud Build Private Pool(Worker Pool) を VPC peering 経由で社内 VPC と接続、egress 制限で外部ネットワーク遮断、Maven の依存は事前に vendoring
- B. Cloud Build の SA に Public IP を許可する Org Policy 例外を作る
- C. Compute Engine 上に Jenkins を自前構築する
- D. Cloud Build をやめてすべて GitHub Actions に移行する
- E. Cloud Functions でビルドを実行する
解答と解説
正解: A
解説:
- A 正解: Cloud Build Private Pool は VPC 内に worker をデプロイし、オンプレ DB / Maven プロキシ / プライベート Cloud SQL にプライベート IP でアクセス可能。egress を制限すれば hermetic build(SLSA L3 要件) を達成。Maven 依存は事前 vendoring してビルド時にネットワークアクセス不要にする。
- B 誤り: パブリック IP 経由は規制違反、プライベート Cloud SQL に届かない。
- C 誤り: Jenkins 自前運用は GCP マネージド利点を捨てる。
- D 誤り: GitHub Actions も同じ問題(self-hosted runner が必要)。
- E 誤り: Functions はビルド向けではない。
試験のひっかけポイント: Cloud Build Private Pool = VPC 内ビルド、プライベートリソースアクセス、hermetic build。「プライベート GKE / プライベート Cloud SQL アクセス」「オンプレ接続」「hermetic」を見たら即答。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Cloud Build / SLSA
問題 39 (難易度: ★★)セクション 3
シナリオ:
ライドシェアの MoveX は、Cloud DNS で api.movex.com をプライマリリージョン us-central1 に向けています。リージョン障害時に DNS で自動フェイルオーバー したい。フェイルオーバー後は手動操作なしで戻したいです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Cloud DNS の Failover routing policy で healthchecks に基づきプライマリ→セカンダリへ自動切替、復旧後は 自動でプライマリへ復帰
- B. すべての DNS レコードを手動で書き換える
- C. Cloud DNS の Weighted routing で 100:0 設定し、障害時に手動で 0:100 に
- D. Cloud Run の URL を直接ユーザーに配布する
- E. Cloud CDN のキャッシュ TTL を延ばす
解答と解説
正解: A
解説:
- A 正解: Cloud DNS Failover routing policy は healthchecks(Compute Engine の HC)と統合され、プライマリ unhealthy 時に 自動でセカンダリへ切替、回復後 自動でプライマリへ復帰。Active-Standby のリージョン冗長に最適。
- B 誤り: 手動 = MTTR 増大。
- C 誤り: 手動切替は障害時に遅い。Failover policy で自動化すべき。
- D 誤り: URL 配布で冗長性は得られない。
- E 誤り: CDN キャッシュ延長は障害対策ではない。
試験のひっかけポイント: Cloud DNS の routing policy: Weighted(重み付け)/ Failover(プライマリ/セカンダリ)/ Geo(地域別)/ Latency(最低遅延) を区別。「自動フェイルオーバー」= Failover policy。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§トラフィック切替・redirect の手段
問題 40 (難易度: ★★)セクション 4
シナリオ: SaaS 企業 LeadGen の SRE チームは、Cloud Monitoring アラートの アクション可能性が低く、SREs がアラート疲弊 している状況。CPU > 80% などの インフラ指標ベース のアラートが大量に鳴り、実際にはユーザー影響がほとんどないケースが 80%。
質問: 最も適切 な改善方向はどれですか。
選択肢:
- A. 症状ベース(SLI ベース)+ Multi-burn-rate アラート に切り替え、ユーザー影響直結のメトリクス(SLO 違反率)でしきい値設定
- B. すべてのアラートをミュートする
- C. しきい値を CPU > 95% に上げる
- D. アラート受信者を 1 人に集中させる
- E. Cloud Logging に変える
解答と解説
正解: A
解説:
- A 正解: SRE 標準の 症状ベース(SLI ベース)アラート + Multi-burn-rate。CPU 高 ≠ ユーザー影響、SLO 違反率(5xx 率、p99 遅延)= 直接的なユーザー影響。Multi-burn-rate で「無視できない deterioration」のみアラート、ノイズを劇的に減らせる。
- B 誤り: 障害見逃し。論外。
- C 誤り: しきい値調整は本質的解決にならない。SLI ベースに切替が正解。
- D 誤り: 1 人に集中は燃え尽き加速。役割分担が必要。
- E 誤り: ログでは時系列アラートにならない。
試験のひっかけポイント: 症状ベース vs 原因ベース の区別。ユーザー影響を反映する SLO ベース + Multi-burn-rate が SRE 標準。「アラート疲弊」「ノイズ多い」を見たら SLO ベース改善。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Burn rate アラート設計
問題 41 (難易度: ★★★)セクション 1
シナリオ:
医療 SaaS の MediFlow は、HIPAA 対応リージョン(米国)に限定してリソースを作成する Org Policy gcp.resourceLocations を適用したいですが、既に 200 プロジェクトが稼働中。本適用すると違反リソースのデプロイが止まる可能性があります。本番影響なしに「現在の構成で違反するリソースを特定」したい。
質問: 最も適切 な手段はどれですか。
選択肢:
- A. Org Policy を Dry Run モードで適用 し、Logs Explorer で違反イベントを確認、Cloud Asset Inventory で既存違反リソースを棚卸し、対応後に Enforce に切替
- B. いきなり Enforce で適用し、エラーを目視確認
- C. Cloud Run でリソース一覧を取得して手動チェック
- D. Cloud Functions で全プロジェクトをスキャン
- E. Org Policy を諦めて IAM Custom Role で代替
解答と解説
正解: A
解説:
- A 正解: Org Policy Dry Run モード は「違反検知のみ、Enforce はしない」モード。Logs Explorer で違反イベントを観測しつつ既存稼働には影響なし。Cloud Asset Inventory で既存リソースを棚卸し(API、SQL でスキャン可)。違反対応後に Enforce に切替 が安全運用パターン。
- B 誤り: 本番影響発生のリスク高。
- C 誤り: 自前スクリプトより Asset Inventory が網羅的。
- D 誤り: 同上。再発明。
- E 誤り: IAM Custom Role はロケーション制限を強制できない(リソース API は通る)。
試験のひっかけポイント: Org Policy Dry Run + Cloud Asset Inventory の組み合わせが「既存環境への安全な Policy 導入」の標準パターン。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§Organization Policy
問題 42 (難易度: ★★)セクション 2
シナリオ:
SaaS スタートアップ TextFlow は、Cloud Build で「主要ブランチ push 時に本番ビルド」「PR 作成時にテスト」「v* タグ push 時にリリースビルド」「毎晩 2:00 に nightly build」を実現したいです。
質問: 最も適切 なトリガー構成はどれですか。
選択肢:
- A. Push to branch(main)/ Pull Request / Push new tag(v)/ Cloud Scheduler → Webhook トリガー* の 4 つを作成
- B. すべて 1 つの Push to branch トリガーで条件分岐
- C. 手動トリガーのみで運用
- D. Cloud Functions で git ポーリング
- E. GitHub Actions に全て移行
解答と解説
正解: A
解説:
- A 正解: Cloud Build トリガーは 目的別に分離 が定石:
- Push to branch(main): 本番ビルド
- Pull Request: テスト
- Push new tag(v)*: リリースビルド
- Cloud Scheduler → Webhook トリガー or Scheduled トリガー: nightly build
- B 誤り: 条件分岐肥大化、責任分界不明確。
- C 誤り: 自動化を捨てる。
- D 誤り: ポーリング = 遅延 + 無駄リクエスト。
- E 誤り: GitHub Actions 移行は要件外、Cloud Build と機能重複。
試験のひっかけポイント: Cloud Build トリガー種別: Push / PR / Tag / Manual / Pub/Sub / Webhook / Scheduled(Scheduler 経由)を即答。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§トリガー早見表
問題 43 (難易度: ★★★)セクション 4
シナリオ: 製造業 ManuTech の工場 IoT データ収集システムは、マイクロサービス間通信 で深夜のバッチ集約処理時に「特定 API(service B)が他より 100 倍遅い」事象が発生。サービス間呼び出しが多重に絡んでいて手動 trace 解析が困難です。
質問: 最も適切 な調査ツールと手順はどれですか。
選択肢:
- A. Cloud Trace の waterfall で問題リクエストを開き、サービス間の span を時系列で可視化、最も時間を消費している service B の span を特定して Cloud Profiler でコード行レベルに掘り下げる
- B. Cloud Logging を grep で目視
- C. Cloud Monitoring の CPU メトリクスのみ確認
- D. VPC Flow Logs で 5-tuple 解析
- E. Connectivity Tests で接続確認
解答と解説
正解: A
解説:
- A 正解: 分散システムの遅延ボトルネック特定は Cloud Trace の waterfall。各サービス span の所要時間を時系列で表示し、最遅 span を一目で特定。さらに Cloud Profiler でその service B 内の コード行レベル に掘り下げ。Trace → Profiler の連携が分散システムデバッグの王道。
- B 誤り: grep は時系列・呼び出し関係を可視化できない。
- C 誤り: メトリクスだけでは個別リクエストの問題は見えない。
- D 誤り: Flow Logs はネットワーク 5-tuple、アプリ層遅延は見えない。
- E 誤り: Connectivity Tests は構成解析、性能ではない。
試験のひっかけポイント: Cloud Trace(リクエスト経路・サービス間ボトルネック)+ Cloud Profiler(サービス内コード行) の連携が分散系デバッグ定石。Gemini Cloud Assist の Summarize trace で複雑な waterfall を AI 要約することも最新トピック。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§トラブルシュート初動表
問題 44 (難易度: ★★)セクション 3
シナリオ: オンライン会議サービス MeetMax は、SRE チームの「Toil(自動化可能な手作業)」が業務時間の 70% を占めており、新規プロジェクトに時間を割けない状況。CTO はこの状況を改善したい。
質問: 最も適切 な対応はどれですか。
選択肢:
- A. Toil を 50% 以下に抑える ように合意し、超過分は 開発チームに業務を返却、Toil 削減プロジェクトを優先実施、自動化スクリプト・Runbook 整備に投資
- B. SRE チームの人員を 2 倍にする
- C. Toil 100% でも問題ないので現状維持
- D. 手作業を SRE の責務として固定化する
- E. Cloud Functions を使わずすべて手動で運用する
解答と解説
正解: A
解説:
- A 正解: SRE の核となる規律 = Toil は 50% 以下。超過分は開発チームに返却(開発が運用しやすい設計にするインセンティブを与える)。Toil 削減 = 自動化投資、Runbook、Game Day で組織的に削減。
- B 誤り: 人を増やしても Toil 比率は変わらない。本質的解決ではない。
- C 誤り: SRE 哲学に反する。Toil 100% は組織機能不全。
- D 誤り: SRE は「エンジニアリングで運用を解決」する役割。手作業固定化は反 SRE。
- E 誤り: 自動化放棄は論外。
試験のひっかけポイント: Toil 50% 以下 が SRE 規律。超過時は開発に返却するモデルが Google SRE 本の核心メッセージ。「自動化可能な手作業」という Toil の定義も理解。
関連リソース:
問題 45 (難易度: ★★)セクション 5
シナリオ: EC サイト ShopMart は、Black Friday の 5 日間だけ通常の 50 倍のトラフィック を想定。容量を 確実に確保 したいが、365 日 24/7 稼働ではないため CUD は割に合いません。
質問: 最も適切 な戦略はどれですか。
選択肢:
- A. Compute Engine Reservations を 5 日間分予約し、ピーク終了後に解放
- B. 1 年 CUD を購入する
- C. Spot VM だけで賄う
- D. オンデマンドで都度確保(在庫不足リスクを許容)
- E. 365 日 CUD で予約する
解答と解説
正解: A
解説:
- A 正解: Reservations は 容量を事前確保(即時消費可能)。短期ピーク(5 日間)には CUD ではなく Reservations が適切。在庫不足リスクを排除しつつ、期間限定で解放可能。
- B 誤り: 1 年 CUD は 365 日コミット。5 日間ピーク用には過剰投資。
- C 誤り: Spot は中断あり = Black Friday に致命的。
- D 誤り: H100 / 大量 VM はオンデマンド在庫不足リスク常時あり。
- E 誤り: 1 年常時予約は無駄。
試験のひっかけポイント: Reservations(容量予約、短期可)と CUD(料金割引、長期コミット)は別概念。「ピーク確保」= Reservations、「長期安定コスト削減」= CUD。両者の併用も可能(Reservations + CUD で割引最大化)。
関連リソース:
../02_学習資料/03_SREプラクティス/03_要点と暗記.md§Reservations vs CUD vs Spot
問題 46 (難易度: ★★)セクション 1
シナリオ: SaaS 企業 OmniCloud では、Platform チームが社内開発者に 「IDE 内で AI のコード支援」「Console 内で AI の運用支援」「ターミナルで AI エージェントタスク」 を提供したい。それぞれ別のサービスが必要です。
質問: 正しいサービス名の対応 はどれですか。
選択肢:
- A. IDE = Gemini Code Assist / Console = Gemini Cloud Assist / ターミナル = Gemini CLI
- B. IDE = Gemini Cloud Assist / Console = Gemini Code Assist / ターミナル = Gemini CLI
- C. すべて Gemini Code Assist で実現可能
- D. すべて Duet AI で統一
- E. IDE = Copilot / Console = ChatGPT / ターミナル = Bard
解答と解説
正解: A
解説:
- A 正解: 三者の明確な使い分け:
- Gemini Code Assist: VS Code / JetBrains / Cloud Workstations / Cloud Shell Editor 内のコーディング支援、PR レビュー
- Gemini Cloud Assist: GCP Console 内、アーキ設計、運用調査、Investigations、Explain this chart
- Gemini CLI: ターミナル、IaC 生成、リポジトリ理解、エージェント的タスク、MCP 連携
- B 誤り: 逆。
- C 誤り: Code Assist は IDE 専用。
- D 誤り: Duet AI は Gemini にリネーム済み。最新名で答える。
- E 誤り: 全部 Google 外。
試験のひっかけポイント: 3 ツールの 設置場所と用途 を即答。「Duet AI → Gemini」のリネームも頻出。Code(IDE)/ Cloud(Console)/ CLI(ターミナル) で覚える。
関連リソース:
../02_学習資料/01_組織と基盤/03_要点と暗記.md§Gemini 系
問題 47 (難易度: ★★★)セクション 2
シナリオ: 製造業 ManuTech は、Cloud Deploy で本番デプロイした 新バージョン Pod の起動時に DB Schema マイグレーションを実行 したい。マイグレーションは デプロイ前に 1 回だけ実行され、失敗したらデプロイ全体を停止 する必要があります。マイグレーション中のロックで他 Pod は影響を受けないように Schema は 後方互換 に設計済みです。
質問: 最も適切 な構成はどれですか。
選択肢:
- A. Cloud Deploy の
predeployhook で DB マイグレーション Cloud Build ジョブを実行、失敗時は rollout を停止 - B. 各 Pod の
initContainerでマイグレーション実行(重複実行リスク) - C. デプロイ完了後に手動で
kubectl execでマイグレーション - D. Cloud Functions で deploy 完了 Webhook を受けて実行
- E. アプリケーション起動時に毎回マイグレーション
解答と解説
正解: A
解説:
- A 正解: Cloud Deploy の
predeployhook は デプロイ前に 1 回だけ実行。失敗時は rollout を中止 = デプロイ進行を止められる。Cloud Build ジョブとして任意のスクリプト(DB マイグレーション)を実行可能。Cloud Deploy の release 単位で実行管理されるため重複なし。 - B 誤り: initContainer は Pod ごとに起動 = 同じマイグレを N 回実行 = 競合・障害リスク。
- C 誤り: 手動実行 = 自動化喪失、人為ミスリスク。
- D 誤り: Webhook 経由は デプロイ後実行 = predeploy 要件と矛盾。
- E 誤り: 毎起動マイグレ = 同上、重複競合。
試験のひっかけポイント:
Cloud Deploy の predeploy / postdeploy hook は release 単位で 1 回実行。Pod の initContainer とは根本的に異なる。DB マイグレーション、スモークテスト等の前後処理は hook を使う。
関連リソース:
../02_学習資料/02_CICDパイプライン/03_要点と暗記.md§Cloud Deploy 階層
問題 48 (難易度: ★★)セクション 4
シナリオ: 医療 SaaS の MediFlow は、GDPR で 患者データへのアクセスを誰がいつ行ったか を 7 年間記録する義務があります。デフォルト設定では記録されません。
質問: 最も適切 な対応はどれですか(2 つ 選択)。
選択肢:
- A. Cloud Audit Logs の Data Access ログを明示的に有効化 する(デフォルトは無効)
- B. Sink で Cloud Storage Archive クラスにエクスポートし、Lifecycle で 7 年後に自動削除
- C.
_RequiredBucket に保管するだけで自動的に 400 日保持されるので OK - D. すべてのログを
_DefaultBucket(30 日)で運用 - E. Data Access ログは無料で常に保管される
解答と解説
正解: A, B
解説:
- A 正解: Data Access ログはデフォルト無効、明示的に有効化必要。GDPR / HIPAA 等の規制対応では必須設定。Admin Activity / System Event / Policy Denied は常時有効。
- B 正解: 7 年保管 = GCS Archive クラスが最安。Lifecycle で 7 年後自動削除も簡単に設定可能。
- C 誤り:
_Requiredは Admin Activity / System Event 専用、Data Access は入らない。400 日は 7 年に不足。 - D 誤り: 30 日では GDPR 違反。
- E 誤り: Data Access ログは課金あり。デフォルト無効なので明示有効化が必要。
試験のひっかけポイント: Audit Logs 4 種類: Admin Activity(常時有効)/ Data Access(デフォルト無効、要明示有効化)/ System Event(常時有効)/ Policy Denied(常時有効)。Data Access のサブカテゴリ(ADMIN_READ / DATA_READ / DATA_WRITE)も覚える。
関連リソース:
../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md§Audit Logs 4 種類
問題 49 (難易度: ★★★)セクション 5
シナリオ: グローバル展開する SaaS のフロントエンドは、世界中のユーザーに低レイテンシで配信 する必要があり、グローバル LB を必須 とします。バックエンドは GCS + Cloud CDN。コスト最適化のため Network Tier を見直したい。
質問: 最も適切 な選択はどれですか。
選択肢:
- A. Premium Tier(グローバル LB が必須、Google バックボーン経由で世界中に低遅延配信)を使い、CDN キャッシュヒット率向上 + 動画は Standard Tier には移せないことを理解して維持
- B. Standard Tier に移行してコストを 50% 削減
- C. Premium と Standard を 50:50 で使う
- D. CDN を無効化する
- E. Cloud Run に変更する
解答と解説
正解: A
解説:
- A 正解: グローバル LB は Premium Tier 必須。Standard Tier は Regional LB のみ、世界中ユーザー配信には不適。動画配信・ゲーミングなどグローバルサービスは Premium 維持が正解。コスト最適化は CDN ヒット率向上 / リージョン配置最適化で対応。
- B 誤り: Standard 移行 = グローバル LB 喪失 = 要件違反。
- C 誤り: 中間構成は不可。Tier は LB 単位で選択。
- D 誤り: CDN 無効化はコスト増 + レイテンシ悪化。
- E 誤り: フロントエンド配信に Cloud Run は不適(GCS + CDN が定石)。
試験のひっかけポイント: Network Tier の選定: Premium(グローバル LB 必須・Google バックボーン・SLA 99.99%)vs Standard(Regional LB のみ・公衆インターネット・25-50% 安)。「グローバル LB」「世界中ユーザー」を見たら Premium。
関連リソース:
../02_学習資料/05_パフォーマンスとコスト/03_要点と暗記.md§Network Tier
問題 50 (難易度: ★★★)セクション 5
シナリオ: SaaS 企業 GrowthCo は、3 年安定稼働予定の Web バックエンドを 200 VM 規模で運用しています。CFO から「3 年間のコストを最大限削減」せよと指示があり、マシン族は変更しない方針です。同時に開発チームは「新マシン族(C4D)にいつでも乗り換えたい」と要求しています。
質問: 最も適切な CUD 戦略 はどれですか。
選択肢:
- A. Resource-based CUD を 3 年 で購入(マシン族固定、55-66% 割引、最大削減)→ ただし「マシン族変更」とは相反するため、安定基盤分は Resource-based、変更可能性のある分は Flexible CUD に分けて二段構え
- B. すべてオンデマンド
- C. すべて Spot VM
- D. SUD のみに頼る(自動 30% で十分)
- E. 1 年 Resource-based CUD のみ
解答と解説
正解: A
解説:
- A 正解: Resource-based CUD(マシン族・リージョン固定) は 3 年で最大 66% 割引(最強)。ただし「いつでも C4D に乗り換えたい」要件と相反するため、安定確定部分(80%)は Resource-based、変更可能性ある部分(20%)は Flexible CUD(横断適用、3 年 46%) に分ける二段構えが Google FinOps ベストプラクティス。
- B 誤り: 割引ゼロは経済的に論外。
- C 誤り: Spot は中断あり = Web バックエンドに不適。
- D 誤り: SUD は自動で最大 30%。CUD ほど安くない、3 年安定なら CUD 使うべき。
- E 誤り: 1 年では 37% にとどまる。3 年安定確定なら 3 年 CUD で最大化。
試験のひっかけポイント: CUD の 2 種類: Resource-based(高割引・固定)/ Flexible(横断・柔軟)の使い分け。「3 年安定」を見たら 3 年 Resource-based、「マシン族変更可能性」を見たら Flexible を組み合わせる二段戦略。適用順は Spot → SUD → CUD → 最終課金。
関連リソース:
../02_学習資料/05_パフォーマンスとコスト/03_要点と暗記.md§CUD vs Flexible CUD vs SUD vs Spot
解答一覧(早見表)
| # | 正答 | 難易度 | セクション |
|---|---|---|---|
| 1 | A | ★★★ | S1 |
| 2 | A, B, D | ★★ | S2 |
| 3 | B | ★★★ | S3 |
| 4 | B | ★★ | S4 |
| 5 | A, B | ★★★ | S2 |
| 6 | A | ★★ | S1 |
| 7 | B | ★★ | S4 |
| 8 | A, C | ★★★ | S3 |
| 9 | A | ★★★ | S2 |
| 10 | B | ★★ | S4 |
| 11 | A | ★★ | S1 |
| 12 | A, B, C | ★★★ | S2 |
| 13 | A | ★★ | S3 |
| 14 | B | ★★ | S4 |
| 15 | A | ★★★ | S2 |
| 16 | A | ★★★ | S1 |
| 17 | A | ★★ | S4 |
| 18 | A, B, C | ★★ | S3 |
| 19 | A | ★★ | S2 |
| 20 | A | ★★★ | S4 |
| 21 | A | ★★ | S1 |
| 22 | A | ★★★ | S2 |
| 23 | A | ★★ | S3 |
| 24 | A, B | ★★ | S4 |
| 25 | A | ★★★ | S5 |
| 26 | A | ★★★ | S1 |
| 27 | A | ★★ | S2 |
| 28 | A | ★★★ | S3 |
| 29 | A | ★★ | S4 |
| 30 | A | ★★ | S2 |
| 31 | A, B | ★★ | S1 |
| 32 | A | ★★ | S5 |
| 33 | A | ★★ | S3 |
| 34 | A, B, C | ★★★ | S2 |
| 35 | A | ★★ | S4 |
| 36 | A | ★★★ | S1 |
| 37 | A | ★★ | S5 |
| 38 | A | ★★★ | S2 |
| 39 | A | ★★ | S3 |
| 40 | A | ★★ | S4 |
| 41 | A | ★★★ | S1 |
| 42 | A | ★★ | S2 |
| 43 | A | ★★★ | S4 |
| 44 | A | ★★ | S3 |
| 45 | A | ★★ | S5 |
| 46 | A | ★★ | S1 |
| 47 | A | ★★★ | S2 |
| 48 | A, B | ★★ | S4 |
| 49 | A | ★★★ | S5 |
| 50 | A | ★★★ | S5 |
セクション別正答率自己採点表
| セクション | 問題番号 | 出題数 | 正答数 | 正答率 | 目標 |
|---|---|---|---|---|---|
| S1: 組織と基盤 | 1, 6, 11, 16, 21, 26, 31, 36, 41, 46 | 10 | __ / 10 | __ % | 70% |
| S2: CI/CD パイプライン | 2, 5, 9, 12, 15, 19, 22, 27, 30, 34, 38, 42, 47 | 13 | __ / 13 | __ % | 70% |
| S3: SRE プラクティス | 3, 8, 13, 18, 23, 28, 33, 39, 44 | 9 | __ / 9 | __ % | 70% |
| S4: 可観測性とトラブルシュート | 4, 7, 10, 14, 17, 20, 24, 29, 35, 40, 43, 48 | 12 | __ / 12 | __ % | 70% |
| S5: パフォーマンスとコスト | 25, 32, 37, 45, 49, 50 | 6 | __ / 6 | __ % | 70% |
| 合計 | 全 50 問 | 50 | __ / 50 | __ % | 70%(35 問) |
難易度別正答率
| 難易度 | 出題数 | 正答数 | 目安正答率 |
|---|---|---|---|
| ★(基礎) | 0 問 | - | 100% |
| ★★(応用) | 30 問 | __ / 30 | 80% 以上 |
| ★★★(発展) | 20 問 | __ / 20 | 60% 以上 |
| 合計 | 50 問 | __ / 50 | 70% 以上 |
模擬試験 2 は ★★★ が 40% を占めるため、本試験より難易度高め。本試験は ★★ 中心。ここで 70% 取れれば本試験合格圏。
弱点別の復習リンク
| 弱点セクション | 復習教材 | 重点トピック |
|---|---|---|
| S1(70% 未満) | ../02_学習資料/01_組織と基盤/03_要点と暗記.md |
Shared VPC / Assured Workloads / WIF / IaC 選定 / GKE Channel |
| S2(70% 未満) | ../02_学習資料/02_CICDパイプライン/03_要点と暗記.md |
Cloud Deploy 階層 / Software Delivery Shield / WIF / SLSA / Binary Auth |
| S3(70% 未満) | ../02_学習資料/03_SREプラクティス/03_要点と暗記.md |
Multi-burn-rate / Error Budget / DWS / PDB / ICS / Mitigate first |
| S4(70% 未満) | ../02_学習資料/04_可観測性とトラブルシュート/03_要点と暗記.md |
Audit Logs 4 種 / Log Router / GMP / Gemini Cloud Assist / Cloud Profiler |
| S5(70% 未満) | ../02_学習資料/05_パフォーマンスとコスト/03_要点と暗記.md |
CUD 戦略 / Reservations / Cloud Run 最適化 / Network Tier / Exclusion |
受験前最終チェックリスト
知識面(即答できるか)
- SLO 数値暗記: 99.9% = 月 43 分、99.99% = 月 4 分、99.999% = 月 26 秒
- Multi-burn-rate: Fast 14.4x@1h、Medium 6x@6h、Slow 1x@3d
- Audit Logs 4 種: Admin Activity / Data Access(要明示有効化)/ System Event / Policy Denied
- Log Bucket:
_Default(30 日、変更可)/_Required(400 日固定、変更不可) - Cloud Deploy 階層: Delivery Pipeline → Target → Release → Rollout → Phase
- SLSA L1〜L4: L3 = hermetic build(Cloud Build 標準)/ L4 = 2 人レビュー + reproducible
- DWS 2 モード: flex-start(7 日)/ calendar(90 日)
- CUD 種別: Resource-based(高割引・固定)/ Flexible(柔軟)
- Spot VM: 最大 91% OFF、30 秒前通知、稼働時間制限なし
- Gemini 3 兄弟: Code Assist(IDE)/ Cloud Assist(Console)/ CLI(ターミナル)
サービス即答
- マルチクラウド K8s = GKE Enterprise + Fleet + Config Sync + Cloud Service Mesh + Multi-Cluster Ingress
- 新規 Org 立ち上げ = CFT terraform-example-foundation + Infrastructure Manager
- サプライチェーン統合防御 = Software Delivery Shield
- アプリ未改修 SLO = Cloud Service Mesh + istio_requests_total
- PR ごと環境 = Ephemeral Environment + Cloud Deploy + GKE Autopilot namespace
- OSS Prometheus 移行 = GMP Self-deployed Collection
- 新規 GKE Prometheus = GMP Managed Collection
- 本番常時プロファイル = Cloud Profiler(Java は Heap/Allocated heap 両方、Python は CPU/Wall のみ)
- 複数ステップ能動監視 = Synthetic Monitor(Cloud Functions ベース)
- 2 点間 VPC 接続診断 = Connectivity Tests / GCP インフラ性能 = Performance Dashboard
試験当日のテクニック
- 「No code change」「アプリ未改修」 を見たら Cloud Service Mesh / Vertex AI traffic-split / Cloud Run traffic split を疑う
- 「最小運用負荷」「Google マネージド」 を見たら GMP / Infrastructure Manager / Cloud Deploy / GKE Autopilot
- 「即時」「即日」 を見たら Exclusion filter / Feature Flag OFF / Failover routing
- 「規制」「コンプラ」 を見たら Assured Workloads / CMEK / Data Access ログ有効化 / Org Policy
- 「ベストプラクティス」「Google 推奨」 を見たら CFT / WIF / Software Delivery Shield / GitOps
- 複数選択問題 は 「全部もっともらしい」 がデフォルト。要件と矛盾する選択肢を除外する
- 時間配分: 1 問 2 分 24 秒。3 分以上かかったら 印つけて飛ばし、最後に戻る
- 見直し時間 = 最低 15 分確保
- 旧名で出題されたら新名に変換: Container Registry → Artifact Registry / Anthos Service Mesh → Cloud Service Mesh / Duet AI → Gemini
復習ループ
- 模擬試験 2 で 80% 以上 → 1 週間以内に本試験受験
- 模擬試験 2 で 70-79% → 弱点セクション復習 + 模擬試験 1 を再挑戦
- 模擬試験 2 で 70% 未満 → 02_応用.md を全セクション再読 + 1 週間後に模擬試験 2 を再挑戦
- 間違えた問題 + ★★★ で正解した問題 は受験 3 日前に再確認
健闘を祈ります。 SLO 数値・Multi-burn-rate 数値・Cloud Deploy 階層・Audit Logs 4 種は手書きで書けるレベルまで暗記してください。Software Delivery Shield のフルスタック構成は本試験で 1-2 問は必ず出ます。