30 Pertanyaan dan Jawaban Wawancara Apache Storm Teratas (2026)

Oleh: Prafulla Ranadive Prafulla Ranadive
Hours Updated

Pertanyaan dan Jawaban Wawancara Apache Storm

👉 Unduh PDF Gratis: Pertanyaan & Jawaban Wawancara Apache Storm

Pertanyaan dan Jawaban Wawancara Apache Storm Terpopuler

1) Apa itu Apache Storm?

Apache Storm adalah sebuah distributed real-time stream processing system Dirancang untuk memproses volume data masuk yang besar dengan latensi rendah dan throughput tinggi. Ia unggul dalam analitik waktu nyata dan komputasi berkelanjutan, tidak seperti sistem batch seperti Hadoop yang beroperasi pada data yang tersimpan. Storm tahan terhadap kesalahan, dapat diskalakan, dan terintegrasi dengan baik dengan sistem eksternal seperti broker pesan, basis data, dan alat pemantauan.

2) Apa saja komponen inti dari Apache Storm?

Arsitektur Storm terdiri dari beberapa komponen kunci yang mengatur pemrosesan data secara real-time:

Komponen Deskripsi
nimbus Node master yang mendistribusikan kode, menetapkan tugas, dan memantau klaster.
Pengawas Node pekerja yang menjalankan tugas yang diberikan oleh Nimbus.
Penjaga kebun binatang Menyediakan koordinasi terdistribusi dan manajemen status klaster.
Proses Pekerja Mengeksekusi sebagian dari topologi
Pelaksana & Tugas Alur dan unit pemrosesan pekerjaan

Komponen-komponen ini memastikan koordinasi terdistribusi, penugasan tugas, dan toleransi kesalahan di seluruh klaster.

3) Apa itu Topologi di Apache Storm?

A topology Dalam Apache Storm, topologi berupa grafik asiklik terarah (DAG) mendefinisikan bagaimana data mengalir melalui sistem. Grafik ini menghubungkan sumber data (Spouts) ke unit pemrosesan (Bolts). Setelah dikirimkan, topologi akan berjalan tanpa batas, memproses data streaming secara terus menerus hingga dihentikan secara manual. Struktur dan grupnya...ping Strategi dalam topologi menentukan bagaimana tupel (unit data) bergerak dan diproses di seluruh komponen.

4) Jelaskan tentang Spouts dan Bolts dalam Badai.

  • Menyemburkan: Spout adalah titik masuk untuk mengalirkan data ke dalam topologi Storm. Ia membaca data dari sumber eksternal seperti file, broker pesan (misalnya, Kafka), API, dll., dan memancarkan tuple ke dalam aliran data.
  • Baut: Sebuah Bolt memproses tuple yang masuk. Bolt dapat memfilter, mengagregasi, menggabungkan, menyimpan hasil, atau memancarkan tuple baru ke hilir. Pemrosesan data yang kompleks dibangun melalui kombinasi bolt.

5) Apa itu Tuple dan Stream di Apache Storm?

A tuple adalah struktur data inti di Storm yang merepresentasikan daftar nilai yang terurut (yaitu, sebuah record). stream adalah urutan tuple tak terbatas yang mengalir melalui sebuah topologi. Setiap tuple dalam sebuah aliran dapat memicu pemrosesan lebih lanjut dalam bolt. Tuple dan aliran bersama-sama memungkinkan Storm untuk mentransfer dan memproses data secara terus menerus.

6) Apa saja Kelompok Aliran yang berbeda?ping tipe apa saja yang ada di Storm?

Storm mendukung beberapa hal stream grouping Strategi untuk mengarahkan tuple dari satu komponen ke komponen berikutnya:

  • Shuffle Groupping: Mendistribusikan tuple secara acak untuk penyeimbangan beban yang merata.
  • Fields Groupping: Mengirimkan tuple dengan nilai field yang sama ke tugas bolt tertentu.
  • Grup Globalping: Mengarahkan semua tuple ke satu instance bolt.
  • Semua Grupping: Mengirim setiap tuple ke semua instance bolt.
  • Grup Langsungping: Memungkinkan pengalihan eksplisit ke tugas tertentu

Kelompok inipings mempengaruhi bagaimana data dipartisi dan diproses secara paralel.

7) Bagaimana Storm memastikan toleransi kesalahan?

Storm menyediakan toleransi kesalahan melalui kombinasi dari:

  • Pengawasan tugas: Nimbus dan para pengawas memulai kembali pekerjaan yang gagal.
  • Ucapan Terima Kasih: Baut dan cerat menandakan penyelesaian tuple.
  • Replay: Tuple yang gagal diproses dalam batas waktu yang ditentukan akan diputar ulang.
  • Koordinasi ZooKeeper: Memastikan kontrol terdistribusi dan konsistensi klaster.

Mekanisme ini membantu Storm pulih dengan baik dari kegagalan node sekaligus memastikan kontinuitas pemrosesan data.

Jangan lewatkan:

8) Apa yang dimaksud dengan Jaminan Pemrosesan Pesan di Storm?

Storm mendukung tiga semantik pemrosesan:

Menjamin Deskripsi
Paling Banyak Sekali Pesan mungkin hilang tetapi tidak pernah diproses ulang.
Setidaknya Sekali Pesan akan dicoba lagi hingga berhasil diproses (default)
Tepat Sekali Setiap pesan diproses sekali meskipun terjadi kegagalan.

Eksekusi tepat satu kali (exactly-once) dicapai dengan mekanisme pengakuan dan transaksional, biasanya menggunakan API Trident untuk alur kerja yang menyimpan status (stateful workflows).

9) Apa tujuan dari API Trident?

Trident adalah API tingkat tinggi yang dibangun di atas Storm yang menyediakan:

  • Semantik tepat satu kali
  • Pemrosesan transaksional
  • Manajemen negara
  • Model pemrograman yang disederhanakan

Itu abstracts internal Storm tingkat bawah, membuat alur kerja kompleks lebih mudah ditulis dan dipelihara.

10) Jelaskan Tekanan Balik (Backpressure) pada Badai Apache.

Backpressure mengatur laju pengiriman tuple ke dalam topologi untuk mencegah buffer overflow dan kehabisan sumber daya ketika bolt di hilir tidak mampu mengimbangi. Storm menyesuaikan laju pengiriman secara dinamis untuk mempertahankan throughput yang lancar tanpa kehilangan data atau penurunan kinerja.

11) Bagaimana perbandingan Storm dengan Apache? Spark Mengalir?

Storm memproses data di real time (pemrosesan peristiwa berkelanjutan) dengan latensi rendah, sedangkan Spark Streaming berfungsi di micro-batches (memproses jendela data kecil secara berkala). Storm cocok untuk kebutuhan pemrosesan di bawah satu detik, sementara Spark Streaming unggul dalam analisis batch mikro dengan throughput tinggi.

12) Sebutkan Kasus Penggunaan Umum Apache Storm.

Storm banyak digunakan dalam:

  • Analisis dan dasbor waktu nyata
  • Sistem deteksi penipuan
  • Pemrosesan log dan peristiwa
  • Pemrosesan data sensor IoT
  • Analisis media sosial

Ini cocok untuk skenario yang membutuhkan wawasan langsung tentang input streaming.

13) Apa itu Topology Message Timeout?

Topology_Message_Timeout_secs Menentukan waktu maksimum yang diizinkan bagi sebuah tuple untuk diproses sepenuhnya oleh topologi sebelum dianggap gagal dan diputar ulang. Hal ini membantu menjaga keandalan dalam alur pemrosesan yang panjang atau macet.

14) Bagaimana Apache Storm? Cluster Dipantau?

Badai menyediakan Storm UI untuk visualisasi klaster secara real-time (topologi, worker, throughput) dan terintegrasi dengan alat pemantauan seperti JMX, Prometheus, dan Grafana untuk metrik. tracraja dan memberi peringatan.

15) Apa Peran Penjaga Kebun Binatang dalam Storm?

ZooKeeper mengelola koordinasi dan konfigurasi dalam klaster Storm, menjaga penguncian terdistribusi, pemilihan pemimpin (untuk Nimbus), dan konsistensi status klaster. Hal ini memastikan pengelolaan komponen terdistribusi yang tangguh.

16) Bagaimana Apache Storm mencapai skalabilitas?

Apache Storm melakukan penskalaan horizontal dengan mendistribusikan komputasi ke beberapa node pekerja dan tugas. Setiap topologi dapat dikonfigurasi dengan spesifikasi tertentu. parallelism hint, yang menentukan jumlah eksekutor (thread) dan tugas per komponen. Arsitektur Storm mendukung keduanya. scaling up (menambahkan thread) dan skala keluar (menambahkan node).

Sebagai contoh, jika sebuah bolt memiliki paralelisme 8, Storm akan mendistribusikan tugas-tugasnya di antara 8 executor yang mungkin tersebar di supervisor yang berbeda. Penskalaan dikelola secara dinamis melalui perintah penyeimbangan ulang tanpa berhenti.ping topologi.

17) Apa saja kelebihan dan kekurangan menggunakan Apache Storm?

Kelebihan Kekurangan
Pemrosesan aliran data waktu nyata Konfigurasi dan pemeliharaannya rumit.
Throughput tinggi dan latensi rendah Membutuhkan ZooKeeper untuk koordinasi.
Tahan terhadap kesalahan dan dapat diskalakan Mendebug masalah terdistribusi bisa menjadi tantangan.
Mendukung berbagai bahasa (Java, Python, Dll) Less efisien untuk beban kerja batch atau micro-batch
Integrasi mudah dengan Kafka, Hadoop, HBase Trident menambahkan overhead untuk pemrosesan tepat satu kali.

Ringkasan Jawaban: Storm ideal untuk analitik waktu nyata tetapi tidak dioptimalkan untuk beban kerja batch atau operasi yang sangat bergantung pada status dibandingkan dengan kerangka kerja seperti Flink atau Spark Streaming Terstruktur.

18) Jelaskan siklus hidup tuple di Apache Storm.

Siklus hidup sebuah tuple dimulai pada Spout dan berakhir ketika sudah sepenuhnya diproses dan diakui.

  1. Pembuatan tuple: Sebuah corong membaca dan memancarkan sebuah tuple.
  2. Perutean aliran data: Tuple tersebut melewati baut sesuai grup.ping logika.
  3. Pengolahan: Setiap bolt menjalankan logikanya dan dapat memancarkan tuple baru.
  4. Pengakuan: Setelah semua baut hilir selesai, tuple tersebut dikonfirmasi kembali ke corong.
  5. Penanganan kegagalan: Jika ada baut yang gagal, Storm akan memutar ulang tuple tersebut secara otomatis.

Siklus hidup ini memastikan keandalan melalui fitur bawaannya. ack/fail mechanism.

19) Apa perbedaan antara Corong yang Andal dan Corong yang Tidak Andal?

Aspek Corong yang Andal Corong yang Tidak Andal
Tupel tracraja Tracks tuple melalui ID pesan Tidak track tuple
Coba lagi Pemutaran ulang tuple yang gagal Tidak ada mekanisme percobaan ulang.
Pengakuan Menerima pesan pengakuan/kegagalan Tidak ada pengakuan
Gunakan kasing Transaksi keuangan, deteksi penipuan Pengumpulan dan pemantauan log.

Contoh: KafkaSpout umumnya dapat diandalkan, sedangkan saluran syslog sederhana mungkin tidak dapat diandalkan untuk penyerapan data yang lebih cepat.

20) Bagaimana Anda menangani konsistensi data di Apache Storm?

Konsistensi data di Storm dapat dijaga dengan cara:

  • Menggunakan API Trident untuk semantik pemrosesan tepat satu kali.
  • Operasi idempoten untuk memastikan tuple yang diproses ulang tidak menyebabkan efek duplikasi.
  • Corong/baut transaksional untuk komputasi yang memiliki status.
  • Status titik pemeriksaan dalam sistem eksternal seperti Redis atau Cassandra.

Sebagai contoh, saat memperbarui penghitung, bolt harus menggunakan operasi atomik untuk memastikan kebenaran selama pemutaran ulang tuple.

21) Bagaimana cara Anda melakukan debugging atau memantau masalah performa dalam topologi Storm?

Proses debugging melibatkan berbagai strategi:

  • Antarmuka pengguna Storm: Memvisualisasikan metrik topologi (latensi, jumlah tuple, kesalahan).
  • Catatan pekerja: Periksa log di bawah ini /logs/workers-artifacts/ untuk pengecualian.
  • Aktifkan mode debug: topology.debug=true Mencetak log aliran tuple.
  • Kinerja profil: Gunakan metrik seperti execute-latency ke process-latency.
  • Pemantauan eksternal: Integrasikan dashboard Prometheus atau Grafana.

Pemantauan metrik proaktif dan pembuatan profil pekerja membantu mengidentifikasi hambatan sejak dini.

22) Apa perbedaan utama antara Apache Storm dan Apache Flink?

Parameter Badai Apache Flash Apache
Jenis pengolahan Real-time murni (peristiwa demi peristiwa) Waktu nyata dan batch (terpadu)
Manajemen Negara Eksternal (melalui Trident) Terintegrasi, tahan terhadap kesalahan
Latensi Sub-detik Sub-detik
Kemudahan penggunaan Lebih kompleks Lebih mudah dengan API DataStream
Jaminan Tepat Satu Kali Opsional (melalui Trident) Dukungan asli
Tekanan balik Manual atau dinamis secara otomatis

Ringkasan Jawaban: Meskipun Storm mempelopori pemrosesan waktu nyata, Flink menawarkan model manajemen status yang lebih terintegrasi, sehingga lebih disukai untuk alur kerja yang kompleks dan berbasis peristiwa.

23) Apa perbedaan topologi Storm dengan pekerjaan MapReduce?

Sebuah pekerjaan MapReduce memproses data secara terpisah. betssedangkan topologi Storm memproses aliran data. terus menerus.

  • Kurangi Peta: Input terbatas, dijalankan sekali, cocok untuk analisis offline.
  • Badai: Input tak terbatas, berjalan tanpa henti, ideal untuk analitik waktu nyata.

Pada intinya, Storm bertindak sebagai "pelengkap streaming" untuk kerangka kerja batch Hadoop.

24) Jelaskan konsep Anchoring di Apache Storm.

Anchoring menghubungkan tuple yang dipancarkan ke tuple sumbernya. Ini memungkinkan Storm untuk track silsilah tuple untuk pemulihan kesalahan. Ketika sebuah bolt memancarkan tuple baru, ia dapat menambatkannya ke tuple masukan menggunakan:

collector.emit(inputTuple, newTuple);

Jika ada tuple yang dijangkarkan mengalami kegagalan di hilir, Storm dapat memutar ulang tuple sumber aslinya, sehingga memastikan pemrosesan yang andal.

25) Faktor apa saja yang perlu Anda pertimbangkan saat menyetel performa Apache Storm?

Penyetelan performa melibatkan pengoptimalan keduanya. configuration ke topology design:

  • signifikan paralelisme (pelaksana, pekerja).
  • Menyesuaikan pesan habis waktu (topology.message.timeout.secs).
  • Optimize serialisasi menggunakan Kryo atau serializer kustom.
  • Memperkecil pengacakan jaringan dengan kelompok yang sesuaiping strategi.
  • Aktifkan Tekanan balik untuk mencegah kelebihan muatan.
  • Memantau Penggunaan GC dan heap untuk menghindari hambatan memori.

Keseimbangan antara paralelisme dan kapasitas perangkat keras memastikan throughput optimal dan latensi minimal.

26) Apa itu API Trident, dan bagaimana cara kerjanya dalam memperluas kemampuan Apache Storm?

The API Trident adalah high-level abstraction layer Dibangun di atas Apache Storm yang dirancang untuk menyederhanakan pemrosesan aliran data stateful. Tidak seperti Storm inti, yang bekerja pada tuple individual, Trident beroperasi pada kelompok kecil tuple, Menyediakan semantik pemrosesan tepat satu kali.

Ini memperkenalkan abstrachal-hal seperti Streaming, Batch, dan Negara Operations untuk mempermudah agregasi, penyaringan, dan penggabungan.

Contoh: Trident menyederhanakan penulisan kode untuk menghitung klik pengguna atau mengagregasi metrik per menit tanpa perlu mengelola pengakuan tuple atau logika pemutaran ulang secara manual.

Singkatnya, Trident menjembatani kesenjangan antara fleksibilitas tingkat rendah Storm dan kerangka kerja seperti Spark Kesederhanaan streaming.

27) Bagaimana cara mengintegrasikan Apache Storm dengan Apache Kafka?

Integrasi antara Kafka dan Storm dicapai dengan menggunakan KafkaSpout (konsumen) dan opsional sebuah KafkaBolt (produsen).

Alur data tipikal:

  1. KafkaSpout berlangganan ke topik Kafka dan memancarkan tuple ke dalam topologi Storm.
  2. Bolt memproses dan mengubah data.
  3. KafkaBolt menulis kembali hasilnya ke topik Kafka lain atau sistem eksternal.

Contoh cuplikan konfigurasi:

KafkaSpoutConfig<String, String> spoutConfig = KafkaSpoutConfig.builder("localhost:9092", "input-topic").build();
builder.setSpout("kafka-spout", new KafkaSpout<>(spoutConfig));

Integrasi Kafka-Spout memastikan pengiriman pesan yang toleran terhadap kesalahan dan dapat diskalakan antara sistem seperti Spark, Flink, atau Storm itu sendiri.

28) Apa saja strategi Manajemen Negara bagian dalam Apache Storm?

Storm mendukung berbagai strategi untuk mengelola status di seluruh bolt dan spout:

Tipe Negara Deskripsi Contoh Kasus Penggunaan
Keadaan dalam memori Cepat tapi mudah berubah Pengumpulan sementara
Keadaan persisten Disimpan dalam basis data eksternal (misalnya, Redis, Cassandra) Catatan transaksi, penghitung
Keadaan transaksional Memastikan konsistensi tepat satu kali. Transaksi keuangan
Negara yang terbagi Mendistribusikan status ke seluruh tugas. Saluran pipa dengan skalabilitas tinggi

API Trident menyederhanakan hal ini melalui State ke StateUpdater antarmuka, menjadikan operasi status lebih andal dan modular.

29) Jelaskan perbedaan antara Storm's Local dan Cluster mode.

  • Mode Lokal: Digunakan untuk pengujian atau pengembangan. Menjalankan semua komponen Storm (Nimbus, Supervisor, Zookeeper) dalam satu proses JVM.
  • Cluster Mode: Digunakan untuk produksi. Proses Nimbus dan Supervisor berjalan pada node terpisah dengan koordinasi yang ditangani oleh ZooKeeper.
Aspek Mode Lokal Cluster mode
Pengaturan Mesin tunggal Beberapa node
Tujuan Debugging, pengujian unit Penerapan produksi
Kecepatan Lebih lambat untuk beban kerja berat Dioptimalkan untuk kinerja
Toleransi kesalahan Minimal High

Anda dapat mengirimkan topologi ke klaster menggunakan:

storm jar mytopology.jar com.example.MyTopology

30) Apa saja berbagai jenis sumber data (Spouts) di Storm?

Corong dapat dikategorikan sebagai:

  1. Corong yang Andal: Gunakan ID pesan untuk tracucapan terima kasih tuple k.
  2. Saluran Air yang Tidak Andal: Memancarkan tuple tanpa tracRaja (lebih cepat tetapi kurang dapat diandalkan).
  3. Saluran Transaksional: Mengeluarkan data dalam batch transaksional (digunakan dengan Trident).

contoh:

  • KafkaSpout (andal)
  • RabbitMQSpout (andal)
  • RandomSpout atau FileSpout (tidak dapat diandalkan)

Setiap jenis corong cocok untuk kompromi yang berbeda antara kapasitas aliran dan keandalan.

🔍 Pertanyaan Wawancara Apache Storm Teratas dengan Skenario Dunia Nyata & Tanggapan Strategis

1) Apa itu Apache Storm, dan di mana biasanya digunakan?

Diharapkan dari kandidat: Pewawancara ingin menilai pemahaman dasar Anda tentang Apache Storm dan aplikasi dunia nyatanya, terutama dalam lingkungan pemrosesan data waktu nyata.

Contoh jawaban: “Apache Storm adalah kerangka kerja terdistribusi dan toleran terhadap kesalahan yang dirancang untuk pemrosesan aliran data waktu nyata. Kerangka kerja ini umumnya digunakan untuk skenario seperti analitik waktu nyata, pemrosesan log, sistem berbasis peristiwa, dan komputasi berkelanjutan di mana latensi rendah dan throughput tinggi diperlukan.”

2) Bisakah Anda menjelaskan komponen inti dari topologi Apache Storm?

Diharapkan dari kandidat: Pewawancara sedang menguji pengetahuan Anda tentang arsitektur Storm dan apakah Anda memahami bagaimana data mengalir melalui sistem.

Contoh jawaban: “Topologi Storm terdiri dari spout dan bolt yang terhubung dalam grafik asiklik terarah. Spout bertindak sebagai sumber aliran data, sementara bolt memproses, mengubah, atau mengagregasi data. Topologi ini mendefinisikan bagaimana data mengalir dan dieksekusi secara terus menerus hingga dihentikan.”

3) Bagaimana Apache Storm memastikan toleransi kesalahan?

Diharapkan dari kandidat: Pewawancara ingin memahami pemahaman Anda tentang mekanisme keandalan dalam sistem terdistribusi.

Contoh jawaban: “Apache Storm memastikan toleransi kesalahan melalui mekanisme penambatan dan pengakuan tuple. Jika sebuah tuple gagal diproses sepenuhnya dalam batas waktu yang ditentukan, tuple tersebut akan diputar ulang. Supervisor dan Nimbus juga memantau kegagalan pekerja dan memulai ulang tugas secara otomatis bila diperlukan.”

4) Jelaskan situasi di mana Anda mengoptimalkan kinerja topologi Storm.

Diharapkan dari kandidat: Pewawancara mencari pengalaman praktis dan kemampuan Anda untuk meningkatkan efisiensi sistem.

Contoh jawaban: “Dalam peran saya sebelumnya, saya mengoptimalkan topologi Storm dengan menyetel petunjuk paralelisme dan menyesuaikan jumlah pekerja berdasarkan metrik throughput. Saya juga mengurangi serialisasi data yang tidak perlu antar bolt, yang secara signifikan menurunkan latensi pemrosesan.”

5) Bagaimana cara Anda menangani tekanan balik (backpressure) di Apache Storm?

Diharapkan dari kandidat: Pewawancara ingin mengetahui apakah Anda memahami kontrol aliran dalam sistem streaming.

Contoh jawaban: “Pada posisi sebelumnya, saya menangani backpressure dengan mengaktifkan mekanisme backpressure bawaan Storm dan mengkonfigurasi ukuran buffer dengan cermat. Saya juga memantau bolt yang lambat diproses dan menskalakannya secara horizontal untuk mencegah kemacetan di hulu.”

6) Tantangan apa saja yang Anda hadapi saat melakukan debugging aplikasi Storm?

Diharapkan dari kandidat: Pewawancara sedang mengevaluasi kemampuan pemecahan masalah dan ketekunan Anda dalam lingkungan terdistribusi yang kompleks.

Contoh jawaban: “Mendebug aplikasi Storm bisa menjadi tantangan karena eksekusi terdistribusi. Di pekerjaan saya sebelumnya, saya sangat bergantung pada UI Storm, pencatatan log yang detail, dan pengumpulan metrik untuk trac"Mengidentifikasi kegagalan ganda dan hambatan di antara pekerja dan pelaksana."

7) Bagaimana perbandingan Apache Storm dengan kerangka kerja pemrosesan aliran data lainnya?

Diharapkan dari kandidat: Pewawancara ingin melihat pemahaman Anda yang lebih luas tentang industri dan kemampuan Anda untuk mengevaluasi berbagai pertimbangan.

Contoh jawaban: “Apache Storm unggul dalam pemrosesan peristiwa demi peristiwa dengan latensi rendah, sedangkan kerangka kerja lain mungkin lebih fokus pada pemrosesan batch mikro atau pemrosesan batch dan stream terpadu. Storm sering dipilih ketika pemrosesan waktu nyata yang ketat dan model pemrosesan yang sederhana diperlukan.”

8) Jelaskan bagaimana Anda akan mendesain topologi Storm untuk deteksi penipuan secara real-time.

Diharapkan dari kandidat: Pewawancara sedang menguji kemampuan Anda untuk menerapkan konsep Storm pada skenario dunia nyata.

Contoh jawaban: “Saya akan merancang spout untuk menyerap peristiwa transaksi secara real-time dan bolt untuk melakukan validasi, pengayaan, dan analisis berbasis aturan. Bolt yang memiliki status (stateful) akan track pola mencurigakan, dan peringatan akan segera dikeluarkan ketika ambang batas terlampaui.”

9) Bagaimana Anda mengelola konfigurasi dan penyebaran di Apache Storm?

Diharapkan dari kandidat: Pewawancara ingin mendapatkan wawasan tentang pengalaman operasional dan implementasi Anda.

Contoh jawaban: “Dalam peran saya sebelumnya, saya mengelola konfigurasi menggunakan file YAML eksternal dan parameter khusus lingkungan. Penyebaran diotomatiskan melalui skrip, dan topologi diberi versi untuk memastikan rilis yang konsisten dan dapat diulang di berbagai lingkungan.”

10) Bagaimana Anda memprioritaskan keandalan versus kinerja dalam sistem berbasis Storm?

Diharapkan dari kandidat: Pewawancara sedang menilai kemampuan pengambilan keputusan Anda dalam menyeimbangkan berbagai persyaratan sistem yang saling bertentangan.

Contoh jawaban: “Saya memprioritaskan keandalan terlebih dahulu untuk sistem kritis dengan mengaktifkan konfirmasi dan percobaan ulang, meskipun hal itu menambah sedikit latensi. Setelah keandalan terjamin, saya secara bertahap mengoptimalkan kinerja melalui penyetelan paralelisme dan alokasi sumber daya berdasarkan metrik yang diamati.”

Ringkaslah postingan ini dengan: