Accueil › Certifications › PCA › Questions gratuites

Questions gratuites PCA — Prometheus Certified Associate

Téléchargez gratuitement 36 questions d'entraînement pour la certification PCA proposée par CNCF. Toutes les questions sont accompagnées de corrections détaillées avec explications techniques.

Caractéristiques de l'examen blanc

Code de certificationPCA
ÉditeurCNCF
Nombre de questions36
TypeQCM avec 4 réponses possibles
Niveauassociate
CatégorieIT
Prix100% gratuit

Aperçu de 8 questions représentatives

Voici un échantillon aléatoire de 8 questions tirées de notre base d'entraînement PCA. Pour accéder aux 36 questions complètes, lancez l'examen blanc gratuitement.

Question 1
Un DevOps doit déboguer une rule d'alerte complexe avec des jointures multi-séries. L'alerte ne se déclenche jamais. Comment diagnostiquer?
  1. Tester la PromQL directement dans l'UI Prometheus, vérifier les card de labels et utiliser les outils Graph/Table.
  2. Augmenter l'evaluation_interval à 1m pour laisser plus de temps au matching de labels.
  3. Relancer Prometheus entièrement pour recalculer toutes les jointures des règles.
  4. Créer des recording rules intermédiaires pour simplifier la PromQL manuelle.
Question 2
Une startup doit monitorer une application Kubernetes avec 10 microservices utilisant des ports différents. La détection de service doit être automatique lors de scale-up. Quelle config recommandez-vous?
  1. Service discovery Kubernetes avec relabeling: utiliser role: pod et filtrer via __meta_kubernetes_pod_container_port_name.
  2. Écrire manuellement les 10 services dans prometheus.yml avec des static_configs et mise à jour manuelle à chaque déploiement.
  3. Configurer Prometheus avec la source de données Docker socket pour auto-découvrir les ports.
  4. Déployer une instance Prometheus par pod et les fédérer centralement via federation.
Question 3
Une entreprise observe une augmentation anormale de la mémoire de Prometheus tous les 24h. Les logs montrent des garbage collections fréquentes. Quelle cause est la plus probable et comment l'investiguer?
  1. Un job de scraping accumule les samples en mémoire; vérifier --storage.tsdb.memory-chunks et réduire la rétention des chunks actifs.
  2. Les alertes sont mal configurées et rechargent le fichier de règles toutes les heures sans libérer la mémoire.
  3. Les clients Prometheus utilisent une version incompatible du format de scraping qui double les samples.
  4. La métrique up se duplique automatiquement dans TSDB causant une croissance exponentielle.
Question 4
Une fintech doit créer des alertes lorsqu'un indicateur reste au-dessus d'un seuil pendant au moins 10 minutes. La PromQL doit être robuste aux transitions rapides. Quelle approche?
  1. Utiliser for: 10m dans la rule d'alerte et appliquer une PromQL avec over_time pour ignorer les pics courts.
  2. Créer deux alertes consécutives déclenchées à 5m puis 10m sans corrélation dans AlertManager.
  3. Configurer le scrape_interval à 1m pour augmenter la granularité et passer de 10 datapoints seulement.
  4. Implémenter une fonction custom dans le code d'AlertManager pour valider la durée manuellement.
Question 5
Un team DevOps doit implémenter le multi-tenancy dans Prometheus sans altérer les performances. Les tenants doivent être isolés complètement. Comment proceéder?
  1. Utiliser des instances Prometheus séparées avec remote storage consolidé et isolation via labels obligatoires.
  2. Configurer un seul Prometheus avec un __tenant__ label global appliqué à tous les scrapes.
  3. Créer des exporters personnalisés qui filent les métriques par tenant avant exposition à Prometheus.
  4. Utiliser AlertManager avec des routes différentes selon le tenant pour isoler les alertes.
Question 6
Comment l'algorithme de compaction TSDB de Prometheus optimise-t-il le stockage sans perte de précision?
  1. La compaction fusionne les blocs mineurs en blocs majeurs et réencode les chunks avec meilleure compression lorsque c'est possible.
  2. La compaction réduit la résolution des datapoints en moyenne mobile pour réduire l'espace.
  3. La compaction supprime les datapoints en dehors de la rétention et régénère les index périodiquement.
  4. La compaction utilise un algorithme de delta-time encoding qui perd la précision à long terme.
Question 7
Un administrateur constate que certains recording rules ne produisent aucune donnée même après 5 minutes. Le eval_offset est défini à 0. Comment diagnostiquer?
  1. Vérifier que la métrique source existe dans le scrape_interval actuel et que la PromQL n'a pas de erreurs silencieuses via l'onglet Alerts.
  2. Augmenter global.evaluation_interval à 1m car c'est le délai minimal requis pour générer des recording rules.
  3. Recharger Prometheus en entier pour appliquer les modifications de recording rules instantanément.
  4. Supprimer le eval_offset car sa présence empêche l'évaluation parallèle des recording rules.
Question 8
Une équipe doit implémenter un test de charge Prometheus : scraper 10000 cibles fictives et valider la stabilité. Quel outil utiliser?
  1. Utiliser prometheus-generator ou openmetrics-test-generator pour créer des exporters mock; configurer file_sd_config avec rotation.
  2. Écrire des scripts Go qui lancent des goroutines par cible et exposent les métriques directement.
  3. Utiliser un load generator HTTP générique (Apache Bench, wrk) pour bombarder le scrape endpoint.
  4. Cloner l'infrastructure prod entière en test avec 10000 cibles réelles fictives.

Accédez aux 36 questions complètes gratuitement

Aucune carte bancaire requise. Examen chronométré, corrections détaillées, score final.

Lancer l'examen blanc PCA →

Pourquoi s'entraîner avec Certifexpress ?