Simulado B: Segundo Conjunto, Armadilhas e Dia do Exame

Quinze lições te deram o conteúdo e o Conjunto A te deu uma primeira realização. Uma segunda realização mede algo diferente: não se você conhece o AWS Glue, mas se você consegue manter job bookmarks do Glue separados de watermarks de streaming, ou distribuição do Redshift separada de ordenação, enquanto o relógio corre. Quase ninguém reprova no DEA-C01 porque nunca ouviu falar do Amazon Macie: reprovam porque o enunciado perguntou quem chamou DeleteTable e responderam com uma descoberta, ou porque o enunciado dizia LEAST operational overhead e eles pagaram por um ambiente gerenciado do Airflow para rodar quatro etapas de Lambda. Em uma escala compensatória de 100 to 1.000 com 720 para aprovar, discriminação é o que separa uma aprovação confortável de um 705.

Ao final desta lição você será capaz de:

• declare a moldura correta de uma linha para cada um dos vinte pares de armadilhas com maior chance de te custar marcas;
• reconheça uma alternativa meio-verdadeira, o distrator que troca exatamente um atributo de um par, e a mate em uma cláusula;
• lide com enunciados de múltipla resposta com um procedimento tudo-ou-nada que nunca supõe crédito parcial;
• execute a aritmética que o exame realmente pede: custo de DPU-hora, custo de classe de armazenamento, faturamento por bytes escaneados e pesos para itens;
• recite a logística oficial do dia do exame: documentos, chegada, check-in, controles durante o exame, horário do resultado;
• corrija o Conjunto B por bloco de domínio contra limiares explícitos de pronto versus não pronto, e defenda o veredito comparativo sobre agendar agora versus sete dias a mais;
• execute um plano de 7 dias dirigido pela queda, que revisa por fraqueza de domínio em vez de por ordem de capítulo.

---

1. Estratégia: pares de armadilhas e como o exame os arma

1.1 O que é um par, e como um distrator realmente parece

A própria AWS descreve seus distratores como "respostas geralmente plausíveis que correspondem à área de conteúdo" (guia de exame DEA-C01). A consequência prática é que a maioria das alternativas que você enfrenta vem da mesma decisão da chave, o que significa que a maioria das perdas neste exame não são falhas de conhecimento, são falhas de par: você sabia um membro do par mas não conseguiu declarar a linha entre eles sob pressão de tempo. A habilidade de destaque do guia é "comparar serviços da AWS para entender as diferenças de custo, desempenho e funcionalidade", comparação é o exame.

Um par vira um item por exatamente três movimentos:

1. Troque um atributo por alternativa: nível de registro versus bufferizado, exactly-once versus at-least-once, grant versus cota, descoberta versus aplicação, dist versus sort.
2. Troque o pedido, o enunciado quer bytes escaneados, a alternativa oferece horas de cluster; o enunciado quer quem agiu, a alternativa oferece o que o conteúdo continha.
3. Troque a posição no ciclo de vida, o serviço certo, o estágio errado da pipeline: uma resposta de crawler para uma questão de orquestração, uma resposta de catálogo para uma questão de remediação.

Exemplo trabalhado 1: uma alternativa meio-verdadeira, dissecada antes de você ler o enunciado. Pegue o par Amazon Macie vs AWS Config e construa as quatro alternativas do jeito que o exame faz:

Só D sobrevive, e sobrevive porque você avaliou ambas as metades em vez de reconhecer uma palavra familiar. As alternativas A e B contêm cada uma uma frase que você leu na documentação: esse é o projeto. Um distrator não precisa ser falso; ele precisa ser falso no lugar sobre o qual o enunciado pergunta.

1.2 As três questões para qualquer item de par

Candidatos lentos leem alternativas; candidatos rápidos interrogam o par primeiro. Faça estas três, nesta ordem, antes de olhar uma única alternativa:

1. O que cada membro do par realmente faz? Uma cláusula cada, de memória. Se você não consegue dizer o que uma view materializada faz em uma cláusula, as alternativas vão responder por você: mal.
2. Qual qualificador do enunciado seleciona entre eles? replay, MENOR overhead, bytes escaneados, conteúdo, DISTKEY, obsoleto, full-load-and-cdc. O substantivo no enunciado costuma ser o decoy; o qualificador é a chave.
3. A alternativa sobrevivente satisfaz ambas as metades? Para um enunciado (Selecione DUAS) isso é literal, e o próprio material de prontidão do DEA da AWS enuncia a regra como "sem pontos negativos nem crédito parcial", então uma cláusula falsa zera a alternativa.

• 📚 Você sabia? O próprio Official Practice Question Set: AWS Certified Data Engineer: Associate da AWS tem exatamente 20 questões: a mesma contagem do Conjunto A e do Conjunto B aqui: é gratuito e fica no passo 1 do plano de preparação de quatro passos da AWS (guia de exame → conjunto de questões de prática → cursos do Skill Builder → exame de prática oficial), tudo em outubro de 2026. É a régua oficial mais próxima para o ritmo que você está treinando nesta lição.

---

2. Estratégia: os formatos de item, o blueprint e o relógio

O DEA-C01 publica exatamente dois tipos de questão: múltipla escolha (uma resposta correta mais três ou mais distratores) e múltipla resposta (duas ou mais respostas corretas de cinco ou mais alternativas). Não há ordenação, nem associação, nem item de estudo de caso neste exame em outubro de 2026, então não orce por eles. O que o Conjunto B acrescenta ao Conjunto A é prática nos três formatos que mais marcas custam: múltipla resposta, cálculo e seleção por padrão.

2.1 Múltipla resposta sem crédito parcial

O procedimento que sobrevive ao contato com cinco ou seis alternativas:

1. Marque cada alternativa como definitivamente sim / definitivamente não / talvez: em uma passada, sem escolher.
2. Resolva cada talvez relendo o qualificador, não a alternativa.
3. Envie somente quando não restar nenhum talvez. Duas respostas óbvias mais uma quinta correta ignorada é o zero clássico.

2.2 Os formatos de cálculo e de seleção

Três famílias aparecem repetidamente, e cada uma tem um procedimento mecânico.

Exemplo trabalhado 2: custo de DPU-hora do Glue (us-east-1, em outubro de 2026). Um job roda 4 × G.2X workers = 8 DPU por 30 minutos, duas vezes por dia, em um mês de 31 dias, a 0,44 USD por DPU-hora:

$$\text{por execução} = 8 \times 0.5 \times 0.44 = \$1.76 \qquad \text{execuções} = 2 \times 31 = 62 \qquad 62 \times 1.76 = \mathbf{\$109.12}$$

Os distratores são os erros de aritmética: uma execução por dia (54,56 USD), quatro execuções por dia (218,24 USD) e agendamento horário (uma resposta de quatro dígitos). Converta workers → DPU → horas → taxa, nessa ordem (item 4 do Conjunto B).

Exemplo trabalhado 3, custo de classe de armazenamento (us-east-1, em outubro de 2026). 100 TB = 102.400 GB de dados de arquivo. A Standard, a 0,023 USD/GB-mês, custa 2.355,20 USD por mês; a Standard-IA, a 0,0125, custa 1.280,00 USD; a Glacier Instant, a 0,004, custa 409,60 USD; a Glacier Deep Archive, a 0,00099, custa cerca de 101,38 USD. O número mais barato não é a resposta a menos que também atenda ao prazo de recuperação, a recuperação do Deep Archive é medida em horas, não em minutos (item 8).

Exemplo trabalhado 4, o Athena cobra bytes escaneados, não tempo. Uma tabela CSV de 3 TB sem compressão com três colunas iguais, em que os dashboards fazem SELECT de uma coluna: toda consulta varre 3 TB, então 3 \times \5 = \mathbf{$15}$. Converta para Snappy Parquet (3:1) e leia uma de três colunas → 0,33 TB →$\mathbf{$1.65}$. Mesma SQL, mesmo resultado, uma fração da conta, porque o medidor de custo é bytes escaneados (5,00 USD por TB, mínimo de 10 MB por consulta), não horas de cluster.

Exemplo trabalhado 5: seleção por padrão. Traduza os substantivos do enunciado para um modelo de dados antes de ler nomes de serviço:

Duas dessas linhas se tornam os itens 8 e 11 do Conjunto B. O padrão nunca muda: substantivo → modelo de serviço → serviço, e só então as alternativas.

2.3 O blueprint do Conjunto B, seu relógio e seus pesos

Apenas porcentagens de domínio são publicadas; as contagens de itens abaixo são aritmética sobre 50 itens pontuados: um auxílio de planejamento, nunca uma cifra da AWS.

Exemplo trabalhado 6, pesos para itens, duas vezes. No exame ao vivo: $50 \times 0.34 = 17$, $50 \times 0.26 = 13$, $50 \times 0.22 = 11$, $50 \times 0.18 = 9$, e $17 + 13 + 11 + 9 = 50$. No Conjunto B: $20 \times 0.34 = 6.8$, $20 \times 0.26 = 5.2$, $20 \times 0.22 = 4.4$, $20 \times 0.18 = 3.6$, que arredondam para 7 / 5 / 4 / 4, e $7 + 5 + 4 + 4 = 20$. Os Domínios 1 e 2 juntos são 60 % do conteúdo pontuado, é por isso que eles seguram 12 destes 20 itens.

Exemplo trabalhado 7, o relógio do próprio Conjunto B. O exame ao vivo dá exatamente $130 \div 65 = \mathbf{2.00}$ minutos por item; com a acomodação ESL de +30 isso vira $160 \div 65 = 2.46$ minutos. O Conjunto B usa um orçamento de primeira passada de 90 segundos: $20 \times 90 = 1{,}800\ \text{s} = \mathbf{30}$ minutos. Faça o Conjunto B em 30 minutos cheios; se terminar com tempo sobrando, gaste-o nos itens marcados, não relendo os que você tem certeza.

• 📚 Você sabia? O ritmo publicado pela própria AWS para uma certificação Associate é de 3 to 5 semanas de preparação em sessões de 45 to 90 minutos no seu horário de pico, e a AWS diz explicitamente que você precisa de "uma nota de aprovação, não de uma nota perfeita". O plano de 7 dias da seção 8 é, portanto, um plano comprimido: ele assume que as lições 01 to 14 e o Conjunto A já estão atrás de você, e gasta a semana com discriminação e logística em vez de conteúdo novo.

---

3. Exercícios com estudos de caso do mundo real

Duas histórias de clientes publicadas pela AWS, convertidas nos dois únicos movimentos que este exame faz com uma história: mapeá-la para um domínio, depois prever o enunciado. Toda cifra abaixo é um resultado de cliente que a AWS escolheu publicar: nunca uma promessa da AWS e nunca um número sem a sua data (páginas de estudo de caso não carregam data de publicação, então o único carimbo disponível é a data de acesso; todas as cifras abaixo com acesso em outubro de 2026).

Exercício de caso 1, Integral Ad Science: centenas de regras de permissão viraram duas

O cenário. Uma empresa de ad-tech roda um data lake de autoserviço entre contas de produtor e consumidor sob GDPR e CCPA, em que o acesso precisa seguir a classificação e o papel do trabalho. O relato publicado da AWS: a equipe usou AWS Lake Formation com controle de acesso baseado em tags sobre o AWS Glue Data Catalog, com Amazon Athena e Amazon EMR como mecanismos; dados no S3 só são alcançáveis por meio de um papel de acesso a dados do Lake Formation; tags em nível de banco de dados são herdadas por tabelas e colunas; e workgroups do Athena por unidade de negócio servem também como tags de faturamento e limites de consulta. A AWS relata que a superfície de permissões colapsou de centenas de regras de permissão para exatamente 2.

Qual domínio? D4 Segurança e Governança de Dados (18 %): a história é um argumento sobre autorização baseada em papel, tag e atributo (habilidade 4.2.5) aplicada por meio do Lake Formation (habilidade 4.2.4). Os ganchos em D3 (workgroups do Athena, limites de consulta) são secundários: nunca responda a um enunciado de governança com um controle de custo.

O que o exame perguntaria?

Armadilha a pré-carregar: "a AWS garante 99 % de redução nas regras de permissão" erra duas vezes: converte o resultado de cliente em promessa, e a AWS nunca publica tal garantia. Reescreva toda porcentagem de caso como "a AWS relata que a Integral Ad Science alcançou …".

Exercício de caso 2, Hearst: 30 TB por dia através de um stream e uma pipeline de entrega

O cenário. Um grupo de mídia com mais de 250 sites, mais de 300 revistas e 31 emissoras de TV precisa de clickstream em escala. O relato publicado da AWS: Amazon Kinesis Data Streams mais Kinesis Data Firehose (renomeado Amazon Data Firehose em 2024-02-09) alimentando Spark streaming, ingerindo 30 TB por dia.

Qual domínio? D1 Ingestão e Transformação de Dados (34 %): a história é uma distinção entre stream e entrega, que é o par de armadilhas 1 da seção 5.

O que o exame perguntaria?

Armadilha a pré-carregar: nunca "corrija" uma alternativa que diz Amazon Kinesis Data Firehose. O produto virou Amazon Data Firehose em 2024-02-09, mas a AWS afirma que nenhum endpoint de serviço, API, comando de CLI, política de IAM ou métrica do CloudWatch mudou: as ações de IAM continuam firehose:*, e a lista em escopo do DEA-C01 ainda lista "Amazon Kinesis Data Firehose".

• 📚 Você sabia? A página What is a data lake? da AWS nomeia Netflix, Zillow, Nasdaq, Yelp, iRobot e FINRA como clientes de referência para a definição de data lake em nível de exame: ingerir como está, armazenar e catalogar com segurança, e rodar análises sem mover os dados para um sistema separado. As cifras de estudo de caso neste exame quase sempre são descomponíveis ou datáveis: quando uma alternativa reafirma um resultado de cliente como uma garantia da AWS, ela está errada mesmo que cada número individual pareça familiar.

---

Exercícios com estudos de caso do mundo real

Duas histórias de clientes adicionais publicadas pela AWS, rodadas pelos mesmos dois movimentos da seção 3, mapear para um domínio, depois prever o enunciado, mas em velocidade de 90 segundos, porque o Dia 5 do plano de 7 dias pede que você faça exatamente isso de memória. Mesma regra de antes: toda cifra abaixo é um resultado de cliente que a AWS escolheu publicar (páginas de estudo de caso não carregam data de publicação, então o carimbo disponível é a data de acesso; todas as cifras com acesso em outubro de 2026), nunca uma promessa da AWS.

Exercício de caso 3, Nasdaq: 70 bilhões de registros por dia, e um arquivo que não pode ser reescrito

O cenário. Uma bolsa precisa aterrissar ordens, cotações e negócios durante a noite, antes da abertura do mercado, mantendo registros regulatórios inalteráveis por anos. O relato publicado da AWS: desde 2014 a Nasdaq roda um data lake no Amazon S3 como camada de armazenamento, Amazon Redshift (com Redshift Spectrum) como camada de consulta, Amazon S3 Glacier para arquivo e S3 Object Lock para o requisito de escrita única. A AWS relata que o lake absorveu um salto de 30 bilhões para 70 bilhões de registros por dia (pico de 113 bilhões, fev. 2020), que 90 % da carga terminou cinco horas antes, que as consultas rodaram 32 % mais rápido, e que uma fatia de 15 TB é consultada no lugar sem ser copiada antes.

Qual domínio? D2 Gerenciamento de Lojas de Dados (26 %): a história é um argumento a favor de armazenamento e computação desacoplados (caminho de escrita no S3, caminho de leitura no Redshift), que é o formato lake-house que o guia testa na seleção de lojas. Os ganchos são D1 (a janela noturna é um prazo de ingestão) e D4 (Object Lock é o controle de imutabilidade que o item 20 do Conjunto B já treinou).

O que o exame perguntaria?

Armadilha a pré-carregar: toda porcentagem de caso é específica da carga de trabalho e da linha de base (digest 16 F1). "Consultas rodam 32 % mais rápido no Redshift" é a medição da Nasdaq na carga de trabalho da Nasdaq: uma alternativa que a oferece como garantia de desempenho da AWS está errada mesmo que o número esteja impresso em uma página da AWS.

Exercício de caso 4, Oportun: Macie encontra a PII, você responde

O cenário. Uma financeira precisa localizar e priorizar dados pessoais mantidos no S3 para obrigações do FTC Safeguards e de privacidade, com uma pequena equipe de conformidade e baixa tolerância a falsos positivos. O relato publicado da AWS: Amazon Macie automatizou a descoberta de dados sensíveis nos buckets da conta usando identificadores de dados gerenciados e personalizados, um inventário de bucket e um score de sensibilidade da conta; a AWS relata +95 % de acuracidade de descoberta e −80 % de tempo para descobrir dados sensíveis (o cartão de caso do Macie e a sessão SEC215 do re:Invent 2022).

Qual domínio? D4 Segurança e Governança de Dados (18 %), descoberta e classificação de conteúdo sensível (habilidades 4.5.1 / 4.5.2). A metade de resposta da mesma história é D3: descobertas → EventBridge → Lambda, que é precisamente o item 15 do Conjunto B, descoberta e remediação são habilidades separadas neste blueprint.

O que o exame perguntaria?

Armadilha a pré-carregar: o +95 % é acuracidade de descoberta no S3 alcançada por um único cliente, não cobertura geral de prevenção de perda de dados, o digest 16 F8 avisa explicitamente contra lê-lo como um número de DLP entre serviços, e o Macie não escaneia nativamente o Amazon RDS nem o Amazon Redshift.

• 📚 Você sabia? A AWS relata que a PayU consolidou cerca de 40 bancos de dados de produção em S3 mais Redshift, cortou a latência de consulta de 10 to 15 minutos para menos de um minuto, economizou 20.000 USD por mês e derrubou o volume de consultas de 150.000 para 35.000 por mês (−77 %), e esses são duas alavancas diferentes: a consolidação da plataforma entregou a economia, a racionalização das consultas entregou a queda de volume. Neste exame, um enunciado que pede custo e um enunciado que pede demanda nunca são respondidos com o mesmo número, mesmo quando vêm da mesma história de cliente.

---

4. Perguntas de Prática (Practice Questions), Conjunto B: 20 itens na ordem de peso publicada

O Conjunto B espelha o formato dominante do exame ao vivo: uma resposta correta, três distratores: enquanto treina seis enunciados no estilo múltipla resposta. Os itens correm na ordem de peso dos domínios: D1 sete, D2 cinco, D3 quatro, D4 quatro, que é a divisão publicada de 34 / 26 / 22 / 18 arredondada sobre vinte itens. Todos os vinte são adaptados de itens do banco de questões Q21: Q40.

4.0 Como fazer o Conjunto B

4.1 Domínio 1: Ingestão e Transformação de Dados (34 %) · itens 1 to 7

Análise: Q1 · a concorrência é a causa, não os workers. Por que está correta: a AWS documenta que os bookmarks do Glue não suportam execuções de job concorrentes e que os commits falham, então a única mudança que remove a causa é uma execução por vez. Por que as armadilhas perdem: A aumenta o vazão, o que não faz nada para uma garantia de estado e torna a sobreposição mais provável; C mascara o sintoma e redefine o estado incremental, então a próxima execução reprocessa tudo, o oposto do comportamento desejado; D (FLEX) é uma otimização de custo para jobs não urgentes e não tem efeito no estado do bookmark. Armadilha: o erro diz bookmark, então os candidatos correm para um comando de bookmark; o enunciado diz concorrentemente, então a resposta é uma configuração de concorrência. Fonte: banco Q25 · Glue glue-troubleshooting-errors.html (digest 15 C9) · habilidade 1.2.7.

Análise, Q2 · duas métricas, ambas sobre a fonte. Por que está correta: se o bookmark controla a fonte, nada é lido, então recordsRead e bytesRead caem para zero, e essas são as duas métricas agregadas do Glue que mostrariam isso. Por que as armadilhas perdem: B descreve um alarme de memória esgotada (glue.ALL.jvm.heap.usage acima de 0,9) mais erros de tarefa, mas um pulo não gera erro, que é exatamente por que o job "tem sucesso"; C combina uma métrica verdadeira com uma métrica de alocação de executor, que mede o backlog de DPU (trabalho esperando), não o pulo da fonte; D é memória mais demanda de executor, nada relacionado com uma fonte pulada. Armadilha: em um enunciado de MR toda afirmação é uma questão separada, uma cláusula falsa zera a alternativa, e não há crédito parcial para coletar. Forma no exame ao vivo: duas caixas de seleção, tudo-ou-nada. Fonte: banco Q26 · Glue job-monitoring.html e monitor-continuations.html · habilidade 1.2.7.

Análise, Q3 · três requisitos, três serviços, uma pipeline. Por que está correta: o enunciado exige sem código, resultados em nível de linha e um alerta de cinco minutos, rulesets do DataBrew fornecem os dois primeiros, e EventBridge → SNS fornece o terceiro, o que mapeia para as habilidades 1.1.6 (gatilhos de eventos), 1.2.5 (serviço de transformação por requisito) e 1.3.4 (serviços de notificação); as próprias definições de regra são a habilidade 3.4.2. Por que as armadilhas perdem: B descobre mudança de schema, ele não avalia regras de qualidade de dados, família de serviço certa, job errado; C é DDL em uma tabela que um prefixo de CSV bruto nem sequer tem; D atualiza estatísticas do otimizador e não valida nada. Armadilha: o crawler responde questões de catálogo e descoberta, nunca de qualidade de dados, este é o clássico distrator de posição errada no ciclo de vida. Fonte: banco Q27 · documentação de perfil baseado em regras do DataBrew · habilidades 1.1.6 / 1.2.5 / 1.3.4 / 3.4.2 do guia de exame.

Análise, Q4 · workers → DPU → horas → taxa. Por que está correta: 8 \times 0.5\ \text{h} \times \0.44 = $1.76$por execução,$2 \times 31 = 62$execuções,$62 \times 1.76 = \mathbf{$109.12}$(exemplo trabalhado 2). **Por que as armadilhas perdem:** **B** corta o cronograma pela metade para uma execução por dia ($31 \times 1.76 = 54.56$); C dobra para quatro execuções por dia; D modela o job rodando a cada hora do mês. Armadilha: o item é 90 % aritmética e 10 % conhecimento de serviço, converta workers → DPU → horas → taxa nessa ordem fixa, e só então multiplique pelo cronograma. Lembre a definição de DPU: 1 DPU = 4 vCPU + 16 GB, e um worker G.2X é 4 DPU. Fonte: banco Q28 · aws.amazon.com/glue/pricing/ (0,44 USD/DPU-hora, us-east-1, em outubro de 2026; digest 15 C8) · habilidade 1.2.4.

Análise, Q5 · reset não é retrocesso. Por que está correta: a referência da CLI define reset-job-bookmark como limpar o estado do bookmark, então a próxima execução relê a fonte desde o início. Por que as armadilhas perdem: A descreve o recurso de rewind do console, uma operação separada que recebe um ponto no tempo; C seria delete-job; D descreve o parâmetro de job bookmark-PAUSE, um modo em vez desta chamada de API. Armadilha: as quatro alternativas são verbos que você já viu no console do Glue, o discriminador é que estado existe depois: limpo (tudo reprocessado), retrocedido para uma janela escolhida, ou pausado. Fonte: banco Q29 · CLI glue reset-job-bookmark.html, Glue monitor-continuations.html · habilidade 1.2.7.

Análise: Q6 · dois requisitos, um tipo. Por que está correta: popular com as linhas existentes mais manter continuamente em sincronia precisa das duas fases, e full-load-and-cdc é o único tipo de DMS que faz as duas em uma única tarefa. Por que as armadilhas perdem: A carrega um snapshot de um ponto no tempo e para, o destino diverge imediatamente enquanto a origem segue aceitando gravações; C assume que o destino já foi pré-carregado (cdc-only só é correto quando as tabelas já foram carregadas); D move arquivos por um protocolo de rede, não alterações de banco de dados, e o Aurora não é um destino de arquivos. Armadilha: a janela de corte de seis horas é um prazo, não um tipo de tarefa: não deixe uma duração escolher a sua alternativa. Duas regras a mais acompanham este item: o CDC do DMS não oferece replicação em tempo real, e apenas uma tarefa em um par bidirecional pode ser full-load-and-cdc. Fonte: banco Q32 · DMS CHAP_Task.CDC.html, CHAP_Tasks.html (digest 15 C18) · habilidade 1.1.1.

Análise: Q7 · leia o trecho pela invariante, não pela palavra-chave. Por que está correta: a cláusula ON é order_id e a falha é correspondência duplicada: significando que o lado da origem do join não é único, então a correção precisa torná-lo único. Por que as armadilhas perdem: A inventa um requisito de transação (um MERGE único já é atômico); C é falsa: MERGE é um comando suportado do Redshift; D é uma recomendação de desempenho para merges grandes, não uma pré-condição de correção, e não impediria duas linhas de staging idênticas. Armadilha: duas palavras familiares afastam os candidatos do defeito real: DISTKEY (desempenho) e BEGIN (transações): enquanto a mensagem de erro já nomeia o problema. Fonte: banco Q33 · Redshift r_MERGE.html, merge-specify-a-column-list.html · habilidades 1.2.5 / 2.4.1.

4.2 Domínio 2: Gerenciamento de Lojas de Dados (26 %) · itens 8 to 12

Análise, Q8 · dois qualificadores, depois a aritmética. Por que está correta: o enunciado empilha dados em forma de arquivo com recuperação em minutos, Glacier Instant Retrieval foi feito para dados arquivados de longa duração com recuperação em milissegundos, e a checagem de custo confirma: 102{,}400 \times 0.004 = \mathbf{\409.60}$. **Por que as armadilhas perdem:** **B** tem o menor número ($102{,}400 \times 0.00099 \approx $101$), mas a recuperação do Deep Archive é medida em **horas**, perdendo o prazo, a jogada clássica de "a maior economia perde"; **C** cumpre o tempo de recuperação, mas custa cerca de **3×** mais ($102{,}400 \times 0.0125 = $1{,}280$), então falha em *minimizar o custo de armazenamento*; **D** casa a classe certa com a **taxa da Standard** ($102{,}400 \times 0.023 = $2{,}355.20$). Armadilha: leia o prazo antes da lista de preços, e nunca aceite uma taxa por GB sem verificar de qual coluna da tabela de preços ela veio (exemplo trabalhado 3). Fonte: banco Q21 · aws.amazon.com/s3/storage-classes/, glacier-storage-classes.html (digest 15 C13, em outubro de 2026) · habilidade 2.3.2.

Análise: Q9 · nativo, grátis, epoch em segundos. Por que está correta: o TTL é o mecanismo que o guia emparelha com o versionamento do S3 (habilidade 2.3.4), é grátis, e o atributo é um Number guardando epoch em segundos: não milissegundos. Por que as armadilhas perdem: B vale para objetos do S3, não para itens de tabela, e uma exportação é uma cópia que precisaria do seu próprio ciclo de vida; C é um mecanismo de migração/replicação, não de retenção; D funciona, mas queima capacidade de leitura/gravação para algo que a tabela faz nativamente. Armadilha: excluir automaticamente depois de 24 horas atrai qualquer resposta em forma de job; pergunte "a loja tem um relógio nativo?" antes de aceitar um worker. Dois fatos de TTL acompanham: a exclusão é best-effort, normalmente em até dois dias, e um item expirado-mas-ainda-não-excluído ainda é lido e faturado, então filtre por ttl > now quando a correção depender disso. Fonte: banco Q22 · DynamoDB TTL.html, APIReference/API_UpdateTimeToLive.html (digest 15 C28) · habilidade 2.3.4.

Análise, Q10 · a citação decide. Por que está correta: o guia de carga da AWS diz "We strongly recommend using the COPY command to load large amounts of data" e que instruções INSERT individuais "might be prohibitively slow", então um COPY por tabela por carga vence. Por que as armadilhas perdem: A é o guia impresso ao contrário, o detector de resposta errada mais confiável nesta área; C é falsa, Parquet é um formato de origem suportado pelo COPY e a carga colunar é a forma recomendada; D omite s3:ListBucket (necessário para enumerar o prefixo) e, para objetos SSE-KMS, kms:Decrypt. Armadilha: uma lista de IAM parcial parece completa porque uma ação é obviamente certa, opções de autorização são avaliadas pelo conjunto completo de permissões, não pela ação mais memorável. Fonte: banco Q23 · Redshift r_COPY.html, t_Loading_data.html (digest 15 C27), copy-parameters-authorization.html · habilidade 2.3.1.

Análise: Q11 · schema-on-write no catálogo, não schema-on-read. Por que está correta: a tabela já está registrada, e o Athena lê schemas registrados do Glue Data Catalog, então só uma execução de crawler ou um ALTER TABLE ADD COLUMN muda o que o Athena retorna. Por que as armadilhas perdem: B é destrutivo e irrelevante para metadados; C regride o modelo de custo (perde o pruning colunar) e ainda não atualiza uma tabela registrada; D é o equívoco central que o item testa: rodapés são o que motores sem catálogo usam, não uma tabela do Athena catalogada. Armadilha: os arquivos já contêm a coluna parece suficiente; o qualificador é tabela registrada, o que transfere a autoridade dos dados para o catálogo (habilidades 2.2.3 crawlers populam catálogos, 2.4.2 mudanças nas características dos dados). Fonte: banco Q24 · Glue aws-glue-crawler.html, Athena tables.html · habilidades 2.2.3 / 2.4.2.

Análise: Q12 · distribuição conserta joins, ordenação conserta varreduras. Por que está correta: o próprio guia da AWS diz que distribuir um par de tabelas pelas suas chaves de join faz o leader node colocalizar as linhas nos slices pelo valor de join, e chaves iguais nos dois lados evita a redistribuição completamente. Por que as armadilhas perdem: A deixa dim_customer ser transmitida ou redistribuída em cada join; C coloca uma tabela de 50 milhões de linhas em todos os nós, o armazenamento multiplica pelo número de nós, e DISTSTYLE ALL só faz sentido para dimensões genuinamente pequenas (o dim_product de 100 linhas é o candidato aqui); D trata da ordem de varredura e filtro, não da colocalização do join. Armadilha: a consulta está lenta puxa candidatos para VACUUM, ANALYZE ou SORTKEY, mas o enunciado pergunta sobre o join, e o join é um problema de distribuição (par de armadilhas 11). Fonte: banco Q31 · Redshift c_choosing_dist_sort.html, t_designating_distribution_styles.html (digest 15 C15) · habilidade 2.4.5.

4.3 Domínio 3: Operações e Suporte de Dados (22 %) · itens 13 to 16

Análise, Q13 · um sinal por estágio, e ele precisa medir aquele estágio. Por que está correta: atraso do stream (GetRecords.IteratorAgeMilliseconds, onde zero significa em dia), atraso de replicação (CDCLatencyTarget) e escassez de concorrência (Throttles) são os sinais de saúde publicados para seus estágios. Por que as armadilhas perdem: B mistura uma métrica de armazenamento de uma vez por dia com um nome de métrica que não existe no Glue e uma leitura de CPU que não diz nada sobre enfileiramento; C substitui por GetRecords.Latency, que mede a duração da chamada de API, não o atraso de posição de leitura, a troca de métrica mais comum neste domínio; D repete o par armazenamento/CPU e adiciona um contador de erro do Glue, que conta falhas de tarefa, não a saúde do pipeline. Armadilha: monitoramento no enunciado puxa candidatos para qualquer métrica de que se lembram; o qualificador é estágio: stream, replicação, função. Alarmes do Redshift precisam de sinais de fila (por exemplo WLMQueueLength), não só CPU. Fonte: banco Q30 · páginas de métricas do CloudWatch para Kinesis Data Streams, DMS, Lambda, S3, Glue, Redshift · habilidades 3.3.3 / 3.3.7.

Análise, Q14 · quem chamou, mais o que o catálogo agora diz. Por que está correta: o auditor faz duas perguntas, qual principal e quando, e os eventos de gerenciamento do CloudTrail trazem userIdentity e horário, enquanto o próprio histórico de versões do Glue e os eventos Table State Change trazem o "o que mudou" no lado do catálogo (habilidades 3.3.5 e 3.3.1). Por que as armadilhas perdem: B oferece métricas de requisição do S3, que são telemetria operacional sobre requisições de objetos em vez de identidades de API, mais o Macie, que descobre conteúdo sensível; C casa uma fonte verdadeira com VPC Flow Logs, que registram fluxos de rede, não identidades de API; D está meio certa e depois afirma que o histórico de versões sozinho responde qual principal, ele não carrega a identidade de quem chamou, e logs genéricos de aplicação não são auditoria do catálogo. Armadilha: a metade do catálogo da resposta é a parte que os candidatos esquecem, porque auditoria puxa todo mundo para o CloudTrail; uma pergunta de duas partes precisa de duas fontes. Forma no exame ao vivo: duas caixas de seleção, tudo-ou-nada. Fonte: banco Q40 · Glue cloudwatch-cloudtrail-integration.html, Guia do Usuário do CloudTrail · habilidades 3.3.1 / 3.3.5.

Análise, Q15 · o Macie relata, você responde. Por que está correta: as três ações respeitam a divisão de trabalho, EventBridge roteia o achado (habilidade 3.3.9), Lambda automatiza a resposta (habilidade 3.1.8), Lake Formation impõe a classificação (habilidades 4.2.4 / 4.5.2), e supressão mais arquivo é uma etapa documentada do ciclo de vida dos achados do Macie. Por que as armadilhas perdem: B atribui criptografia e exclusão ao Macie, um serviço de descoberta não muda nada por si só; C atribui administração de chave ao Macie e suprime sem validar, destruindo a trilha de auditoria; D são três não-sequiturs de autorização e rede que ampliam o acesso enquanto a exposição está irresolvida. Armadilha: severidade 3 é uma isca, as severidades do Macie vão 1 = Baixa, 2 = Média, 3 = Alta, sem nível Crítico, e os achados são retidos por 90 dias; o número diz a prioridade, não quem pode agir. Fonte: banco Q36 · Macie findings-suppress.html, how-it-works.html · documentação de filtragem de dados do Lake Formation (digest 15 C21, C23) · habilidades 3.1.8 / 3.3.9 / 4.5.2.

Análise: Q16 · duas portas, ambas precisam abrir. Por que está correta: a AWS documenta que "a requisição de um solicitante precisa passar por duas portas": permissões de IAM e permissões do Lake Formation, e o Athena exige especificamente lakeformation:GetDataAccess na política de IAM do chamador, enquanto a concessão precisa estar no recurso que a consulta lê (e ter sido emitida por um administrador de data lake). Por que as armadilhas perdem: B é uma permissão de listagem de S3 em nível de conta mais um controle de rede: nenhuma das duas é uma porta de autorização; C destrói o menor privilégio (um administrador de IAM não é automaticamente administrador de data lake), enquanto o modo de acesso híbrido é um auxílio de migração legada, não uma concessão ausente; D casa a única ação de IAM verdadeira com AdministratorAccess, o que deixaria o analista conceder acesso a si mesmo, o oposto do controle pretendido. Armadilha: o enunciado lista permissões de IAM que parecem generosas (athena:*, glue:*), o que tenta você a concluir que o IAM está bem; a ação que falta é uma ação do Lake Formation vivendo dentro da política de IAM. Nota de domínio: este item fica no Domínio 3 como operar consultas do Athena contra um lake governado (habilidade 3.1.7), enquanto sua mecânica é a tarefa 4.2.4. Fonte: banco Q34 · athena/latest/ug/lf-athena-user-permissions.html (digest 15 C22), Lake Formation lf-permissions-overview.html (C19) · habilidades 3.1.7 / 4.2.4.

4.4 Domínio 4: Segurança e Governança de Dados (18 %) · itens 17 to 20

Análise, Q17 · a porta está escorada por um padrão. Por que está correta: com IAMAllowedPrincipals detendo Super, o Lake Formation explicitamente delega ao IAM sozinho, então nenhuma concessão que você fizer pode restringir nada até que aquele grupo padrão seja revogado (ou a configuração "Use only IAM access control" seja desabilitada), que é a transição recomendada da AWS para o modelo granular. Por que as armadilhas perdem: B muda quem pode conceder, não quem pode ler; C é o estado de migração incremental, não o estado final, e não fecha o catálogo; D distribui administração, notavelmente, essa política nem sequer deixa o detentor adicionar mais administradores, e não fecha nada. Armadilha: concedi permissões e nada mudou é o sintoma mais relatado do Lake Formation; a causa é um padrão, não uma concessão ausente. Um usuário AdministratorAccess de IAM também não é automaticamente administrador de data lake. Fonte: banco Q35 · Lake Formation access-control-fine-grained.html, lf-permissions-reference.html (digest 15 C20) · habilidade 4.2.4.

Análise: Q18 · o teto é a função, não o stream. Por que está correta: a AWS afirma que o Lambda escala até 1.000 execuções concorrentes por região, e que o mapeamento de origem de eventos roda no máximo uma execução concorrente por shard, então o limite de 10 MB/s é um teto de função, e a correção é mais streams (mais mapeamentos independentes) ou uma mudança de desenho. Por que as armadilhas perdem: A nomeia o teto certo, mas salta para um serviço não relacionado, ignorando uma correção que permanece no caminho em escopo; C confunde uma taxa por shard com a restrição limitante e, pior, um stream de 1 milhão de shards já ultrapassaria com folga os 10 MB/s; D inventa um limite de throughput total que não existe (throughput sustentado acima de 1000 MB/s por stream do KDS exige ODA) e troca por uma fila com semântica diferente. Armadilha: toda alternativa cita um número que soa real, o discriminador é a qual recurso a AWS associa o número. A concorrência provisionada eleva o teto de um alias específico, mas não remove o limite de escala em nível de conta. Fonte: banco Q37 · Lambda with-kinesis.html, account-limits.html, Kinesis provisioned-throughput.md (digest 15 C10) · habilidades 1.1.6 / 4.3.1.

Análise: Q19 · relatório granular vence visão de resumo. Por que está correta: o CUR é "a fonte mais abrangente de dados de custo e uso da AWS": itemizado por recurso, por conta, por serviço, por tag, com descontos: entregue no S3 onde o Athena pode fatiá-lo por unidade de negócio (habilidades 1.1.4 ingestão de dados de faturamento, 1.2.5 transformar para análise, 3.3.7 relatórios, 4.2.1 tags para governança). Por que as armadilhas perdem: A dá uma visão de resumo: a granularidade do Cost Explorer é agregada, não por item de linha, então não consegue reproduzir a quebra; B mede bytes, não dólares, e o CloudWatch não tem dimensões de custo; C diz se você estourou um orçamento, não quem estourou. Armadilha: sem instalar agentes afasta os candidatos da única opção granular sem agente, o CUR é entregue, não coletado. Fonte: banco Q38 · Guia do Usuário do Cost and Usage Report, documentação de faturamento · habilidades 1.1.4 / 1.2.5 / 3.3.7 / 4.2.1.

Análise: Q20 · impor, depois registrar. Por que está correta: o Object Lock em modo de conformidade é o único modo cuja retenção não pode ser encurtada por ninguém, incluindo a raiz da conta: a resposta de nível regulatório, e os eventos de dados do CloudTrail (não eventos de gerenciamento) são o que registra tentativas de s3:DeleteObject com identidade e horário. Por que as armadilhas perdem: A regra de ciclo de vida de B expira os objetos em vez de protegê-los; versionamento mais replicação duplicam dados, mas um principal privilegiado ainda pode excluir as duas versões sem um bloqueio de retenção; C replica, o que é durabilidade, não imutabilidade: a réplica herda a excluabilidade a menos que também seja bloqueada; D é um desejo de política que o admin daquele mesmo principal pode editar, e o CloudWatch Logs não captura tentativas de API do S3 por padrão. Armadilha: não podem ser excluídos é o único verbo real do enunciado: todo o resto é enfeite. O Object Lock exige um bucket com versionamento habilitado, e retenção aplicada antes de 2023-01-05 manteve o seu bloqueio de idade de transição; desde aquela data o S3 removeu a restrição de idade mínima nas transições (a duração mínima de armazenamento por classe ainda se aplica). Fonte: banco Q39 · S3 object-lock.html, object-lock-best-practices.html, documentação de eventos de dados do CloudTrail · habilidades 4.2.1 / 4.2.3 / 4.5.1.

4.5 Dois itens extras de discriminação · não contam na nota /20

Estes dois são itens de estirpe construídos sobre as mudanças de 2025 to 2026 da caixa Atualizações de 2026. Eles não fazem parte do blueprint 7 / 5 / 4 / 4 acima, então não mudam a sua nota, os seus limiares nem a sua tabela de roteamento: pontue-os separadamente, e se algum estiver errado, releia a linha de atualização correspondente antes de sentar no exame.

Análise: Q21 · o piso é o discriminador. Por que está correta: a AWS afirma que o On-demand Advantage é um modo em nível de conta que remove a cobrança horária por stream e cobra um mínimo de 25 MB/s de ingestão + 25 MB/s de recuperação uma vez habilitado: é por isso que ele vence acima de aproximadamente 10 MB/s agregados ou centenas de streams, e é por isso que pode perder abaixo disso (digest 17 B.12 / C, S20). Por que as armadilhas perdem: B é o fato de antes de 2025: a lista de modos agora tem três (Provisioned, On-demand Standard, On-demand Advantage), o indício "banco desatualizado" mais confiável desta área; C inverte o escopo: o piso é em nível de conta, então 40 streams dividem um piso, não 40 deles; D inventa uma mudança de retenção: a retenção estendida é uma cobrança separada por GB-mês (0,023 USD/GB-mês em outubro de 2026, anteriormente 0,10) e não é tocada pelo modo. Armadilha: toda alternativa cita um número real da página de preços do Kinesis; o discriminador é a qual recurso a AWS associa o número: conta ou stream. Fonte: digest 17 S20 / S21 (2025-11-04), documentação de preços e dimensionamento do Kinesis Data Streams · habilidades 1.1.6 / 1.2.4.

Análise, Q22 · compartilhamento mais fácil, as mesmas duas portas. Por que está correta: o anúncio da AWS de 2026-02-11 descreve o compartilhamento entre contas v5: um único share do AWS RAM agora pode carregar um número ilimitado de tabelas (palavra da AWS: centenas de milhares), as novas concessões usam padrões curinga em vez de associações por recurso, o upgrade é opt-in, e shares e APIs existentes seguem funcionando (digest 17 B.17 / S39). Por que as armadilhas perdem: B é exatamente ao contrário, associações de recursos por tabela eram a velha restrição, e nada foi migrado à força; C afirma uma descontinuação que a AWS nunca publicou, as tabelas governadas seguem documentadas como a primitiva mais antiga, e dizer o contrário é um item do digest (G); D inventa uma cota e uma regra Regional uniforme, quando a mudança publicada foi a remoção de limites por tipo, não um novo teto numérico. Armadilha: fevereiro de 2026 é uma data real em um anúncio real, então os candidatos aceitam qualquer história de que lembram vagamente; o discriminador é a direção da mudança, ficou mais fácil compartilhar, permissões ficaram mais apertadas (o DELETE do Iceberg em tabelas do LF agora exige permissão DELETE, e o DML do Iceberg também exige ALTER). Fonte: digest 17 S39 (2026-02-11), documentação de compartilhamento entre contas do Lake Formation, mudanças de comportamento do Redshift (Patch 202) · habilidades 4.2.4 / 4.5.7.

• 📚 Você sabia? A atualização do guia de 2025-12-12 (v1.1) adicionou oito habilidades, cerca de 6 % do mapa, e removeu três, então um banco escrito contra a v1.0 pode estar levemente desatualizado sobre o que está em escopo; a lista em escopo ainda imprime "Amazon Kinesis Data Firehose", embora a AWS tenha renomeado o produto para Amazon Data Firehose em 2024-02-09, porque a renomeação mudou nenhum endpoint, API, comando de CLI, ação de IAM ou métrica do CloudWatch. Quando o nome de produto de uma alternativa parece desatualizado, ele geralmente ainda é válido neste exame.

---

5. TRAP DRILL: as vinte principais linhas de par

Vinte linhas de par, uma cláusula cada. Imprima a coluna central, cubra as duas últimas e rederive a palavra do enunciado a partir da moldura. Toda armadilha abaixo disparou nos itens do Conjunto A ou do Conjunto B que você acabou de fazer; esta tabela é toda a lógica de decisão do exame em vinte linhas.

• 📚 Você sabia? Cada linha de par acima é um par de qualificador, não uma lista de serviços. O exame quase nunca pergunta "o que o Firehose faz": pergunta "qual afirmação decide entre Streams e Firehose", e as palavras decisivas são as da última coluna. Cubra a última coluna, leia a moldura e diga a palavra do enunciado em voz alta; se você consegue produzir a palavra a partir da moldura, consegue produzir a resposta a partir do enunciado.

---

6. DIA DO EXAME: logística, check-in e o relógio

Tudo nesta seção é impresso no guia de exame da AWS ou afirmado pela AWS Training and Certification em outubro de 2026. Nada aqui é um palpite sobre o seu centro de teste específico.

6.1 Antes do dia

6.2 No centro de teste

1. Chegue com 15 to 30 minutos de antecedência. Chegadas atrasadas podem ser recusadas.
2. Guarde bolsas, celulares, relógios, notas e qualquer papel em um armário. Papel de rascunho não é permitido.
3. Faça login com os seus dois documentos. O fiscal fotografa você (centro de teste) ou faz a triagem em tela (on-line).
4. Uma cadeira ou uma sessão supervisionada é atribuída a você; o software do exame carrega a sua forma.
5. Sem intervalo depois de começar. O relógio de 130 minutos roda continuamente.

6.3 Durante o exame

• 📚 Você sabia? Os 15 itens não pontuados existem para que a AWS possa pré-testar questões para formas futuras, eles não são rotulados, não são mais fáceis, e contam para os mesmos 130 minutos, então o seu orçamento de ritmo deve assumir que todos os 65 são pontuados. A escala de 200 to 1000 significa que a conversão de bruto para escalado nunca é publicada; duas pessoas que erram os mesmos cinco itens podem terminar com notas escaladas diferentes. Não faça engenharia reversa de uma nota de aprovação, a única regra na qual você pode agir é 720.

---

7. Corrigir o Conjunto B e rotear para as suas áreas fracas

7.1 Pontue por domínio, não pelo total

7.2 Os limiares

7.3 A tabela de roteamento: cada item errado aponta para uma lição

7.4 O que o Conjunto B não diz

• Ele nunca diz a sua nota escalada. Vinte itens são um sinal, não uma previsão de 720, o exame ao vivo converte uma contagem bruta de 50 itens para uma escala de 200 to 1000 com uma conversão nunca publicada.
• Ele nunca diz quais itens eram não pontuados. Na forma ao vivo, 15 de 65 são não pontuados e você não consegue identificá-los.
• Ele nunca diz o seu ritmo, a menos que você tenha cronometrado. 2,00 minutos por item é a média; um item difícil pode levar 4 e um fácil 30 segundos.
• Ele nunca diz sobre a dificuldade da forma. A AWS recalibra as formas continuamente; uma forma difícil e uma fácil convergem para 720 em contagens brutas diferentes.

---

8. O plano final de 7 dias

A última semana é retenção e logística, não conteúdo novo. Nada abaixo adiciona um serviço; tudo abaixo é prática de recuperação e higiene de agendamento.

• 📚 Você sabia? O Data Analytics Specialty (DEA-C01) Official Practice Question Set da AWS (practice.exams.aws.qa) são 20 questões com gabarito, não um simulado cronometrado, e é o único conjunto oficial gratuito de questões que a AWS publica para este exame. Faça-o na última semana, trate cada resposta errada como uma entrada da tabela de roteamento, e nunca trate a sua dificuldade como um proxy para a forma ao vivo: a forma ao vivo é calibrada continuamente, o conjunto de prática é um instantâneo fixo.

---

Atualizações de 2026 (em outubro de 2026)

Nunca afirme neste exame (digest 18 §G; estas são as coisas que a AWS nunca publicou, e inventá-las é o caminho mais rápido para perder um ponto):

1. Qualquer taxa de aprovação. A AWS não publica percentual de aprovação para DEA-C01 nem para nenhuma certificação.
2. A conversão de bruto para escalado. A escala de 200 to 1000 é escalada; a conversão nunca é publicada.
3. Quantos itens de MR existem em uma forma. O guia de exame descreve a forma do MR, não a contagem.
4. Se um item é não pontuado. Os 15 itens não pontuados são indistinguíveis dos pontuados na tela.
5. O timing do distintivo do Credly. "Dentro de X dias" não é uma garantia da AWS; o típico são dias, não horas.
6. Uma regra de ritmo. 2,00 minutos por item é uma média de números publicados (130 min ÷ 65 itens), não uma instrução da AWS.
7. Papel de rascunho. Nenhum papel, on-line ou no local; não deixe um post de fórum convencer você do contrário.

• 📚 Você sabia? O AWS Glue 6.0 se tornou geralmente disponível em 2026-08-21 com Spark 4.1.1, Python 3.13, uma redução de preço de 30 % e suporte completo ao Iceberg v3 do Apache, e ele quebra jobs: o EMRFS foi removido (S3A é o único sistema de arquivos do S3) e o AWS SDK for Java v1 sumiu (boto3 não é afetado). Um distrator que menciona fs.s3.consistent.* ou um import com.amazonaws.* não testa estilo, testa se você sabe que o runtime mudou; o Glue 5.1 segue como padrão para jobs novos, e 0.9 / 1.0 / 2.0 chegou ao fim do suporte em 2026-04-01 (digest 17 S12, S17, acesso em outubro de 2026).

---

---

---

Última verificação em 2026-10-10 contra o guia de exame DEA-C01 v1.1, a documentação da AWS e as páginas da AWS Training and Certification.