Elastic认证考试大纲(7.13版本)全方位分析(难度、考试频率、得分指数、综合分析等)

简介: Elastic认证考试大纲(7.13版本)全方位分析(难度、考试频率、得分指数、综合分析等)

1、官方考试大纲

1.1 官方考试大纲地址

https://www.elastic.co/cn/training/elastic-certified-engineer-exam

1.2 考纲具体内容

以下为考纲汉化版,* 为7.13版本新增考点。

1.2.1 数据管理

  • 定义满足一组给定要求的索引
  • * 使用数据可视化工具将文本文件上传到 Elasticsearch
  • 为满足一组给定要求的给定模式定义和使用索引模板
  • 定义和使用满足一组给定要求的动态模板
  • * 为时间序列索引定义索引生命周期管理策略
  • * 定义创建新数据流的索引模板


1.2.2 搜索数据

  • 为索引的一个或多个字段中的术语和/或短语编写并执行搜索查询
  • 编写并执行一个搜索查询,该查询是多个查询和过滤器的布尔组合
  • * 写一个异步搜索
  • 编写和执行指标和存储桶聚合
  • 编写和执行包含子聚合的聚合
  • 编写并执行跨多个集群搜索的查询


1.2.3 开发搜索应用程序

  • 突出显示查询响应中的搜索词
  • 按给定的一组要求对查询结果进行排序
  • 实现搜索查询结果的分页
  • 定义和使用索引别名
  • 定义和使用搜索模板


1.2.4 数据处理

定义满足一组给定要求的映射

定义并使用满足一组给定要求的自定义分析器

定义和使用具有不同数据类型和/或分析器的多字段

使用 Reindex API 和 Update By Query API 来重新索引和/或更新文档

定义和使用满足一组给定要求的摄取管道,包括使用 Painless 修改文档

配置索引,使其正确维护嵌套对象数组的关系


1.2.5 集群管理

  • 诊断分片问题并修复集群的健康状况
  • 备份和恢复集群和/或特定索引
  • * 将快照配置为可搜索
  • 配置集群以进行跨集群搜索
  • * 实现跨集群复制
  • 使用 Elasticsearch Security 定义基于角色的访问控制


2、开源社区整合版

2.1 背景

官方对于考纲的描述过于繁琐,开源社区版简化了考纲知识点描述,包含了包括6个新增考点内的所有考点。知识库中会对每个知识点做透彻的讲解!(红色字体为7.13新增考点


2.2 开源社区考纲整理

2.2.1 集群

  1. 冷热集群
  2. 数据流


2.2.2 索引

  1. 指定索引创建
  2. Reindex
  3. Update_by_query
  4. 索引的备份还原
  5. 索引模板
  6. 索引的生命周期管理


2.2.3 预处理

  1. Pipeline

2.2.4 分片

  1. 分片分配感知
  2. 强制感知


2.2.5 映射

  1. 动态映射
  2. 字段类型
  3. 映射参数:
  4. 动态模板:Mapping > Dynamic mapping > Dynamic templates


2.2.6 检索

  1. 精准查询:term
  2. 全文检索和短语检索:match&match_phrase
  3. 高亮查询:Highlight query
  4. 排序、多级排序:sort
  5. 分页
  6. 组合查询:Bool query
  7. 多字段检索:Multi fields
  8. 检索模板:Search Temlpate
  9. 异步检索


2.2.7 数据

  1. 基于快照的备份还原
  2. 可搜索快照
  3. 可视化数据上传


2.2.8 聚合

  1. 桶聚合
  2. 指标聚合
  3. 管道聚合


2.2.9 评分

  1. Boosting
  2. function_score


2.2.10 分词

  1. 字符过滤器
  2. 词项过滤器
  3. 切词器
  4. 自定义分词


3、总结

2021年7月1日,Elastic认证考试由7.2版本升级到了7.12版本,后又升级到了**7.13****,**相对于旧版本,主要新增了6个新考点:


3.1 新增考点考试指数分析:

这里作者用 ★ - ★★★★★来表述,★越多,代表考点考试频率越高或考试难度越大或得分率越高

3.1.1 Searchable-Snapshots:可搜索快照

  • 难度指数:★★★
  • 考试指数:★(考试频率极低)
  • 得分指数:★★★★

3.1.2 Data Visualizer:可视化数据上传

  • 难度指数:★★
  • 考试指数:☆(从未考过,截止到当前在从未考过,但不代表将来不会考)
  • 得分指数:★★★★

3.1.3 Async Search:异步搜索

  • 难度指数:★
  • 考试指数:☆(从未考过,截止到当前在从未考过,但不代表将来不会考)
  • 得分指数:★★★★★

3.1.4 ILM(Index Lifecycle Management):索引生命周期管理

  • 难度指数:★★★
  • 考试指数:★★★
  • 得分指数:★★★

3.1.5 Data Stream:数据流

  • 难度指数:★★★★
  • 考试指数:★★★★
  • 得分指数:★★


3.1.6 Cross Cluster Replication:跨集群复制

  • 难度指数:★★
  • 考试指数:★★★★
  • 得分指数:★★★★


3.2 新版本考纲总结:

我的学生中已有一些人参加了7.13版本的考试,从学生反馈结合我自身的经验,总体难度大幅下降。主要体现在以下几点:


3.2.1 试卷数量减少

7.2 考试版本试卷数量五套以上,7.2 版本目前主要有 2 套左右,大部分都是基于这两套题目的细微调整


3.2.2 环境预设值

7.2 版本环境需要自己启动,并且很多配置文件都是配置错误的需要自行修改,而 7.13 版本均为已经启动好的,无需自己设置集群


3.2.3 新增考点沦为摆设

到目前为止,新增的 6 个考点,其中有两个一次没考过,还有 1个可搜索快照 也基本没考过,并且相对于 7.2版本的快照,学习成本很小,也特别简单。而索引的生命周期管理和数据流,基本上是一个考点,数据流是包含ILM的,考试的时候基本都是考数据流了,很少单独ILM。而唯一一些难度的也就是数据流了。这么算来,新增的6个考点对难度的提升其实很小,但是7.13版本的考纲却删除了之前很多比较难的考点,而且考题也变少了总体来说难度大大下降。也许是官方为了推广考试?


7.13 版本相对于 7.2版本 难度大大下降,这也许是官方为了推广考试而有意降低难度,不然通过率太低!有兴趣的同学可以抓紧时间赶一下版本红利.


Elastic开源社区第一时间为大家提供最详细的图文、视频讲解,保证所有社区成员可以获得第一手学习资料。


相关文章
|
2月前
|
人工智能 JSON 安全
大模型应用开发中MCP与Function Call的关系与区别
Function Call依赖模型直接调用工具,适用于单一场景;MCP通过标准化协议实现模型与工具解耦,支持跨模型、跨设备的动态集成。二者可协同工作,形成“意图解析-协议传输-工具执行”分层架构,未来将趋向融合,推动AI应用生态标准化发展。
|
机器学习/深度学习 编解码 算法
MMDetection系列 | 4. MMDetection模型代码训练及测试过程的详细解析
MMDetection系列 | 4. MMDetection模型代码训练及测试过程的详细解析
1340 0
MMDetection系列 | 4. MMDetection模型代码训练及测试过程的详细解析
|
SQL 传感器 物联网
使用Apache IoTDB进行IoT相关开发的架构设计与功能实现(10)
物联网提供限制/限制条款和偏移/偏移子句,以使用户对查询结果有更多的控制权。使用 LIMIT 和 SLIMIT 子句允许用户控制查询结果的行数和列数,使用 OFFSET 和 SOFSET 子句允许用户设置结果的起始位置进行显示。
435 2
|
7月前
|
存储 人工智能 API
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南
在AI代理系统开发中,上下文工程成为提升系统性能的关键技术。本文探讨了从提示工程到上下文工程的转变,强调其通过为AI系统提供背景信息和工具支持,显著提升智能化程度和实用价值。文章系统分析了上下文工程的理论基础、核心策略(如写入、选择、压缩和隔离),并结合LangChain和LangGraph工具,展示了如何实现上下文工程技术以优化AI代理性能。通过Scratchpad机制、内存管理、RAG系统集成、多代理架构及沙盒环境等技术手段,开发者可以更高效地构建高性能、可扩展的AI系统。
851 0
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南
|
6月前
|
人工智能 自然语言处理 安全
零成本打造智能服务端:MCP采样的降本增效实践
本文介绍MCP采样机制,突破传统单向调用模式,实现服务器与客户端LLM的双向协作,提升扩展性、降低成本,支持灵活模型选择。通过FastMCP框架,打造高效分布式AI计算架构。
499 8
|
存储 JavaScript 前端开发
用 HTML + JavaScript DIY 渐进式延迟法定退休年龄测算器
用 HTML + JavaScript DIY 渐进式延迟法定退休年龄测算器
|
机器学习/深度学习 人工智能 自然语言处理
Sketch2Lineart:AI绘画工具,自动将手绘草图转换成清晰的线条画
Sketch2Lineart是一款基于人工智能的绘画工具,能够自动将手绘草图转换成清晰的线条画。该工具支持多种功能,如草图转线稿、自动描述生成、细节调整和风格定制等,适用于艺术创作、产品设计、教育培训等多个领域。
1350 60
Sketch2Lineart:AI绘画工具,自动将手绘草图转换成清晰的线条画
|
Java 关系型数据库 MySQL
基于SpringBoot+Vue教材订购系统设计和实现(源码+LW+调试文档+讲解等)
基于SpringBoot+Vue教材订购系统设计和实现(源码+LW+调试文档+讲解等)
|
数据采集 监控 算法
原子钟的基本介绍
【10月更文挑战第7天】本文介绍原子钟是一种利用原子跃迁频率作为基准的高精度计时设备,广泛应用于通信、导航、科学研究等领域。铯原子钟是最精确的计时设备之一,基于铯133原子的超精细跃迁,频率为9,192,631,770 Hz。其关键部件包括铯束源、微波腔、磁态选择器、检测系统和反馈回路。原子钟在GPS、电信、金融市场等应用中至关重要,软件开发需考虑高精度时间同步、数据处理、硬件接口和性能监控。
1932 60
|
数据采集 Java Python
如何用Python同时抓取多个网页:深入ThreadPoolExecutor
在信息化时代,实时数据的获取对体育赛事爱好者、数据分析师和投注行业至关重要。本文介绍了如何使用Python的`ThreadPoolExecutor`结合代理IP和请求头设置,高效稳定地抓取五大足球联赛的实时比赛信息。通过多线程并发处理,解决了抓取效率低、请求限制等问题,提供了详细的代码示例和解析方法。
389 0
如何用Python同时抓取多个网页:深入ThreadPoolExecutor