একজন maintenance engineer পাঁচটি 4 TB hard drive ব্যবহার করে RAID 5 array তৈরি করছে। মোট usable storage capacity কত হবে এবং কেন এটি 20 TB নয়?

RAID 5-এ একটি drive-এর storage capacity parity information সংরক্ষণের জন্য ব্যবহৃত হয়.

Parity fault tolerance এবং drive failure হলে data recovery-এর জন্য ব্যবহৃত হয়.

প্রদত্ত:

Drive সংখ্যা = 5
প্রতিটি drive-এর capacity = 4 TB

মোট Raw Capacity

5 × 4 TB = 20 TB

RAID 5 Usable Capacity Formula

(Number of Drives − 1) × Drive Capacity

গণনা

(5 − 1) × 4 TB
= 4 × 4 TB
= 16 TB

উত্তর

মোট Usable Storage Capacity = 16 TB

এটি 20 TB নয় কারণ RAID 5-এ একটি drive-এর সমপরিমাণ storage parity data সংরক্ষণের জন্য ব্যবহৃত হয়, যা redundancy প্রদান করে এবং কোনো drive নষ্ট হলে data recovery করতে সাহায্য করে.

প্রশ্ন: Data Center Environment-এ Preventive এবং Corrective Maintenance-এর পার্থক্য বাস্তব উদাহরণসহ ব্যাখ্যা কর। এছাড়া একটি Series System-এর Reliability নির্ণয় কর।

Preventive Maintenance: Preventive maintenance হলো এমন maintenance যা কোনো fault বা failure হওয়ার আগেই নিয়মিতভাবে করা হয়, যাতে system breakdown-এর সম্ভাবনা কমে। এর মূল উদ্দেশ্য হলো fault প্রতিরোধ করা এবং system reliability বৃদ্ধি করা.

Real Example:
Data center-এ server cooling fan পরিষ্কার করা বা UPS battery failure হওয়ার আগেই পরিবর্তন করা preventive maintenance-এর উদাহরণ।

Corrective Maintenance: Corrective maintenance হলো এমন maintenance যা fault বা failure হওয়ার পরে system-কে পুনরায় স্বাভাবিক অবস্থায় ফিরিয়ে আনতে করা হয়। এর মূল উদ্দেশ্য হলো faulty component repair বা replace করা.

Real Example:
Data center-এ কোনো server-এর hard disk হঠাৎ নষ্ট হলে সেটি পরিবর্তন করে system restore করা corrective maintenance-এর উদাহরণ।

Preventive এবং Corrective Maintenance-এর পার্থক্য

Series System-এর Reliability নির্ণয়

Series configuration-এ total system reliability হলো সব component-এর reliability-এর গুণফল.

Power Supply-এর Reliability = 0.95
Motherboard-এর Reliability = 0.95
Storage-এর Reliability = 0.95

সূত্র: R = R1 × R2 × R3

R = 0.95 × 0.95 × 0.95
R = 0.857375

System-এর মোট Reliability = 0.857375 ≈ 85.74%

Standard router মূলত Network Layer-এ কাজ করে, যা OSI model-এর Layer 3।

Network Layer-এর Protocol Data Unit (PDU)-কে Packet বলা হয়।

প্রদত্ত Routing Entries:
10.1.0.0/24
10.1.1.0/24
10.1.2.0/24
10.1.3.0/24

এই চারটি network continuous বা contiguous কারণ network address ধারাবাহিকভাবে বৃদ্ধি পাচ্ছে।

প্রথম Network: 10.1.0.0/24
Range: 10.1.0.0 থেকে 10.1.0.255

দ্বিতীয় Network: 10.1.1.0/24
Range: 10.1.1.0 থেকে 10.1.1.255

তৃতীয় Network: 10.1.2.0/24
Range: 10.1.2.0 থেকে 10.1.2.255

চতুর্থ Network: 10.1.3.0/24
Range: 10.1.3.0 থেকে 10.1.3.255

এই চারটি network একসাথে নিচের address range cover করে:
10.1.0.0 থেকে 10.1.3.255

প্রতিটি /24 network-এ 256টি address থাকে।

তাই মোট address সংখ্যা:
256 + 256 + 256 + 256 = 1024 addresses

1024টি address প্রকাশ করার জন্য 10টি host bit দরকার হয়।

যেহেতু IPv4 address মোট 32 bit-এর হয়:
32 − 10 = 22

তাই summarized CIDR notation হবে:
10.1.0.0/22

Final Answer:
Router Layer = Network Layer / Layer 3
PDU Name = Packet
Supernet = 10.1.0.0/22

প্রশ্ন: ব্যাংক fund transfer transaction-এর সময় ACID-এর Consistency property কী নিশ্চিত করে? এছাড়া current_balance কখনো শূন্যের নিচে না যাওয়ার জন্য SQL constraint clause লিখ।

ACID-এর Consistency Property

• Consistency নিশ্চিত করে যে transaction-এর আগে এবং পরে database সবসময় valid অবস্থায় থাকবে।
• Bank fund transfer transaction-এর ক্ষেত্রে consistency নিশ্চিত করে যে database-এর সব rule এবং constraint সঠিকভাবে বজায় থাকবে।

উদাহরণস্বরূপ, যদি একটি account থেকে অন্য account-এ টাকা transfer করা হয়:

• এক account থেকে কাটা amount অবশ্যই অন্য account-এ সঠিকভাবে যোগ হতে হবে।
• System-এর মোট balance consistent থাকতে হবে।
• কোনো account balance invalid হতে পারবে না বা database rule ভঙ্গ করতে পারবে না।

যদি transaction-এর কোনো অংশ ব্যর্থ হয়, তাহলে পুরো transaction rollback হবে যাতে consistency বজায় থাকে।

SQL Constraint Clause

current_balance যেন কখনো negative না হয়, তার জন্য নিচের CHECK constraint ব্যবহার করা যায়:

CHECK (current_balance >= 0)

Table Schema উদাহরণ

CREATE TABLE Savings_Accounts (
    account_id INT PRIMARY KEY,
    customer_name VARCHAR(100),
    current_balance DECIMAL(10,2),
    
    CHECK (current_balance >= 0)
);

প্রশ্ন: Circular Wait সংক্ষেপে ব্যাখ্যা কর। Resource Allocation Graph (RAG)-এ cycle থাকলে কি নিশ্চিতভাবে Deadlock হয়েছে বোঝায়? সংক্ষেপে ব্যাখ্যা কর।

Circular Wait

• Circular wait হলো deadlock-এর একটি প্রয়োজনীয় শর্ত।
• এটি তখন ঘটে যখন একাধিক process একটি circular chain আকারে resource-এর জন্য অপেক্ষা করে।
• এখানে প্রতিটি process অন্তত একটি resource ধরে রাখে এবং পরবর্তী process-এর কাছে থাকা অন্য resource-এর জন্য অপেক্ষা করে।

উদাহরণ:

• Process P1 Resource R1 ধরে রেখে R2-এর জন্য অপেক্ষা করছে।
• Process P2 Resource R2 ধরে রেখে R3-এর জন্য অপেক্ষা করছে।
• Process P3 Resource R3 ধরে রেখে R1-এর জন্য অপেক্ষা করছে।

এভাবে একটি circular waiting condition তৈরি হয়।

Resource Allocation Graph (RAG)-এ Cycle

RAG-এ cycle থাকলেই সবসময় deadlock হয়েছে এমন নয়।

• যদি প্রতিটি resource type-এর শুধুমাত্র একটি instance থাকে, তাহলে cycle থাকলে নিশ্চিত deadlock হয়েছে।
• কিন্তু resource type-এর একাধিক instance থাকলে cycle থাকলেও deadlock নাও হতে পারে।

অতএব cycle হলো:

• Deadlock-এর জন্য একটি necessary condition
• কিন্তু সবসময় sufficient condition নয়

Graph-এ:

• Resource R1-এর একটি instance রয়েছে।
• Resource R2-এর দুটি instance রয়েছে।
• P1, R1 ধরে রেখে R2-এর জন্য অপেক্ষা করছে।
• P2, R2-এর একটি instance ধরে রেখে R1-এর জন্য অপেক্ষা করছে।
• P3, R2-এর অন্য instance ব্যবহার করছে।

Graph-এ একটি cycle রয়েছে:

P1 → R2 → P2 → R1 → P1

কিন্তু এই graph-এ deadlock নেই।

কারণ:

Resource R2-এর একাধিক instance রয়েছে। বর্তমানে R2-এর একটি instance P3 ব্যবহার করছে।

যদি P3 তার কাজ শেষ করে R2 release করে, তাহলে:

• P1, R2 পেয়ে execution সম্পন্ন করতে পারবে।
• P1 কাজ শেষ করলে R1 release করবে।
• তারপর P2, R1 পেয়ে execution চালিয়ে যেতে পারবে।

অর্থাৎ process-গুলো পরবর্তীতে execution চালিয়ে যেতে পারছে, তাই system permanently blocked নয়।

প্রশ্ন: একটি server হঠাৎ external system-এ abnormal traffic পাঠাতে শুরু করেছে। সম্ভাব্য কারণ বিশ্লেষণ কর এবং তাৎক্ষণিক করণীয় উল্লেখ কর।

সম্ভাব্য কারণসমূহ

Server থেকে abnormal traffic পাঠানো security বা system-related সমস্যার ইঙ্গিত হতে পারে। সম্ভাব্য কারণগুলো হলো:

• Malware বা Virus Infection: Server malware, botnet software বা ransomware দ্বারা আক্রান্ত হতে পারে যা malicious traffic পাঠাচ্ছে।
• DDoS Attack-এ অংশগ্রহণ: Compromised server অন্য system-এর উপর DDoS attack চালাতে ব্যবহৃত হতে পারে।
• Unauthorized Access: দুর্বল password, stolen credential বা vulnerability ব্যবহার করে attacker access পেতে পারে।
• Misconfigured Application: Faulty software বা ভুল network configuration অতিরিক্ত traffic তৈরি করতে পারে।
• Data Breach বা Data Exfiltration: Sensitive data অবৈধভাবে external system-এ পাঠানো হতে পারে।

তাৎক্ষণিক করণীয়

• Server Isolate করা: Abnormal traffic বন্ধ করার জন্য server-কে দ্রুত network থেকে বিচ্ছিন্ন করতে হবে।
• System Log পরীক্ষা: Firewall, server এবং application log বিশ্লেষণ করে suspicious activity খুঁজতে হবে।
• Security Scan চালানো: Antivirus এবং malware detection tool দিয়ে server scan করতে হবে।
• Active Connection পরীক্ষা: Running process এবং network connection monitoring tool দিয়ে পরীক্ষা করতে হবে।
• Credential পরিবর্তন: Password reset এবং compromised account disable করতে হবে।
• Security Update প্রয়োগ: Operating system এবং software-এর vulnerability patch করতে হবে।
• Security Team-কে জানানো: Administrator বা incident response team-কে দ্রুত অবহিত করতে হবে।
• গুরুত্বপূর্ণ Data Backup: Recovery action নেওয়ার আগে গুরুত্বপূর্ণ data নিরাপদে backup রাখতে হবে।

উপসংহার

Abnormal outbound traffic সাধারণত compromise বা system malfunction-এর লক্ষণ। Network সুরক্ষা এবং ক্ষতি প্রতিরোধের জন্য দ্রুত isolation, investigation এবং security response প্রয়োজন।

প্রশ্ন: একটি financial services provider massive streaming এবং historical log data ব্যবহার করে fraud analytics ও ML-driven maintenance prediction করতে চায়। এই কাজের জন্য উপযুক্ত পাঁচটি Hadoop ecosystem technology এবং তাদের ভূমিকা বর্ণনা কর।

Large-scale streaming এবং historical log data process করার জন্য বিভিন্ন Hadoop ecosystem technology একসাথে ব্যবহার করা হয় storage, processing, querying এবং machine learning-এর কাজে।

1. HDFS (Hadoop Distributed File System)

• HDFS বহু server-এ distributed ভাবে বিপুল পরিমাণ data সংরক্ষণ করতে ব্যবহৃত হয়।
• এটি historical log, transaction record এবং streaming data fault tolerance সহ নিরাপদে সংরক্ষণ করে।

Role: Large-scale distributed data storage।

2. Apache Kafka

• Kafka real-time data streaming এবং message collection-এর জন্য ব্যবহৃত হয়।
• এটি বিভিন্ন source থেকে continuous transaction log, user activity এবং system event সংগ্রহ করে।

Role: Real-time streaming data ingestion।

3. Apache Spark

• Spark একটি দ্রুত data processing framework যা big data analytics এবং machine learning-এর জন্য ব্যবহৃত হয়।
• এটি streaming data এবং historical data উভয়ই দ্রুত process করতে পারে।

Role: Real-time analytics, fraud detection এবং ML processing।

4. Apache Hive

• Hive হলো একটি data warehouse tool যা SQL-এর মতো language ব্যবহার করে বড় dataset query করতে সাহায্য করে।
• এর মাধ্যমে analyst সহজে fraud-related historical data বিশ্লেষণ ও report তৈরি করতে পারে।

Role: SQL-based querying এবং data analysis।

5. Apache Mahout

• Mahout big data application-এর জন্য machine learning algorithm প্রদান করে।
• এটি predictive analytics, anomaly detection এবং maintenance prediction model তৈরিতে ব্যবহৃত হয়।

Role: Machine learning এবং predictive analytics।

প্রদত্ত Scenario-গুলোর জন্য উপযুক্ত HTTP Status Code

উত্তর:

চূড়ান্ত উত্তর

i. 400 Bad Request
ii. 403 Forbidden
iii. 204 No Content

একটি E-commerce Platform-এর জন্য Scalable Big Data Analytics Pipeline তৈরিতে নিচের পাঁচটি Hadoop Ecosystem Component নির্বাচন করা যেতে পারে।

১. Flume – Real-time Data Ingestion

Apache Flume বিভিন্ন Web Server ও Application থেকে Real-time Log, Clickstream Data এবং Event সংগ্রহ করে Hadoop System-এ পাঠায়। এটি নির্ভরযোগ্য ও Scalable Data Ingestion নিশ্চিত করে।

ভূমিকা: Real-time Log সংগ্রহ করে HDFS-এ সংরক্ষণ করে।

২. HDFS – Distributed Storage

Hadoop Distributed File System (HDFS) Petabyte-Scale Structured ও Unstructured Data একাধিক Node-এ Distributedভাবে সংরক্ষণ করে। এটি Data Replication-এর মাধ্যমে Fault Tolerance এবং Scalability নিশ্চিত করে।

ভূমিকা: বিপুল পরিমাণ Data নিরাপদ ও নির্ভরযোগ্যভাবে সংরক্ষণ করে।

৩. YARN – Resource Management

YARN (Yet Another Resource Negotiator) Hadoop Cluster-এর CPU, Memory এবং অন্যান্য Resource পরিচালনা করে এবং বিভিন্ন Job দক্ষতার সাথে Schedule করে।

ভূমিকা: Batch এবং Stream Processing Job-এর জন্য Resource Allocate ও Manage করে।

৪. MapReduce – Batch Processing

MapReduce HDFS-এ সংরক্ষিত বিশাল Data Distributedভাবে Process করে। এটি Map এবং Reduce Phase-এর মাধ্যমে Parallel Processing সম্পন্ন করে।

ভূমিকা: Sales Analysis, Customer Behavior Analysis এবং অন্যান্য Large-scale Batch Analytics সম্পন্ন করে।

৫. Mahout – Machine Learning

Apache Mahout বৃহৎ Data-এর উপর Machine Learning Algorithm যেমন Clustering, Classification এবং Recommendation System বাস্তবায়ন করে।

ভূমিকা: Personalized Product Recommendation এবং Large-scale Machine Learning Model তৈরি করে।

i. Data in Transit এবং Data at Rest সুরক্ষার প্রযুক্তিগত পার্থক্য

উত্তর:

উদাহরণ

কোনো Customer যখন Online Banking-এ Login করে, তখন TLS/HTTPS Internet-এর মাধ্যমে চলমান Data (Data in Transit) সুরক্ষিত করে। পরবর্তীতে সেই Data Bank-এর Database-এ সংরক্ষণ করা হলে AES Encryption দ্বারা (Data at Rest) সুরক্ষিত থাকে।

ii. Zero-Day Vulnerability এবং Signature-based Antivirus কেন ব্যর্থ হয়

উত্তর:

Zero-Day Vulnerability হলো এমন একটি নতুন Security Vulnerability, যা Software Vendor বা Security Community-এর অজানা থাকে। এই Vulnerability-এর কোনো Patch বা Fix প্রকাশের আগেই Attackers এটি Exploit করতে পারে।

Signature-based Antivirus কেন সুরক্ষা দিতে পারে না

• Signature-based Antivirus শুধুমাত্র পরিচিত Malware-এর Signature Database ব্যবহার করে Malware শনাক্ত করে।
• Zero-Day Attack-এ নতুন Exploit বা Malware ব্যবহার করা হয়, যার কোনো Signature আগে থেকে Database-এ থাকে না।
• তাই Antivirus নতুন Attack শনাক্ত বা Block করতে পারে না, যতক্ষণ না নতুন Signature Update প্রকাশিত হয়।
• Zero-Day Attack প্রতিরোধে Behavior-based Detection, Heuristic Analysis, Endpoint Detection and Response (EDR) এবং নিয়মিত Security Update বেশি কার্যকর।