マイクロサービス アーキテクチャは、アプリケーションが小さく、疎結合され、独立して展開可能なサービスの集合として開発されるソフトウェア設計アプローチです。
オプション A: 正解です。各マイクロサービスは独立して実行され、独自のライフサイクルを持つため、スケーラビリティとモジュール性が実現されます。
オプション B: 正解です。各サービスは、独自のリポジトリ、ビルド パイプライン、デプロイメントを持つ独立したプロジェクトとして扱うことができます。
選択肢C: 正解です。マイクロサービスは、それぞれの特定の要件に最適なものに基づいて選択された、さまざまなプログラミング言語またはフレームワークで開発できます。
したがって、正解はオプション D (上記のすべて) です。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - データ管理とエンジニアリング: データ エコシステムにおけるマイクロサービス。

Apache Spark は、分散アプリケーションの開発に複数のプログラミング言語をサポートしています。
Java (オプション A): Spark の JVM ベースの API を通じてサポートされます。
Scala (オプション B): Spark はネイティブで Scala で記述されており、Scala API は完全な機能を提供します。
Python (オプション C): PySpark 経由でサポートされ、Python 開発者が Spark を活用できるようになります。
さらに、Spark は R や SQL のようなクエリもサポートしているため、データ サイエンティストやエンジニアにとって多用途に使用できます。
したがって、正解はオプション D (上記のすべて) です。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - プログラミング ツール: Java、Scala、Python、R 用の Spark API。

Scribe は、多数のサーバーからリアルタイムにストリーミングされるログ データを集約するために Facebook が開発したサーバーです。
その主な目的は、大規模なログ収集における信頼性とシンプルさを実現することでした。
他のシステムとは異なり、Scribe は複雑または広範なプロトコルを回避し、軽量なログ転送を保証するように設計されています。
また、効率的なパイプラインに依存することで、不必要なディスク使用量の増加を回避します。
したがって、正解はオプション D (上記のいずれでもない) です。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - データ エンジニアリング ツール: ログ収集システム (Scribe、Kafka、Flume)。