Ein Dateningenieur muss einen Datensatz mithilfe von AWS-Diensten in einen Amazon S3 Data Lake laden. Nach der Profilerstellung der Daten entdeckt der Ingenieur persönlich identifizierbare Informationen (PII). Der Ingenieur muss sowohl den Datensatz profilieren als auch die PII verschleiern. Welcher Ansatz erfüllt diese Anforderung mit dem geringsten Betriebsaufwand?

Die Verwendung der Detect PII-Transformation in AWS Glue Studio ist der effizienteste Weg, PII zu identifizieren und zu verschleiern, da sie integrierte Funktionen dafür bietet und den betrieblichen Aufwand minimiert. AWS Step Functions orchestriert die Datenpipeline zuverlässig. Die Option mit Kinesis Data Firehose erfordert eine benutzerdefinierte Lambda-Funktion und das AWS SDK, was mehr Entwicklungs- und Wartungsaufwand bedeutet. Die Option mit AWS Glue Data Quality ist primär für die Datenqualitätsprüfung gedacht, nicht für die direkte Verschleierung von PII. Die DynamoDB-Option ist ungeeignet, da DynamoDB eine NoSQL-Datenbank ist, die nicht für die Aufnahme großer Mengen unstrukturierter oder semi-strukturierter Daten in einen Data Lake optimiert ist und die PII-Verarbeitung in Lambda zusätzlichen Aufwand erfordert.