Ein Fahrzeughersteller sammelt Telemetriedaten über MQTT von vielen Fahrzeugen. Die Daten werden alle 5 Minuten verarbeitet und zur Anomalieerkennung durch benutzerdefinierte Anwendungen in einen lokalen Speicher kopiert. Da der lokale Speicher nicht auf Spitzenlasten skaliert werden kann, gehen Daten verloren. Welche AWS-basierte Lösung mit dem geringsten Betriebsaufwand erfüllt die Skalierungs- und Analyseanforderungen?

Die korrekte Lösung nutzt AWS IoT Core zur Aufnahme der MQTT-Daten, was hoch skalierbar ist und die Verarbeitung von Millionen von Geräten ermöglicht. Regeln leiten die Daten an Amazon Kinesis Data Firehose weiter, das automatisch skaliert, um Spitzenlasten zu bewältigen, und die Daten effizient in Amazon S3 speichert. Amazon Kinesis Data Analytics kann direkt aus dem Firehose-Stream lesen, um Echtzeit-Anomalieerkennung durchzuführen, was den operativen Aufwand minimiert, da es ein vollständig verwalteter Dienst ist. Die Option mit AWS IoT Greengrass ist weniger optimal, da MSK und eine Kafka-basierte Anwendung mehr Betriebsaufwand erfordern. AWS IoT FleetWise ist zwar für Telemetriedaten geeignet, aber die Kombination mit Kinesis Data Streams und AWS Glue Machine-Learning-Transformationen ist komplexer und erfordert mehr Management als Kinesis Data Analytics. Amazon MQ für RabbitMQ ist ein Message Broker, aber Kinesis Data Firehose bietet eine bessere Integration und Skalierbarkeit für diesen Anwendungsfall, und Lookout for Metrics ist eine spezifische Lösung, die möglicherweise nicht die Flexibilität einer Kinesis Data Analytics-Anwendung bietet.