Ein Telekommunikationsunternehmen sammelt mehrere tausend Netzwerknutzungsdatenpunkte pro Sekunde und verarbeitet diese in Echtzeit, aggregiert und speichert die Ergebnisse in einer Amazon Aurora DB-Instanz. Plötzliche Rückgänge der Nutzung deuten typischerweise auf Ausfälle hin, und das Unternehmen muss diese Rückgänge erkennen und sofort mit der geringstmöglichen Latenz reagieren. Welche Lösung bietet die Erkennung mit der geringsten Latenz?

Die Veröffentlichung der Daten in einem Amazon Kinesis-Datenstrom und die Verwendung einer Amazon Managed Service for Apache Flink-Anwendung ermöglicht die Echtzeitverarbeitung und Erkennung von Nutzungseinbrüchen mit geringster Latenz. Apache Flink ist für die Verarbeitung großer Datenmengen in Echtzeit konzipiert und kann komplexe Analysen und Mustererkennung direkt auf den Streaming-Daten durchführen. Die Abfrage von Aurora oder DynamoDB durch eine Lambda-Funktion im Minutentakt führt zu einer höheren Latenz, da die Erkennung erst nach dem Speichern und Abfragen der Daten erfolgt. Database Activity Streams sind für die Überwachung von Datenbankaktivitäten gedacht, nicht für die Echtzeit-Analyse von Anwendungsdatenströmen zur Erkennung von Nutzungseinbrüchen.