Ein Unternehmen hostet eine Anwendung auf AWS-Lambda-Funktionen, die von einer Amazon API Gateway-API aufgerufen werden. Die Lambda-Funktionen speichern Kundendaten in einer Amazon Aurora MySQL-Datenbank. Immer wenn das Unternehmen die Datenbank aktualisiert, können die Lambda-Funktionen keine Datenbankverbindungen herstellen, bis das Upgrade abgeschlossen ist, was zu einem Verlust von Kundendaten für einige Ereignisse führt. Ein Lösungsarchitekt muss eine Lösung entwerfen, die Kundendaten speichert, die während Datenbank-Upgrades erstellt wurden. Welche Lösung erfüllt diese Anforderungen?

Die Speicherung von Kundendaten in einer Amazon SQS FIFO-Warteschlange während eines Datenbank-Upgrades ermöglicht es, die Daten zu puffern, wenn die Datenbank nicht verfügbar ist. Eine separate Lambda-Funktion kann die Warteschlange abfragen und die Daten in die Datenbank schreiben, sobald diese wieder online ist, wodurch Datenverluste vermieden werden. Dies entkoppelt die Datenerfassung von der Datenbankverfügbarkeit. Ein Amazon RDS-Proxy ist zwar nützlich für die Verbindungspooling und das Failover, löst aber nicht das Problem der Nichtverfügbarkeit der Datenbank während eines Upgrades. Das Erhöhen der Lambda-Laufzeit und ein Wiederholungsmechanismus würden die Lambda-Funktion blockieren und möglicherweise zu Timeouts führen, wenn das Upgrade länger dauert. Das Speichern von Daten im lokalen Lambda-Speicher ist nicht zuverlässig, da der Speicher flüchtig ist und bei Funktionsbeendigung oder Skalierung verloren gehen kann.