Ein Web-Crawling-Prozess läuft auf einer Flotte von t2.micro EC2-Instanzen. Die Instanzen fragen eine SQS-Warteschlange mit Ziel-URLs ab, crawlen jede URL in 10 Sekunden oder weniger und schreiben die Ergebnisse in ein gemeinsam genutztes Amazon EFS-Dateisystem, das auf jeder Instanz gemountet ist. URLs werden selten zur Warteschlange hinzugefügt, und Metriken zeigen, dass Instanzen im Leerlauf sind, wenn die Warteschlange leer ist. Sie müssen das Design zur Kostenoptimierung überarbeiten. Welche zwei Änderungen zusammen sind am kostengünstigsten?

Die Umstrukturierung des Web-Crawling-Prozesses in eine AWS Lambda-Funktion ist kostengünstig, da Lambda serverlos ist und nur für die tatsächliche Ausführungszeit abgerechnet wird. Da die Warteschlange selten URLs erhält und die Instanzen oft im Leerlauf sind, eliminiert Lambda die Kosten für ungenutzte EC2-Instanzen. Lambda kann direkt Nachrichten aus SQS abrufen. Das Speichern der Ergebnisse in Amazon S3 ist ebenfalls kostengünstig, da S3 ein hochverfügbarer, skalierbarer und kostengünstiger Objektspeicherdienst ist, der sich ideal für unstrukturierte Daten wie Crawling-Ergebnisse eignet. Das aktuelle EFS ist teurer und komplexer zu verwalten für diesen Anwendungsfall. Die Option, t2.micro-Instanzen durch m5.8xlarge zu ersetzen, ist nicht kostengünstig, da größere Instanzen teurer sind und das Problem des Leerlaufs nicht lösen. Das Speichern der Ergebnisse in Amazon Neptune oder Aurora Serverless MySQL ist für Web-Crawling-Ergebnisse in der Regel teurer und komplexer als S3, da diese Datenbanken für strukturierte Daten und spezifische Abfrageanforderungen optimiert sind, die hier nicht primär sind.