Eine Hochwasserüberwachungsbehörde verfügt über mehr als 10.000 Sensoren, die kontinuierlich Updates von jeweils unter 1 MB senden. On-Premises-Anwendungsserver empfangen Sensor-Updates, wandeln sie in menschenlesbare Datensätze um und schreiben die Ergebnisse in eine On-Premises-relationale Datenbank. Analysten führen einfache SQL-Abfragen für die Live-Daten aus. Aufgrund von Wartungsarbeiten (Patches/Updates) kommt es bei diesen Servern zu Ausfallzeiten, und während ein Server ausgefallen ist, können die verbleibenden Server die Last nicht bewältigen, was zu Datenverlust führt. Die Behörde wünscht sich eine höhere Verfügbarkeit sowie einen geringeren Betriebsaufwand und niedrigere Kosten. Der Architekt empfiehlt die Verwendung von AWS IoT Core zur Erfassung von Sensordaten. Welches zusätzliche Design sollte der Architekt empfehlen, um die Anforderungen zu erfüllen?

Die korrekte Option nutzt Kinesis Data Firehose für die Datenerfassung, was eine hohe Verfügbarkeit und automatische Skalierung bietet. Eine Lambda-Funktion konvertiert die Daten in Apache Parquet, ein effizientes Spaltenformat, das die Speicherung in S3 optimiert und die Abfrageleistung verbessert. Amazon S3 bietet kostengünstige und hochverfügbare Speicherung. Amazon Athena ermöglicht Analysten, die Daten direkt in S3 mit SQL abzufragen, ohne Server verwalten zu müssen, was den Betriebsaufwand und die Kosten reduziert. Die erste Option verwendet Aurora MySQL, was für einfache SQL-Abfragen von Live-Daten geeignet ist, aber die Skalierbarkeit und Kosten optimieren könnte. Die dritte und vierte Option verwenden Amazon Managed Service for Apache Flink (Kinesis Data Analytics), was für komplexe Echtzeit-Transformationen geeignet ist, aber für die hier beschriebene einfache Konvertierung und Speicherung möglicherweise überdimensioniert und teurer wäre als eine Lambda-Funktion mit Firehose.