Eine IoT-Plattform nimmt Sensordaten über Node.js-API-Server auf EC2 hinter einem Application Load Balancer auf und speichert sie in einer RDS MySQL-Instanz auf einer einzelnen 4 TB General Purpose SSD. Die Anzahl der Sensoren nimmt zu; die API-Server sind überlastet und RDS zeigt eine hohe Schreiblatenz. Welche zwei Maßnahmen zusammen bieten eine dauerhafte, skalierbare und kostengünstige Lösung, wenn weitere Sensoren hinzugefügt werden?

Die Kombination aus Amazon Kinesis Data Streams und AWS Lambda für die Datenerfassung und Amazon DynamoDB für die Speicherung bietet eine dauerhafte, skalierbare und kostengünstige Lösung. Kinesis Data Streams kann große Mengen an Sensordaten mit hoher Geschwindigkeit aufnehmen und puffern, wodurch die API-Server entlastet werden. Lambda kann diese Daten dann serverlos verarbeiten und in DynamoDB schreiben. DynamoDB ist eine NoSQL-Datenbank, die für IoT-Workloads mit hohen Schreibgeschwindigkeiten und variablen Datenstrukturen optimiert ist und sich automatisch skaliert. Das Erhöhen der MySQL-Volume-Größe würde zwar die IOPS verbessern, aber nicht die grundlegenden Skalierungsprobleme einer relationalen Datenbank für IoT-Workloads lösen. Die Re-Architektur zu Aurora mit Read Replicas würde die Leselatenz verbessern, aber die Schreiblatenz bliebe ein Problem, da alle Schreibvorgänge über die Master-Instanz laufen. AWS X-Ray ist ein nützliches Tool zur Fehlerbehebung, löst aber nicht die zugrunde liegenden Skalierungsprobleme der Architektur. Das Hinzufügen weiterer API-Server allein würde die Überlastung der Datenbank nicht beheben.