Eine Podcast-Plattform erkennt geringes Engagement, indem sie ein gleitendes 10-Minuten-Fenster von Benutzerereignissen analysiert. Sie müssen Ereignisse aufnehmen und die Daten der letzten 10 Minuten transformieren, bevor Sie Inferenzen mit minimalem Betriebsaufwand ausführen. Welches Design ist am besten geeignet?

Die beste Lösung ist, Amazon Kinesis Data Streams zur Aufnahme der Ereignisse zu verwenden und Amazon Kinesis Data Analytics für die Transformation der Daten innerhalb des gleitenden 10-Minuten-Fensters vor der Inferenz einzusetzen. Kinesis Data Streams ist ideal für die Erfassung großer Mengen von Echtzeitdaten. Kinesis Data Analytics ist eine vollständig verwaltete Lösung, die SQL oder Apache Flink zur Verarbeitung von Streaming-Daten in Echtzeit nutzen kann, was perfekt für die Analyse von Zeitfenstern ist und den Betriebsaufwand minimiert. Die anderen Optionen sind weniger geeignet: Amazon MSK ist eine gute Option für Apache Kafka, aber Kinesis Data Streams ist oft einfacher für die reine Datenerfassung in AWS. Die Verwendung von Kinesis Data Firehose zur Lieferung an S3 und anschließende Transformation mit Lambda würde zusätzliche Latenz einführen und ist nicht ideal für Echtzeit-Fensteranalysen. Die Kombination von MSK mit Lambda für die Transformation ist zwar möglich, aber Kinesis Data Analytics ist für diese Art von Streaming-Transformationen optimiert und bietet einen geringeren Betriebsaufwand.