Un fabricante de vehículos recopila telemetría a través de MQTT de muchos vehículos. Los datos se procesan cada 5 minutos y se copian en un almacenamiento on-premises para la detección de anomalías mediante aplicaciones personalizadas. Debido a que el almacenamiento on-premises no puede escalar para picos, se pierden datos. ¿Qué solución basada en AWS con la menor sobrecarga operativa resuelve las necesidades de escalado y análisis?

La opción correcta utiliza AWS IoT Core para la ingesta escalable de datos MQTT, que es ideal para telemetría de vehículos. Las reglas de IoT Core pueden enrutar directamente los mensajes a Amazon Kinesis Data Firehose, que es un servicio sin servidor que escala automáticamente para almacenar datos en Amazon S3 de manera eficiente y con baja sobrecarga operativa. Amazon Kinesis Data Analytics puede leer directamente de Kinesis Data Firehose para el procesamiento y la detección de anomalías en tiempo casi real, sin necesidad de administrar servidores. Las opciones incorrectas presentan las siguientes desventajas: AWS IoT Greengrass es para computación en el borde, no para ingesta centralizada. Amazon MSK requiere gestión de clústeres, aumentando la sobrecarga operativa. AWS IoT FleetWise es para la recopilación y normalización de datos de vehículos, pero la solución propuesta para el análisis no es la más eficiente. AWS Glue para ML puede ser costoso y más complejo para la detección de anomalías en tiempo casi real. Amazon MQ for RabbitMQ es un bróker de mensajes gestionado, pero AWS IoT Core está específicamente diseñado para dispositivos IoT y es más escalable para este caso de uso. Amazon Lookout for Metrics es una buena opción para detección de anomalías, pero la ingesta a través de MQ no es la más óptima para IoT.