Una plataforma de IoT ingiere datos de sensores a través de servidores API de Node.js en EC2 detrás de un Application Load Balancer y los almacena en una instancia de RDS MySQL en un único SSD de propósito general de 4 TB. El número de sensores está creciendo; los servidores API están sobrecargados y RDS muestra una alta latencia de escritura. ¿Qué dos acciones juntas proporcionan una resolución permanente, escalable y rentable a medida que se añaden más sensores?

La opción de usar Amazon Kinesis Data Streams para ingerir datos de sensores sin procesar y procesarlos con AWS Lambda es correcta porque Kinesis es un servicio de ingesta de datos en tiempo real altamente escalable que puede manejar grandes volúmenes de datos de sensores, desacoplando la ingesta de datos del procesamiento. Lambda proporciona procesamiento sin servidor y escalable. La opción de rediseñar la capa de la base de datos para usar Amazon DynamoDB en lugar de RDS MySQL es correcta porque DynamoDB es una base de datos NoSQL sin servidor, de alto rendimiento y escalable que puede manejar los requisitos de escritura de alta latencia de los datos de sensores mucho mejor que RDS MySQL. Aumentar el tamaño del volumen de MySQL a 6 TB podría mejorar las IOPS, pero no resuelve la escalabilidad inherente de RDS MySQL para cargas de escritura intensivas. Rediseñar a Amazon Aurora con réplicas de lectura solo aborda parcialmente la escalabilidad de escritura y no la ingesta de datos. Usar AWS X-Ray y añadir más servidores API solo aborda los síntomas (sobrecarga de API) y no la causa raíz de la alta latencia de escritura de la base de datos ni la escalabilidad de la ingesta de datos.