Un constructeur automobile collecte des données de télémétrie via MQTT depuis de nombreux véhicules. Les données sont traitées toutes les 5 minutes et copiées sur un stockage sur site pour la détection d'anomalies par des applications personnalisées. Le stockage sur site ne pouvant pas s'adapter aux pics de charge, des données sont perdues. Quelle solution basée sur AWS, avec le moins de frais opérationnels, répond aux besoins de mise à l'échelle et d'analyse ?

La bonne réponse utilise AWS IoT Core pour l'ingestion des données MQTT, car il est conçu pour gérer des millions d'appareils connectés et des volumes élevés de messages. Les règles IoT Core peuvent acheminer directement les messages vers Amazon Kinesis Data Firehose, qui est un service entièrement géré pour la livraison de données en continu vers S3, gérant automatiquement les pics de charge sans frais opérationnels. Amazon Kinesis Data Analytics peut ensuite analyser les données en temps réel depuis Firehose pour la détection d'anomalies. Les autres options sont moins optimales : AWS IoT Greengrass est pour le traitement en périphérie, pas pour l'ingestion directe de données cloud à grande échelle. Amazon MSK introduit une complexité de gestion. AWS IoT FleetWise est une bonne option pour la collecte de données, mais l'utilisation de Kinesis Data Stream puis Firehose ajoute une étape inutile si Firehose peut ingérer directement. Les transformations ML de Glue sont plus adaptées au traitement par lots qu'à l'analyse en temps réel. Amazon MQ for RabbitMQ est un courtier de messages géré, mais AWS IoT Core est plus spécifiquement conçu et optimisé pour l'ingestion de données IoT à grande échelle. Amazon Lookout for Metrics est une bonne option pour la détection d'anomalies, mais l'ingestion via MQ est moins efficace que IoT Core.