Une entreprise de cybersécurité doit évaluer les événements de sécurité entrants pour détecter les anomalies en temps réel et stocker les scores d'anomalie dans son lac de données pour une analyse ultérieure. Quelle est la conception la plus efficace pour réaliser l'évaluation des anomalies en temps réel au fur et à mesure de l'ingestion des données et persister les résultats dans S3 ?

Cette option est la plus efficace car Kinesis Data Firehose permet une ingestion de données en continu et une livraison directe vers S3. Kinesis Data Analytics, avec l'algorithme Random Cut Forest (RCF) intégré, est spécifiquement conçu pour la détection d'anomalies en temps réel sur des flux de données, sans nécessiter de gestion de serveurs. Les résultats peuvent ensuite être renvoyés à S3 via un autre Kinesis Data Firehose, assurant une persistance simple et évolutive. Les autres options sont moins adaptées : Apache Spark Streaming sur EMR est plus complexe à gérer et potentiellement plus coûteux pour ce cas d'usage simple de détection d'anomalies en temps réel. De plus, stocker les résultats dans HDFS sur EMR n'est pas idéal pour une persistance à long terme dans un lac de données S3. L'ingestion directe dans S3 puis l'utilisation d'AWS Batch avec des AMI Deep Learning pour entraîner un modèle k-means est une approche par lots, non en temps réel, et surdimensionnée pour la détection d'anomalies. L'ingestion dans S3 suivie d'une tâche AWS Glue à la demande et de SageMaker RCF est également une approche par lots, non conçue pour le traitement en temps réel des flux de données.