Une entreprise de médias va migrer son magasin de données d'activité utilisateur vers AWS. Le magasin de données atteindra des pétaoctets. L'entreprise a besoin d'une solution d'ingestion de données hautement disponible qui prend en charge l'analyse SQL à la demande des données existantes et nouvelles et qui nécessite le MOINS de frais opérationnels. Quelle solution répond à ces exigences ?

La solution la plus appropriée est d'envoyer les données vers un flux de diffusion Amazon Kinesis Data Firehose et de configurer ce flux pour livrer les données à un cluster Amazon Redshift. Kinesis Data Firehose est un service entièrement géré qui simplifie la capture, la transformation et le chargement de données en continu vers des destinations telles que Redshift, S3 ou Splunk, minimisant ainsi les frais opérationnels. Redshift est un entrepôt de données à l'échelle du pétaoctet, optimisé pour l'analyse SQL à la demande de grandes quantités de données. Envoyer les données vers un flux de données Amazon Kinesis et les livrer à un compartiment S3 nécessiterait une logique supplémentaire pour charger les données dans un service d'analyse comme Redshift ou Athena, augmentant les frais opérationnels. Placer les données dans un compartiment S3 et exécuter une fonction Lambda sur les données à mesure qu'elles arrivent est une approche plus complexe pour l'ingestion de données en continu à grande échelle et ne fournit pas directement une solution d'entrepôt de données pour l'analyse SQL. Créer un service d'ingestion sur des instances EC2 et transférer les données vers une base de données Amazon RDS Multi-AZ est une solution moins gérée, plus coûteuse en termes opérationnels, et RDS n'est pas optimisé pour l'analyse de pétaoctets de données comme l'est Redshift.