Une entreprise gère une application web de place de marché en ligne qui dessert des centaines de milliers d'utilisateurs en période de pointe. L'entreprise a besoin d'une solution évolutive et quasi-temps réel pour partager des millions de transactions financières avec plusieurs applications internes. Les transactions doivent être traitées pour supprimer les données sensibles avant d'être stockées dans une base de données de documents pour une récupération à faible latence. Que devrait recommander un architecte de solutions ?

L'option correcte utilise Amazon Kinesis Data Streams pour ingérer des millions de transactions en quasi-temps réel. L'intégration avec AWS Lambda permet un traitement synchrone et une suppression des données sensibles avant de stocker les données nettoyées dans Amazon DynamoDB, une base de données de documents à faible latence. De plus, Kinesis Data Streams permet à plusieurs applications de consommer les données de transactions simultanément, répondant ainsi au besoin de partage avec plusieurs applications internes. Les autres options sont moins adaptées : Stocker directement dans DynamoDB et utiliser une règle ne permet pas de supprimer les données sensibles avant le stockage initial et ne gère pas le partage avec plusieurs applications via un flux. Kinesis Data Firehose est conçu pour la livraison vers des destinations de stockage et l'intégration Lambda est asynchrone, ce qui ne garantit pas la suppression des données sensibles avant le stockage initial dans DynamoDB. De plus, consommer depuis S3 n'est pas "quasi-temps réel". Le traitement par lots avec S3 introduit une latence significative et ne répond pas au besoin de traitement "quasi-temps réel".