Une plateforme IoT ingère des données de capteurs via des serveurs d'API Node.js sur EC2 derrière un Application Load Balancer et les stocke dans une instance RDS MySQL sur un seul SSD à usage général de 4 To. Le nombre de capteurs augmente ; les serveurs d'API sont surchargés et RDS affiche une latence d'écriture élevée. Quelles sont les deux actions qui, ensemble, fournissent une solution permanente, évolutive et rentable à mesure que de nouveaux capteurs sont ajoutés ?

L'utilisation d'Amazon Kinesis Data Streams pour l'ingestion de données brutes des capteurs, traitées ensuite par AWS Lambda, permet une ingestion massive et évolutive, découplant ainsi le traitement des données de l'API et réduisant la charge sur les serveurs Node.js. Kinesis est conçu pour gérer des débits élevés de données en continu. La ré-architecture de la base de données vers Amazon DynamoDB est une solution permanente, évolutive et rentable pour les données de capteurs. DynamoDB est une base de données NoSQL entièrement gérée, offrant une latence faible et une évolutivité à la demande, idéale pour les charges de travail d'écriture intenses et imprévisibles des données IoT, contrairement à RDS MySQL qui rencontre des problèmes de latence d'écriture. Augmenter la taille du volume MySQL améliorerait les IOPS mais ne résoudrait pas le problème fondamental de l'architecture relationnelle pour les données IoT à haut débit. Ré-architecturer vers Amazon Aurora avec des réplicas en lecture n'aiderait pas la latence d'écriture. AWS X-Ray est un outil de débogage et l'ajout de serveurs d'API supplémentaires ne résoudrait pas le goulot d'étranglement de la base de données.