Un'agenzia di monitoraggio delle inondazioni dispone di oltre 10.000 sensori che inviano continuamente aggiornamenti, ciascuno di dimensioni inferiori a 1 MB. I server applicativi on-premise ricevono gli aggiornamenti dei sensori, li trasformano in record leggibili dall'uomo e scrivono i risultati in un database relazionale on-premise. Gli analisti eseguono semplici query SQL sui dati in tempo reale. A causa della manutenzione (patch/aggiornamenti), questi server subiscono tempi di inattività e, mentre un server è inattivo, i server rimanenti non riescono a gestire il carico, causando la perdita di dati. L'agenzia desidera una maggiore disponibilità e un minore sforzo operativo e costo. L'architetto consiglia di utilizzare AWS IoT Core per acquisire i dati dei sensori. Quale ulteriore progettazione dovrebbe raccomandare l'architetto per soddisfare i requisiti?

La soluzione corretta sfrutta Kinesis Data Firehose per l'acquisizione scalabile e serverless dei dati dei sensori, integrando una funzione Lambda per la trasformazione in formato Apache Parquet, ottimale per l'analisi. L'archiviazione su Amazon S3 offre durabilità e costi contenuti. Amazon Athena consente agli analisti di interrogare i dati direttamente su S3 utilizzando SQL standard, eliminando la necessità di un database relazionale tradizionale e riducendo il carico operativo e i costi. Le opzioni che utilizzano Amazon Aurora MySQL introducono un database relazionale che, sebbene gestito, potrebbe non essere l'opzione più conveniente o scalabile per l'analisi di grandi volumi di dati in tempo reale, specialmente se le query sono semplici. L'opzione con Amazon Managed Service for Apache Flink (Kinesis Data Analytics) è valida per la trasformazione, ma Kinesis Data Firehose con Lambda offre una soluzione più semplice e spesso più economica per questo specifico caso d'uso di trasformazione e archiviazione.