Un'azienda ha acquistato elettrodomestici da più fornitori. Ogni elettrodomestico è dotato di sensori IoT che inviano messaggi di stato, nel formato proprietario di ciascun fornitore, a un'applicazione legacy che li analizza in formato JSON. L'analisi è semplice ma specifica per il fornitore. Una volta al giorno, l'applicazione analizza tutti i record JSON e li scrive in un database relazionale per l'analisi. L'azienda desidera un nuovo design per l'analisi dei dati che sia più veloce ed economico. Quale soluzione soddisfa questi requisiti?

La soluzione corretta sfrutta AWS IoT Core per l'ingestione scalabile dei dati IoT. Le regole IoT e AWS Lambda consentono un'elaborazione in tempo reale e specifica per il fornitore, trasformando i dati proprietari in un formato standardizzato (CSV) e archiviandoli in Amazon S3, una soluzione di storage economica e scalabile. AWS Glue cataloga i dati per renderli interrogabili, mentre Amazon Athena offre analisi ad-hoc serverless e a basso costo direttamente su S3. Amazon QuickSight fornisce visualizzazioni intuitive. Questa architettura è più veloce perché elabora i dati quasi in tempo reale e più economica eliminando l'applicazione legacy e utilizzando servizi serverless e pay-per-use. Le opzioni errate presentano svantaggi: Migrare l'applicazione di parsing su AWS Fargate introduce costi operativi per un servizio containerizzato e non risolve l'elaborazione in tempo reale dei messaggi proprietari. AWS Transfer for SFTP non è progettato per l'ingestione diretta di messaggi da sensori IoT e richiederebbe modifiche significative ai sensori. AWS Snowball Edge è per la raccolta di grandi volumi di dati offline o in ambienti edge con connettività limitata, non per l'elaborazione continua di flussi di dati IoT.