Un produttore di veicoli raccoglie dati di telemetria tramite MQTT da molti veicoli. I dati vengono elaborati ogni 5 minuti e copiati su storage on-premises per il rilevamento delle anomalie tramite app personalizzate. Poiché lo storage on-premises non può scalare per gestire i picchi, i dati vengono persi. Quale soluzione basata su AWS con il minor overhead operativo risolve le esigenze di scalabilità e analisi?

La soluzione corretta sfrutta AWS IoT Core per l'ingestione scalabile dei dati MQTT dai veicoli. Le regole di IoT Core instradano i messaggi direttamente a Kinesis Data Firehose, che gestisce automaticamente il buffering e la persistenza dei dati su Amazon S3, fornendo scalabilità per i picchi senza overhead operativo. Kinesis Data Analytics può quindi elaborare i dati in tempo reale dal delivery stream di Firehose per il rilevamento delle anomalie, offrendo una soluzione completamente gestita. Le opzioni errate presentano svantaggi: L'uso di AWS IoT Greengrass introduce complessità di gestione sul bordo e Amazon MSK richiede la gestione di un cluster Kafka. AWS IoT FleetWise è specifico per la raccolta di dati da veicoli, ma l'uso di Kinesis Data Streams e le trasformazioni di machine learning di AWS Glue aggiungono complessità e overhead rispetto a Kinesis Data Firehose e Data Analytics. Amazon MQ for RabbitMQ è un broker di messaggi gestito, ma introduce un componente aggiuntivo non nativo per l'ingestione IoT rispetto a IoT Core, e Amazon Lookout for Metrics potrebbe non essere sufficientemente flessibile per tutti i tipi di rilevamento delle anomalie personalizzate.