Una piattaforma di podcast registra eventi utente ad alto volume ed esegue un modello di rilevamento delle anomalie utilizzando una finestra mobile di 10 minuti. Ogni evento richiede piccole trasformazioni prima dell'inferenza. Quale design di acquisizione ed elaborazione preliminare degli eventi fornisce le trasformazioni richieste con il minimo overhead operativo?

La risposta corretta è acquisire gli eventi con Amazon Kinesis Data Streams e applicare le trasformazioni in un'applicazione Amazon Kinesis Data Analytics (Apache Flink) per produrre la finestra di 10 minuti trasformata per l'inferenza. Kinesis Data Streams è ideale per l'ingestione di dati ad alto volume e in tempo reale. Kinesis Data Analytics con Apache Flink consente la trasformazione e l'analisi dei dati in streaming, inclusa la gestione di finestre temporali (come i 10 minuti richiesti), con un overhead operativo minimo grazie alla sua natura serverless e gestita. Le altre opzioni sono meno efficienti per questo caso d'uso: L'uso di AWS AppSync e DynamoDB Streams introduce latenza e complessità per l'elaborazione in tempo reale di finestre temporali. Kinesis Data Firehose verso S3 e AWS Glue sono più adatti per l'elaborazione batch o quasi in tempo reale, non per finestre scorrevoli in tempo reale. Amazon MSK con Lambda per le trasformazioni richiede una gestione più manuale dell'elaborazione dello stream e della logica di finestra rispetto a Kinesis Data Analytics.