Accompany bouwt een systeem om sensorgegevens te verzamelen van honderden fabrieksapparaten. Apparaten publiceren elke 5 seconden gegevens naar AWS IoT Core. De gegevens moeten worden verrijkt voordat ze worden geladen in een Amazon S3 data lake en nieuwe sensorgegevens moeten binnen 30 minuten na verzameling beschikbaar zijn in S3. Geen andere applicaties consumeren de IoT Core-berichten. Welke oplossing is het MEEST kosteneffectief en voldoet tegelijkertijd aan deze vereisten?

De correcte optie is het meest kosteneffectief omdat het de overhead van individuele Lambda-aanroepen per IoT-bericht vermijdt en efficiënt gebruik maakt van Kinesis Data Firehose voor batchverwerking en verrijking. AWS IoT Core Basic Ingest is gratis en Kinesis Data Firehose kan de gegevens bufferen (tot 900 seconden) voordat de Lambda-functie wordt aangeroepen, wat de kosten van Lambda-aanroepen aanzienlijk verlaagt. De 30-minuten vereiste wordt gehaald, aangezien 900 seconden (15 minuten) ruim binnen deze marge valt. De eerste optie roept Lambda aan voor elk bericht, wat duur is bij honderden apparaten die elke 5 seconden publiceren. De derde optie introduceert Timestream, wat extra kosten en complexiteit met zich meebrengt zonder duidelijke voordelen voor deze use case. De vierde optie met Kinesis Data Streams vereist het beheer van shards en een Lambda-consumer die continu leest, wat duurder en complexer is dan Firehose voor deze batch-georiënteerde taak.