Een autofabrikant verzamelt telemetrie via MQTT van veel voertuigen. Gegevens worden elke 5 minuten verwerkt en gekopieerd naar on-premises opslag voor anomaliedetectie door aangepaste apps. Omdat on-premises opslag niet kan schalen naar pieken, gaan er gegevens verloren. Welke AWS-gebaseerde oplossing met de minste operationele overhead lost de schaal- en analysebehoeften op?

De correcte optie biedt een volledig beheerde, schaalbare oplossing met minimale operationele overhead. AWS IoT Core is ideaal voor het opnemen van telemetriegegevens van miljoenen apparaten. De regels van IoT Core kunnen berichten direct naar Kinesis Data Firehose routeren, wat een serverloze service is die automatisch schaalt en gegevens efficiënt naar Amazon S3 levert voor duurzame opslag. Kinesis Data Analytics kan vervolgens in real-time afwijkingen detecteren door direct uit de Firehose-leveringsstroom te lezen, wat de verwerkingslatentie minimaliseert. De andere opties zijn minder optimaal: Het gebruik van Greengrass en MSK voegt complexiteit toe voor edge-verwerking en een Kafka-clusterbeheer, wat de operationele overhead verhoogt. IoT FleetWise is specifiek voor voertuiggegevens, maar de combinatie met Kinesis Data Streams en Glue machine-learning transforms is minder efficiënt voor real-time detectie dan Kinesis Data Analytics. Amazon MQ for RabbitMQ is een berichtbroker die beheerd moet worden en niet primair ontworpen is voor de schaal van IoT-telemetrie zoals IoT Core. Lookout for Metrics is een goede service, maar de initiële opname via MQ is minder geschikt.