Een IoT-platform neemt sensorgegevens op via Node.js API-servers op EC2 achter een Application Load Balancer en slaat deze op in een RDS MySQL-instantie op een enkele 4 TB General Purpose SSD. Het aantal sensoren groeit; API-servers zijn overbelast en RDS vertoont een hoge schrijflatentie. Welke twee acties bieden samen een permanente, schaalbare en kostenefficiënte oplossing naarmate er meer sensoren worden toegevoegd?

De combinatie van Amazon Kinesis Data Streams en Amazon DynamoDB biedt een schaalbare en kostenefficiënte oplossing. Kinesis Data Streams is ideaal voor het opnemen van grote volumes sensorgegevens, ontkoppelt de API-servers van de database en kan verwerkt worden met AWS Lambda voor verdere verwerking of opslag. DynamoDB is een NoSQL-database die uitstekend schaalt voor IoT-workloads met hoge schrijfsnelheden en variabele datastructuren, wat de hoge schrijflatentie van RDS oplost. Het verhogen van de MySQL-volumegrootte naar 6 TB verbetert de IOPS, maar lost de fundamentele schaalbaarheidsproblemen van een relationele database voor IoT niet op. Het herstructureren naar Amazon Aurora met read replicas verbetert de leesprestaties, maar de schrijflatentie blijft een knelpunt voor de primaire instance bij hoge IoT-schrijfbelasting. AWS X-Ray is een monitoringtool en het toevoegen van meer API-servers verlicht de belasting van de API-servers, maar pakt de onderliggende databaseproblemen niet aan.