Een nutsbedrijf verzamelt elke 5 minuten slimme metergegevens. De gegevens komen binnen via Amazon API Gateway, gaan naar een AWS Lambda-functie en worden opgeslagen in een Amazon DynamoDB-tabel. Tijdens een pilot duurde Lambda 3-5 seconden, maar naarmate het aantal meters toenam, stegen de Lambda-duur naar 1-2 minuten, en meer metrische typen verhoogden de duur verder. Er zijn veel ProvisionedThroughputExceededException-fouten bij DynamoDB PUTs en veel TooManyRequestsException-fouten van Lambda. Welke combinatie van wijzigingen lost de problemen op? (Kies er twee.)

De ProvisionedThroughputExceededException fouten bij DynamoDB duiden op onvoldoende schrijfcapaciteit. Het verhogen van de write capacity units (WCU's) op de DynamoDB-tabel lost dit probleem op door meer schrijfdoorvoer toe te staan. De TooManyRequestsException fouten van Lambda en de toegenomen Lambda-duur suggereren dat de Lambda-functie overbelast raakt door het grote aantal gelijktijdige aanroepen en de inefficiënte verwerking van individuele records. Door de gegevens van API Gateway naar een Amazon Kinesis Data Stream te streamen en deze in batches te verwerken, kan de Lambda-functie efficiënter werken, de belasting verdelen en het aantal aanroepen verminderen. Het verhogen van het Lambda-geheugen is niet de primaire oplossing, omdat de duur wordt veroorzaakt door externe factoren (DynamoDB-doorvoer en het grote aantal aanroepen), niet door geheugenbeperkingen. Het verhogen van de payload-grootte zou de problemen alleen maar verergeren. Een SQS FIFO-wachtrij kan helpen bij het bufferen, maar lost de onderliggende problemen van de Lambda-overbelasting en de inefficiënte verwerking niet op dezelfde schaal op als Kinesis met batchverwerking.