Een videoverwerkingsapplicatie draait als een Node.js AWS Lambda-functie die wordt getriggerd door S3 wanneer een nieuwe afbeelding wordt geüpload. De functie downloadt afbeeldingen van de ene S3-bucket, transformeert ze, schrijft de getransformeerde afbeelding naar een tweede S3-bucket en werkt metadata bij in DynamoDB. Naarmate de afbeeldingsgroottes toenamen, loopt de Lambda-functie nu regelmatig vast (timeout); de functie-timeout is al ingesteld op het maximum. Het bedrijf wil geen servers beheren. Welke combinatie van wijzigingen moet de solutions architect implementeren om invocatiefouten te voorkomen? (Kies twee.)

De huidige Lambda-functie loopt vast door toenemende afbeeldingsgroottes, wat duidt op een behoefte aan meer rekenkracht en/of langere uitvoeringstijd dan Lambda's limieten toestaan. De maximale timeout van Lambda is 15 minuten. De correcte opties lossen dit op door de zware videoverwerking te verplaatsen naar AWS Fargate, een serverloze containerdienst. 1. Het verpakken van de applicatie als een Docker-containerimage en publiceren naar Amazon ECR maakt de applicatie draagbaar en inzetbaar op Fargate. 2. Het creëren van een Amazon ECS-taakdefinitie met Fargate-compatibiliteit en het aanpassen van de Lambda-functie om deze Fargate-taak te starten bij een S3-upload, maakt gebruik van Fargate's vermogen om langlopende, resource-intensieve taken uit te voeren zonder serverbeheer. Fargate biedt meer flexibiliteit in CPU- en geheugenconfiguratie en heeft geen harde timeout-limiet zoals Lambda. De incorrecte opties: AWS Step Functions met Parallel-status en verhoogde provisioned concurrency voor Lambda lost het timeout-probleem niet op, omdat de individuele Lambda-invocatie nog steeds de maximale timeout kan bereiken. Amazon ECS met Amazon EC2-compatibiliteit vereist serverbeheer, wat in strijd is met de bedrijfseis. Het wijzigen van de opslag naar Amazon EFS en Amazon RDS en het mounten van EFS op Lambda lost het timeout-probleem van de verwerking zelf niet op.