Een web-crawling proces draait op een vloot van t2.micro EC2-instanties. Instanties pollen een SQS-wachtrij met doel-URL's, crawlen elke URL in 10 seconden of minder, en schrijven de resultaten naar een gedeeld Amazon EFS-bestandssysteem dat op elke instantie is gekoppeld. URL's worden zelden aan de wachtrij toegevoegd, en metrics tonen aan dat instanties inactief zijn wanneer de wachtrij leeg is. Je moet het proces herontwerpen voor kostenoptimalisatie. Welke twee wijzigingen zijn samen het meest kosteneffectief?

Het herstructureren van het web-crawling proces naar een AWS Lambda-functie is kosteneffectief omdat Lambda alleen wordt gefactureerd wanneer de functie actief is, wat ideaal is voor onregelmatige workloads zoals deze. Lambda kan direct SQS-berichten verwerken, waardoor de t2.micro-instanties die inactief zijn wanneer de wachtrij leeg is, overbodig worden. Het opslaan van resultaten in Amazon S3 is ook kosteneffectief omdat S3 een goedkope, schaalbare opslagoplossing is die ideaal is voor ongestructureerde data zoals crawlresultaten. Het vervangen van t2.micro-instanties door m5.8xlarge-instanties en het verminderen van de vlootgrootte is niet kosteneffectief omdat m5.8xlarge-instanties veel duurder zijn en nog steeds inactief zouden zijn wanneer de wachtrij leeg is. Het opslaan van resultaten in Amazon Neptune of Amazon Aurora Serverless MySQL is duurder en minder geschikt voor de ongestructureerde aard van web-crawlresultaten dan S3.