Het IoT-platform van een bedrijf draait momenteel on-premises: een server gebruikt MQTT om elke 5 minuten telemetrie van apparaten te verzamelen en slaat apparaatmetadata op in een MongoDB-cluster. Een periodiek draaiende on-premises app aggregeert en transformeert telemetrie+metadata om rapporten te produceren; die taken duren 120-600 seconden. Een aparte web-app draait altijd om rapporten te serveren. Het bedrijf verhuist naar AWS en wil de operationele overhead verminderen. Welke combinatie van stappen voldoet aan de vereisten met de MINSTE operationele overhead? (Kies drie.)

Het configureren van IoT-apparaten om te publiceren naar AWS IoT Core vermindert de operationele overhead aanzienlijk door het beheer van de MQTT-broker uit handen te nemen en schaalbaarheid te bieden. Het schrijven van apparaatmetadata naar Amazon DocumentDB (met MongoDB-compatibiliteit) is ideaal omdat het een volledig beheerde, schaalbare en compatibele databaseoplossing is voor de bestaande MongoDB-workload, wat de operationele overhead minimaliseert. Het gebruik van AWS Step Functions met Lambda-taken voor rapportvoorbereiding en Amazon S3/CloudFront voor rapportlevering biedt een serverloze, schaalbare en kosteneffectieve oplossing voor de aggregatie- en web-app-functionaliteit. Het vervangen van on-premises connectors door Lambda-functies om rechtstreeks verbinding te maken met IoT-apparaten is niet ideaal, aangezien IoT Core de standaard en meest efficiënte service is voor apparaatconnectiviteit. Het gebruik van een zelfbeheerde MongoDB op EC2 verhoogt de operationele overhead, wat in strijd is met de vereisten. Een Amazon EKS-cluster op EC2 voor rapportvoorbereiding en -levering zou de operationele overhead aanzienlijk verhogen in vergelijking met de serverloze oplossingen van Step Functions, Lambda, S3 en CloudFront.