Firma zajmująca się cyberbezpieczeństwem musi oceniać przychodzące zdarzenia bezpieczeństwa pod kątem anomalii w czasie rzeczywistym, a także przechowywać wyniki anomalii w swoim jeziorze danych do późniejszej analizy. Jaki jest najbardziej efektywny projekt do osiągnięcia oceny anomalii w czasie rzeczywistym w miarę pozyskiwania danych i utrwalania wyników w S3?

Ta opcja jest najbardziej efektywna, ponieważ Amazon Kinesis Data Firehose umożliwia strumieniowe pozyskiwanie danych w czasie rzeczywistym i automatyczne dostarczanie ich do S3. Kinesis Data Analytics z Random Cut Forest (RCF) to w pełni zarządzana usługa do wykrywania anomalii w strumieniach danych, idealna do oceny w czasie rzeczywistym. Wyniki anomalii mogą być następnie przekazane z powrotem do S3 za pośrednictwem Kinesis Data Firehose, co zapewnia kompleksowe i skalowalne rozwiązanie. Pozostałe opcje są mniej odpowiednie: Apache Spark Streaming na EMR jest bardziej złożony i wymaga zarządzania klastrem, a HDFS nie jest typowym jeziorem danych dla długoterminowej analizy w AWS. AWS Batch z Deep Learning AMIs i TensorFlow jest przeznaczony do zadań wsadowych i trenowania modeli, a nie do wykrywania anomalii w czasie rzeczywistym na strumieniach danych. AWS Glue i SageMaker RCF to rozwiązania wsadowe lub wymagające ręcznego wyzwalania, co nie spełnia wymogu oceny w czasie rzeczywistym.