Platforma IoT pobiera dane z czujników za pośrednictwem serwerów API Node.js na EC2, za Application Load Balancer, i przechowuje je w instancji RDS MySQL na pojedynczym dysku SSD ogólnego przeznaczenia o pojemności 4 TB. Liczba czujników rośnie; serwery API są przeciążone, a RDS wykazuje wysokie opóźnienia zapisu. Które dwie czynności razem zapewnią trwałe, skalowalne i ekonomiczne rozwiązanie w miarę dodawania kolejnych czujników?

Użycie Amazon Kinesis Data Streams do pobierania surowych danych z czujników i przetwarzanie ich za pomocą AWS Lambda to doskonałe rozwiązanie dla rosnącej liczby czujników. Kinesis to wysoce skalowalna usługa do strumieniowania danych w czasie rzeczywistym, która efektywnie obsłuży duży napływ danych z czujników, odciążając serwery API. Lambda pozwala na bezserwerowe przetwarzanie tych danych, skalując się automatycznie w zależności od obciążenia. Przeprojektowanie warstwy bazy danych w celu użycia Amazon DynamoDB zamiast RDS MySQL jest kluczowe dla rozwiązania problemu opóźnień zapisu i skalowalności. DynamoDB to bezserwerowa baza danych NoSQL, która oferuje bardzo niskie opóźnienia i praktycznie nieograniczoną skalowalność dla operacji zapisu i odczytu, idealna dla danych z IoT. Zwiększenie rozmiaru woluminu MySQL może tymczasowo poprawić IOPS, ale nie rozwiązuje fundamentalnego problemu skalowalności. Przeprojektowanie na Amazon Aurora z replikami do odczytu poprawi skalowalność odczytu, ale niekoniecznie rozwiąże problem wysokich opóźnień zapisu w scenariuszu IoT z dużą liczbą jednoczesnych zapisów. AWS X-Ray jest narzędziem do monitorowania, a dodanie większej liczby serwerów API to tylko tymczasowe rozwiązanie, które nie adresuje problemu przeciążenia bazy danych.