Platforma podcastowa rejestruje zdarzenia użytkowników o dużej objętości i uruchamia model wykrywania anomalii, używając 10-minutowego okna kroczącego. Każde zdarzenie wymaga niewielkich transformacji przed wnioskowaniem. Który projekt pozyskiwania i wstępnego przetwarzania zdarzeń zapewnia wymagane transformacje przy najmniejszym obciążeniu operacyjnym?

Prawidłowa odpowiedź to użycie Amazon Kinesis Data Streams do pozyskiwania zdarzeń i Amazon Kinesis Data Analytics (Apache Flink) do transformacji. Kinesis Data Streams to skalowalne rozwiązanie do strumieniowego przesyłania danych w czasie rzeczywistym, a Kinesis Data Analytics z Apache Flink jest idealne do przetwarzania strumieniowego w czasie rzeczywistym, w tym do transformacji danych i tworzenia okien czasowych (np. 10-minutowych okien kroczących) z minimalnym obciążeniem operacyjnym. Pozostałe opcje są mniej optymalne: AWS AppSync z DynamoDB i Lambda wprowadzałoby większe opóźnienia i złożoność zarządzania stanem dla okien kroczących. Kinesis Data Firehose do S3 z AWS Glue jest rozwiązaniem wsadowym, a nie strumieniowym w czasie rzeczywistym, co nie spełnia wymagań 10-minutowego okna kroczącego. Amazon MSK z Lambda wymagałoby ręcznego zarządzania logiką okienkowania i transformacji w Lambdzie, co zwiększa obciążenie operacyjne w porównaniu do Kinesis Data Analytics.