Producent pojazdów zbiera dane telemetryczne przez MQTT z wielu pojazdów. Dane są przetwarzane co 5 minut i kopiowane do lokalnej pamięci masowej w celu wykrywania anomalii przez niestandardowe aplikacje. Ponieważ lokalna pamięć masowa nie może skalować się do szczytowych obciążeń, dane są tracone. Które rozwiązanie oparte na AWS, z najmniejszym obciążeniem operacyjnym, rozwiązuje potrzeby skalowania i analityki?

Poprawna odpowiedź wykorzystuje AWS IoT Core do niezawodnego pozyskiwania danych MQTT ze względu na jego skalowalność i zarządzanie urządzeniami. Reguły IoT Core umożliwiają łatwe przekierowanie danych do Amazon Kinesis Data Firehose, który automatycznie buforuje i dostarcza dane do Amazon S3, zapewniając trwałe przechowywanie i skalowalność bez konieczności zarządzania serwerami. Amazon Kinesis Data Analytics przetwarza dane w czasie rzeczywistym bezpośrednio ze strumienia Firehose, co jest idealne do wykrywania anomalii, minimalizując obciążenie operacyjne. Nieprawidłowe opcje: AWS IoT Greengrass jest przeznaczony do przetwarzania brzegowego, a nie do centralnego pozyskiwania. Amazon MSK wymaga zarządzania klastrem Kafka, co zwiększa obciążenie operacyjne. AWS IoT FleetWise jest dedykowany do zbierania danych pojazdów, ale Kinesis Data Stream wymaga zarządzania shardingiem, a AWS Glue do wykrywania anomalii jest mniej odpowiedni dla analizy strumieniowej w czasie rzeczywistym niż Kinesis Data Analytics. Amazon MQ dla RabbitMQ jest zarządzaną usługą brokera wiadomości, ale nie jest tak zintegrowany z ekosystemem IoT i analizy strumieniowej AWS jak IoT Core i Kinesis, co zwiększa złożoność. Lookout for Metrics jest dobrym narzędziem do wykrywania anomalii, ale całe rozwiązanie jest mniej optymalne.