Производитель автомобилей собирает телеметрию через MQTT со многих транспортных средств. Данные обрабатываются каждые 5 минут и копируются в локальное хранилище для обнаружения аномалий с помощью пользовательских приложений. Поскольку локальное хранилище не может масштабироваться до пиковых нагрузок, данные теряются. Какое решение на базе AWS с наименьшими операционными издержками решает проблемы масштабирования и аналитики?

Правильный ответ использует AWS IoT Core для масштабируемого приема данных MQTT с минимальными операционными издержками, поскольку это полностью управляемый сервис. Правила IoT Core направляют данные в Amazon Kinesis Data Firehose, который автоматически масштабируется для обработки пиковых нагрузок и надежно сохраняет данные в Amazon S3, обеспечивая долгосрочное хранение и доступность. Amazon Kinesis Data Analytics обрабатывает данные в реальном времени из Firehose для обнаружения аномалий с использованием SQL или Apache Flink, что является эффективным и управляемым решением. Остальные варианты менее оптимальны: AWS IoT Greengrass требует управления на устройствах и не является самым простым решением для пересылки в MSK, который требует управления кластером. SageMaker требует обучения модели. AWS IoT FleetWise предназначен для более сложного сбора данных с транспортных средств и может быть избыточным, если уже есть MQTT. Kinesis Data Stream требует управления шардами, в отличие от Firehose. AWS Glue ML Transforms не предназначены для потокового обнаружения аномалий. Amazon MQ for RabbitMQ является управляемым брокером сообщений, но не оптимизирован для масштабирования IoT-телеметрии так, как IoT Core. Amazon Lookout for Metrics — это специализированный сервис, но его интеграция может быть сложнее, чем Kinesis Data Analytics для пользовательской логики.