Bir şirket, Amazon Kinesis Data Firehose aracılığıyla otomobil sensörlerinden Amazon S3'e IoT verilerini aktararak yılda trilyonlarca S3 nesnesi üretiyor. Her sabah şirket, önceki 30 günlük verileri kullanarak ML modellerini yeniden eğitiyor; üç ayda bir ise diğer analizler için önceki 12 aylık verileri kullanıyor. Veriler, 1 yıla kadar minimum gecikmeyle erişilebilir olmalı ve 1 yıl sonra arşivleme amacıyla saklanmalıdır. En uygun maliyetli depolama çözümü hangisidir?

Doğru cevap, S3 Standard depolama sınıfını kullanmak ve nesneleri 30 gün sonra S3 Standard-IA'ya, ardından 1 yıl sonra S3 Glacier Deep Archive'a geçirmek için bir S3 Lifecycle ilkesi oluşturmaktır. Bunun nedeni, ilk 30 gün boyunca makine öğrenimi modellerini yeniden eğitmek için verilere sıkça erişilmesi gerektiğidir, bu da S3 Standard için uygundur. Sonraki 11 ay boyunca verilere daha az sıklıkta erişilir (üç ayda bir analiz için), bu da S3 Standard-IA için idealdir. Bir yıl sonra veriler yalnızca arşivleme amacıyla saklanacaktır, bu da en düşük maliyetli depolama sınıfı olan S3 Glacier Deep Archive'a geçişi haklı çıkarır. Diğer seçenekler, ya gereksiz yere daha pahalı depolama sınıflarını çok uzun süre kullanır ya da S3 Intelligent-Tiering'in otomatik geçiş mantığını yanlış anlar. S3 Intelligent-Tiering, erişim modellerine göre katmanlar arasında otomatik geçiş yapar, ancak belirli bir süre sonra doğrudan Glacier Deep Archive'a geçişi otomatik olarak yapılandırmaz.