Bir şirket, birden çok satıcıdan cihazlar satın aldı. Her cihazda, her satıcının özel biçimindeki durum mesajlarını ayrıştırmak ve JSON'a dönüştürmek için eski bir uygulamaya gönderen IoT sensörleri bulunur. Ayrıştırma basittir ancak satıcıya özeldir. Günde bir kez, uygulama tüm JSON kayıtlarını ayrıştırır ve analiz için ilişkisel bir veritabanına yazar. Şirket, daha hızlı ve daha uygun maliyetli yeni bir veri analizi tasarımı istiyor. Bu gereksinimleri hangi çözüm karşılar?

Doğru seçenek, mevcut gereksinimleri en iyi şekilde karşılayan modern, sunucusuz ve uygun maliyetli bir veri analizi mimarisi sunar. AWS IoT Core, cihaz verilerini güvenli bir şekilde toplar. IoT kuralı ve AWS Lambda, satıcıya özel ayrıştırma ve JSON'dan CSV'ye dönüştürme işlemini gerçek zamanlı olarak ve sunucusuz bir şekilde gerçekleştirir. Amazon S3, ayrıştırılmış veriler için uygun maliyetli ve ölçeklenebilir bir depolama sağlar. AWS Glue, verileri kataloglayarak Amazon Athena'nın doğrudan S3'teki veriler üzerinde sorgu çalıştırmasına olanak tanır. Amazon QuickSight ise analiz ve görselleştirme için kullanılır. Bu kombinasyon, daha hızlı analiz ve daha düşük maliyet sağlar. Diğer seçenekler: Fargate'e geçiş, ayrıştırma uygulamasını modernleştirse de, doğrudan ilişkisel veritabanına yazmak ölçeklenebilirlik ve maliyet açısından S3 ve Athena yaklaşımından daha az verimli olabilir. Ayrıca, sensör verilerini doğrudan Fargate'e göndermek için ek bir mekanizma gerektirir. SFTP sunucusu dağıtmak, sensörlerin değiştirilmesini gerektirir ve IoT veri toplama için standart bir yaklaşım değildir, bu da ek karmaşıklık ve maliyet yaratır. Snowball Edge, yerel analiz için tasarlanmıştır ancak merkezi analiz için verilerin Redshift'e aktarılması, gerçek zamanlıya yakın analiz gereksinimini karşılamayabilir ve Redshift'in sürekli çalışması maliyetli olabilir.