Diseñando una Arquitectura de Análisis en Tiempo Real para Organizaciones Multinacionales: Una Guía con Servicios AWS

Pregunta

Como Arquitecto de soluciones para una organización multinacional con más de 150 000 empleados, la dirección ha decidido implementar un análisis en tiempo real del tiempo que pasan sus empleados en las oficinas de todo el mundo.

Tiene la tarea de diseñar una arquitectura que recibirá las entradas de más de 10000 sensores con una máquina de deslizamiento que envía datos de entrada y salida en todo el mundo, cada uno de los cuales envía datos de 20 KB cada 5 segundos en formato JSON.

La aplicación procesará y analizará los datos y cargará los resultados en los paneles en tiempo real. Otros requisitos de la aplicación incluirán la capacidad de aplicar análisis en tiempo real en los datos capturados.

El procesamiento de los datos capturados será paralelo y duradero.

La aplicación debe ser escalable según el requisito, ya que la carga varía y se agregan o eliminan nuevos sensores en varias instalaciones.

Los resultados del procesamiento analítico se almacenan en un almacenamiento de datos persistente para la minería de datos.

¿Qué combinación de servicios de AWS se usaría para el escenario anterior?

Respuestas

R. Use EMR para copiar los datos provenientes de las máquinas Swipe en DynamoDB y hacer que estén disponibles para análisis.

B. Use Amazon Kinesis Streams para ingerir los datos de Swipe provenientes de los sensores, las aplicaciones personalizadas de Kinesis Streams para analizar los datos y luego mueva los resultados analíticos a RedShift usando AWS EMR.

C. Use SQS para recibir los datos provenientes de los sensores, Kinesis Firehose para analizar los datos de SQS y luego guarde los resultados en una instancia Multi-AZ RDS.

D. Usar Amazon Kinesis Streams para ingerir los datos de los sensores, personalizar las aplicaciones de Kinesis Streams para analizar los datos y trasladar los resultados de los análisis a RDS mediante AWS EMR.

Respuesta Correcta

A.BCD

Respuesta correcta - B.

La opción A es incorrecta.

EMR no es para recibir datos en tiempo real de miles de fuentes.

EMR se utiliza principalmente para los datos basados ​​en el ecosistema de Hadoop utilizados para el análisis de Big Data.

La opción B es correcta, ya que las transmisiones de Amazon Kinesis se utilizan para leer los datos de miles de fuentes, como redes sociales, datos basados ​​en encuestas, etc.

Los flujos de Kinesis se pueden usar para analizar los datos y enviarlos mediante AWS EMR a la base de datos basada en análisis como RedShift, que funciona en OLAP.

La opción C es incorrecta.

SQS no se puede utilizar para leer los datos en tiempo real de miles de fuentes.

Kinesis Firehose se utiliza para enviar los datos a otros servicios de AWS, no para el análisis.

Y finalmente, RDS es nuevamente una base de datos basada en OLTP.

La opción D es incorrecta ya que AWS EMR puede leer grandes cantidades de datos.

Sin embargo, RDS es una base de datos transaccional que funciona en base a OLTP.

Por lo tanto, no puede almacenar los datos analíticos.