Chúng ta đang sống trong thời đại dữ liệu và thông tin chi tiết theo thời gian thực, được thúc đẩy bởi các ứng dụng truyền dữ liệu có độ trễ thấp. Ngày nay, mọi người đều mong đợi trải nghiệm được cá nhân hóa trong bất kỳ ứng dụng nào và các tổ chức không ngừng đổi mới để tăng tốc độ vận hành kinh doanh và ra quyết định. Khối lượng dữ liệu nhạy cảm với thời gian được tạo ra đang tăng lên nhanh chóng, với các định dạng dữ liệu khác nhau được giới thiệu cho các doanh nghiệp và trường hợp sử dụng của khách hàng mới. Do đó, điều quan trọng đối với các tổ chức là phải nắm bắt cơ sở hạ tầng truyền dữ liệu có độ trễ thấp, có thể mở rộng và đáng tin cậy để cung cấp các ứng dụng kinh doanh theo thời gian thực và trải nghiệm khách hàng tốt hơn.

Đây là bài đăng đầu tiên trong loạt blog cung cấp các mẫu kiến ​​trúc phổ biến trong việc xây dựng cơ sở hạ tầng truyền dữ liệu theo thời gian thực bằng cách sử dụng Kinesis Data Streams cho nhiều trường hợp sử dụng. Nó nhằm mục đích cung cấp một khuôn khổ để tạo các ứng dụng phát trực tuyến có độ trễ thấp trên Đám mây AWS bằng cách sử dụng Luồng dữ liệu Amazon Kinesis và Dịch vụ phân tích dữ liệu chuyên dụng của AWS.

Trong bài đăng này, chúng tôi sẽ xem xét các mẫu kiến ​​trúc phổ biến của hai trường hợp sử dụng: Phân tích dữ liệu chuỗi thời gian và Dịch vụ vi mô hướng sự kiện. Trong bài đăng tiếp theo của loạt bài này, chúng ta sẽ khám phá các mẫu kiến ​​trúc trong việc xây dựng quy trình truyền phát trực tuyến cho bảng thông tin BI thời gian thực, tác nhân trung tâm liên hệ, dữ liệu sổ cái, đề xuất thời gian thực được cá nhân hóa, phân tích nhật ký, dữ liệu IoT, Thu thập dữ liệu thay đổi và các dữ liệu thực tế. -dữ liệu tiếp thị theo thời gian. Tất cả các mẫu kiến ​​trúc này đều được tích hợp với Luồng dữ liệu Amazon Kinesis.

Phát trực tuyến theo thời gian thực với Luồng dữ liệu Kinesis

Amazon Kinesis Data Streams là dịch vụ dữ liệu truyền trực tuyến không có máy chủ, dựa trên nền tảng đám mây giúp dễ dàng thu thập, xử lý và lưu trữ dữ liệu theo thời gian thực ở mọi quy mô. Với Kinesis Data Streams, bạn có thể thu thập và xử lý hàng trăm gigabyte dữ liệu mỗi giây từ hàng trăm nghìn nguồn, cho phép bạn dễ dàng viết các ứng dụng xử lý thông tin trong thời gian thực. Dữ liệu được thu thập có sẵn tính bằng mili giây để cho phép các trường hợp sử dụng phân tích theo thời gian thực, chẳng hạn như bảng thông tin thời gian thực, phát hiện bất thường theo thời gian thực và định giá linh hoạt. Theo mặc định, dữ liệu trong Kinesis Data Stream được lưu trữ trong 24 giờ với tùy chọn tăng thời gian lưu giữ dữ liệu lên 365 ngày. Nếu khách hàng muốn xử lý cùng một dữ liệu trong thời gian thực với nhiều ứng dụng thì họ có thể sử dụng tính năng Phân xuất tăng cường (EFO). Trước tính năng này, mọi ứng dụng sử dụng dữ liệu từ luồng đều chia sẻ đầu ra 2MB/giây/phân đoạn. Bằng cách định cấu hình các ứng dụng tiêu thụ luồng để sử dụng phân xuất tăng cường, mỗi ứng dụng tiêu thụ dữ liệu sẽ nhận được ống thông lượng đọc chuyên dụng 2 MB/giây cho mỗi phân đoạn để giảm thêm độ trễ trong quá trình truy xuất dữ liệu.

Để có độ sẵn sàng và độ bền cao, Kinesis Data Streams đạt được độ bền cao bằng cách sao chép đồng bộ dữ liệu được truyền trên ba Vùng sẵn sàng trong Khu vực AWS và cung cấp cho bạn tùy chọn lưu giữ dữ liệu trong tối đa 365 ngày. Để bảo mật, Kinesis Data Streams cung cấp mã hóa phía máy chủ để bạn có thể đáp ứng các yêu cầu quản lý dữ liệu nghiêm ngặt bằng cách mã hóa dữ liệu của bạn ở trạng thái lưu trữ và các điểm cuối giao diện Amazon Virtual Private Cloud (VPC) để giữ lưu lượng truy cập giữa Amazon VPC và Kinesis Data Streams ở chế độ riêng tư.

Kinesis Data Streams có tích hợp riêng với các dịch vụ AWS khác như Keo AWS và Sự kiện Amazon để xây dựng các ứng dụng phát trực tuyến theo thời gian thực trên AWS. Tham khảo phần tích hợp Amazon Kinesis Data Streams để biết thêm chi tiết.

Kiến trúc truyền dữ liệu hiện đại với Kinesis Data Streams

Kiến trúc dữ liệu phát trực tuyến hiện đại với Kinesis Data Streams có thể được thiết kế dưới dạng một chồng gồm năm lớp logic; mỗi lớp bao gồm nhiều thành phần được xây dựng có mục đích nhằm giải quyết các yêu cầu cụ thể, như được minh họa trong sơ đồ sau:

Kiến trúc bao gồm các thành phần chính sau:

• Nguồn phát trực tuyến – Nguồn dữ liệu phát trực tuyến của bạn bao gồm các nguồn dữ liệu như dữ liệu luồng nhấp chuột, cảm biến, phương tiện truyền thông xã hội, thiết bị Internet of Things (IoT), tệp nhật ký được tạo bằng cách sử dụng ứng dụng web và thiết bị di động của bạn cũng như các thiết bị di động tạo dữ liệu bán cấu trúc và phi cấu trúc dưới dạng luồng liên tục ở tốc độ cao.
• Truyền phát trực tuyến – Lớp nhập luồng chịu trách nhiệm nhập dữ liệu vào lớp lưu trữ luồng. Nó cung cấp khả năng thu thập dữ liệu từ hàng chục nghìn nguồn dữ liệu và nhập vào thời gian thực. Bạn có thể dùng SDK Kinesis để nhập dữ liệu phát trực tuyến thông qua API, Thư viện nhà sản xuất Kinesis để xây dựng các nhà sản xuất phát trực tuyến hiệu suất cao và lâu dài hoặc Tác nhân Kinesis để thu thập một tập hợp tệp và nhập chúng vào Luồng dữ liệu Kinesis. Ngoài ra, bạn có thể sử dụng nhiều tích hợp dựng sẵn như Dịch vụ di chuyển cơ sở dữ liệu AWS (AWS DMS), Máy phát điện Amazonvà Lõi AWS IoT để nhập dữ liệu theo kiểu không cần mã. Bạn cũng có thể nhập dữ liệu từ các nền tảng của bên thứ ba như Apache Spark và Apache Kafka Connect
• Lưu trữ luồng – Luồng dữ liệu Kinesis cung cấp hai chế độ để hỗ trợ thông lượng dữ liệu: Theo yêu cầu và Được cung cấp. Chế độ Theo yêu cầu, hiện là lựa chọn mặc định, có thể mở rộng quy mô một cách linh hoạt để hấp thụ thông lượng thay đổi, do đó khách hàng không cần phải lo lắng về việc quản lý công suất và thanh toán theo thông lượng dữ liệu. Chế độ Theo yêu cầu sẽ tự động tăng gấp 2 lần công suất luồng so với lần nhập dữ liệu tối đa trước đây để cung cấp đủ công suất cho những đợt nhập dữ liệu tăng đột biến ngoài dự kiến. Ngoài ra, những khách hàng muốn kiểm soát chi tiết tài nguyên luồng có thể sử dụng chế độ Được cung cấp và chủ động tăng giảm số lượng Phân đoạn để đáp ứng yêu cầu thông lượng của họ. Ngoài ra, Kinesis Data Streams có thể lưu trữ dữ liệu phát trực tuyến tối đa 24 giờ theo mặc định nhưng có thể kéo dài đến 7 ngày hoặc 365 ngày tùy theo trường hợp sử dụng. Nhiều ứng dụng có thể sử dụng cùng một luồng.
• Xử lý luồng – Lớp xử lý luồng chịu trách nhiệm chuyển đổi dữ liệu sang trạng thái tiêu thụ thông qua xác thực dữ liệu, dọn dẹp, chuẩn hóa, chuyển đổi và làm giàu dữ liệu. Các bản ghi phát trực tuyến được đọc theo thứ tự chúng được tạo ra, cho phép phân tích thời gian thực, xây dựng các ứng dụng hướng sự kiện hoặc phát trực tuyến ETL (trích xuất, chuyển đổi và tải). Bạn có thể dùng Dịch vụ được quản lý của Amazon dành cho Apache Flink để xử lý dữ liệu luồng phức tạp, AWS Lambda để xử lý dữ liệu luồng không trạng thái và Keo AWS & Amazon EMR cho tính toán gần thời gian thực. Bạn cũng có thể xây dựng các ứng dụng tiêu dùng tùy chỉnh với Thư viện người tiêu dùng Kinesis, sẽ đảm nhiệm nhiều nhiệm vụ phức tạp liên quan đến điện toán phân tán.
• Điểm đến - Lớp đích giống như một đích được xây dựng có mục đích tùy thuộc vào trường hợp sử dụng của bạn. Bạn có thể truyền dữ liệu trực tiếp tới Amazon RedShift để lưu trữ dữ liệu và Amazon EventBridge để xây dựng các ứng dụng hướng sự kiện. Bạn cũng có thể dùng Amazon Kinesis Dữ liệu Firehose để tích hợp phát trực tuyến, nơi bạn có thể xử lý luồng nhẹ bằng AWS Lambda, sau đó phân phối luồng đã xử lý đến các đích như Amazon S3 hồ dữ liệu, Dịch vụ OpenSearch để phân tích hoạt động, kho dữ liệu Redshift, cơ sở dữ liệu không có SQL như Amazon DynamoDB và cơ sở dữ liệu quan hệ như Amazon RDS để sử dụng các luồng thời gian thực vào các ứng dụng kinh doanh. Đích đến có thể là một ứng dụng hướng sự kiện dành cho bảng điều khiển thời gian thực, các quyết định tự động dựa trên dữ liệu phát trực tuyến đã xử lý, thay đổi thời gian thực, v.v.

Kiến trúc phân tích thời gian thực cho chuỗi thời gian

Dữ liệu chuỗi thời gian là chuỗi các điểm dữ liệu được ghi lại trong một khoảng thời gian để đo lường các sự kiện thay đổi theo thời gian. Ví dụ như giá cổ phiếu theo thời gian, luồng nhấp chuột vào trang web và nhật ký thiết bị theo thời gian. Khách hàng có thể sử dụng dữ liệu chuỗi thời gian để theo dõi các thay đổi theo thời gian, nhờ đó họ có thể phát hiện những điểm bất thường, xác định các mẫu và phân tích mức độ ảnh hưởng của các biến số nhất định theo thời gian. Dữ liệu chuỗi thời gian thường được tạo từ nhiều nguồn với khối lượng lớn và cần được thu thập một cách hiệu quả về mặt chi phí trong thời gian gần như thực.

Thông thường, có ba mục tiêu chính mà khách hàng muốn đạt được khi xử lý dữ liệu chuỗi thời gian:

• Nhận thông tin chi tiết theo thời gian thực về hiệu suất hệ thống và phát hiện sự bất thường
• Hiểu hành vi của người dùng cuối để theo dõi xu hướng và truy vấn/xây dựng hình ảnh trực quan từ những thông tin chi tiết này
• Có giải pháp lưu trữ lâu bền để tiếp thu và lưu trữ cả dữ liệu lưu trữ và dữ liệu được truy cập thường xuyên.

Với Kinesis Data Streams, khách hàng có thể liên tục thu thập hàng terabyte dữ liệu chuỗi thời gian từ hàng nghìn nguồn để dọn dẹp, làm phong phú, lưu trữ, phân tích và trực quan hóa.

Mẫu kiến ​​trúc sau đây minh họa cách có thể đạt được phân tích thời gian thực đối với dữ liệu Chuỗi thời gian với Luồng dữ liệu Kinesis:

Các bước quy trình làm việc như sau:

1. Nhập và lưu trữ dữ liệu – Luồng dữ liệu Kinesis có thể liên tục thu thập và lưu trữ hàng terabyte dữ liệu từ hàng nghìn nguồn.
2. Xử lý luồng – Một ứng dụng được tạo bằng Dịch vụ được quản lý của Amazon dành cho Apache Flink có thể đọc các bản ghi từ luồng dữ liệu để phát hiện và xóa mọi lỗi trong dữ liệu chuỗi thời gian, đồng thời làm phong phú dữ liệu bằng siêu dữ liệu cụ thể để tối ưu hóa hoạt động phân tích. Việc sử dụng luồng dữ liệu ở giữa mang lại lợi ích khi sử dụng dữ liệu chuỗi thời gian trong các quy trình và giải pháp khác cùng một lúc. Sau đó, hàm Lambda sẽ được gọi với những sự kiện này và có thể thực hiện các phép tính chuỗi thời gian trong bộ nhớ.
3. Các điểm đến – Sau khi làm sạch và làm giàu, dữ liệu chuỗi thời gian đã xử lý có thể được truyền tới Dòng thời gian của Amazon cơ sở dữ liệu để lập bảng thông tin và phân tích theo thời gian thực hoặc được lưu trữ trong cơ sở dữ liệu như DynamoDB cho truy vấn của người dùng cuối. Dữ liệu thô có thể được truyền trực tuyến tới Amazon S3 để lưu trữ.
4. Trực quan hóa và thu thập thông tin chi tiết – Khách hàng có thể truy vấn, trực quan hóa và tạo cảnh báo bằng cách sử dụng Dịch vụ được quản lý của Amazon dành cho Grafana. Grafana hỗ trợ các nguồn dữ liệu là phần phụ trợ lưu trữ cho dữ liệu chuỗi thời gian. Để truy cập dữ liệu của bạn từ Timestream, bạn cần cài đặt plugin Timestream cho Grafana. Người dùng cuối có thể truy vấn dữ liệu từ bảng DynamoDB bằng Cổng API Amazon đóng vai trò là người đại diện.

Tham khảo Xử lý gần thời gian thực với Amazon Kinesis, Amazon Timestream và Grafana giới thiệu quy trình truyền phát không có máy chủ để xử lý và lưu trữ dữ liệu IoT từ xa của thiết bị vào kho lưu trữ dữ liệu được tối ưu hóa theo chuỗi thời gian, chẳng hạn như Amazon Timestream.

Làm phong phú và phát lại dữ liệu trong thời gian thực cho các dịch vụ vi mô tìm nguồn cung ứng sự kiện

Microservice là một cách tiếp cận mang tính kiến ​​trúc và tổ chức để phát triển phần mềm trong đó phần mềm bao gồm các dịch vụ độc lập nhỏ giao tiếp qua các API được xác định rõ ràng. Khi xây dựng các vi dịch vụ theo hướng sự kiện, khách hàng muốn đạt được 1. khả năng mở rộng cao để xử lý khối lượng sự kiện đến và 2. độ tin cậy của việc xử lý sự kiện và duy trì chức năng hệ thống khi gặp lỗi.

Khách hàng sử dụng các mẫu kiến ​​trúc vi dịch vụ để tăng tốc đổi mới và rút ngắn thời gian đưa ra thị trường các tính năng mới vì nó giúp ứng dụng dễ dàng mở rộng quy mô và phát triển nhanh hơn. Tuy nhiên, việc làm phong phú và phát lại dữ liệu trong lệnh gọi mạng tới một vi dịch vụ khác là một thách thức vì nó có thể ảnh hưởng đến độ tin cậy của ứng dụng và gây khó khăn cho việc gỡ lỗi và theo dõi lỗi. Để giải quyết vấn đề này, tìm nguồn cung ứng sự kiện là một mẫu thiết kế hiệu quả tập trung các bản ghi lịch sử về tất cả các thay đổi trạng thái để làm phong phú và phát lại, đồng thời tách riêng khối lượng công việc đọc và ghi. Khách hàng có thể sử dụng Kinesis Data Streams làm kho lưu trữ sự kiện tập trung cho các vi dịch vụ tìm nguồn cung ứng sự kiện, vì KDS có thể 1/ xử lý hàng gigabyte thông lượng dữ liệu mỗi giây trên mỗi luồng và truyền dữ liệu theo mili giây, để đáp ứng yêu cầu về khả năng mở rộng cao và gần thời gian thực độ trễ, 2/ tích hợp với Flink và S3 để làm phong phú và đạt được dữ liệu trong khi được tách hoàn toàn khỏi các vi dịch vụ và 3/ cho phép thử lại và đọc không đồng bộ sau đó, vì KDS giữ lại bản ghi dữ liệu trong thời gian mặc định là 24 giờ và tùy chọn lên tới 365 ngày.

Mẫu kiến ​​trúc sau đây là minh họa chung về cách sử dụng Luồng dữ liệu Kinesis cho Vi dịch vụ tìm nguồn cung ứng sự kiện:

Các bước trong quy trình làm việc như sau:

1. Nhập và lưu trữ dữ liệu – Bạn có thể tổng hợp đầu vào từ vi dịch vụ của mình vào Luồng dữ liệu Kinesis để lưu trữ.
2. Xử lý luồng – Các hàm trạng thái của Apache Flink đơn giản hóa việc xây dựng các ứng dụng hướng sự kiện có trạng thái phân tán. Nó có thể nhận các sự kiện từ luồng dữ liệu Kinesis đầu vào và định tuyến luồng kết quả đến luồng dữ liệu đầu ra. Bạn có thể tạo một cụm hàm trạng thái bằng Apache Flink dựa trên logic nghiệp vụ ứng dụng của bạn.
3. Ảnh chụp nhanh trạng thái trong Amazon S3 – Bạn có thể lưu trữ ảnh chụp nhanh trạng thái trong Amazon S3 để theo dõi.
4. Luồng đầu ra – Các luồng đầu ra có thể được sử dụng thông qua các chức năng từ xa của Lambda thông qua giao thức HTTP/gRPC thông qua API Gateway.
5. Chức năng từ xa Lambda – Các hàm Lambda có thể hoạt động như các vi dịch vụ cho nhiều ứng dụng và logic kinh doanh khác nhau nhằm phục vụ các ứng dụng kinh doanh và ứng dụng di động.

Để tìm hiểu cách các khách hàng khác xây dựng vi dịch vụ dựa trên sự kiện của họ bằng Luồng dữ liệu Kinesis, hãy tham khảo phần sau:

Những cân nhắc chính và phương pháp hay nhất

Sau đây là những cân nhắc và thực tiễn tốt nhất cần ghi nhớ:

• Khám phá dữ liệu phải là bước đầu tiên của bạn trong việc xây dựng các ứng dụng truyền dữ liệu hiện đại. Bạn phải xác định giá trị doanh nghiệp, sau đó xác định nguồn dữ liệu phát trực tuyến và chân dung người dùng để đạt được kết quả kinh doanh mong muốn.
• Chọn công cụ nhập dữ liệu phát trực tuyến dựa trên nguồn dữ liệu hấp dẫn của bạn. Ví dụ: bạn có thể sử dụng SDK Kinesis để nhập dữ liệu phát trực tuyến thông qua API, Thư viện nhà sản xuất Kinesis để xây dựng các nhà sản xuất phát trực tuyến hiệu suất cao và lâu dài, một Tác nhân Kinesis để thu thập một tập hợp tệp và nhập chúng vào Luồng dữ liệu Kinesis, AWSDMS đối với các trường hợp sử dụng tính năng phát trực tuyến của CDC và Lõi AWS IoT để nhập dữ liệu thiết bị IoT vào Luồng dữ liệu Kinesis. Bạn có thể nhập dữ liệu truyền trực tiếp vào Amazon Redshift để xây dựng các ứng dụng truyền phát có độ trễ thấp. Bạn cũng có thể sử dụng các thư viện của bên thứ ba như Apache Spark và Apache Kafka để nhập dữ liệu truyền trực tuyến vào Luồng dữ liệu Kinesis.
• Bạn cần chọn dịch vụ xử lý dữ liệu phát trực tuyến dựa trên trường hợp sử dụng cụ thể và yêu cầu kinh doanh của bạn. Ví dụ: bạn có thể sử dụng Amazon Kinesis Managed Service cho Apache Flink cho các trường hợp sử dụng phát trực tuyến nâng cao với nhiều đích phát trực tuyến và xử lý luồng có trạng thái phức tạp hoặc nếu bạn muốn theo dõi số liệu kinh doanh trong thời gian thực (chẳng hạn như hàng giờ). Lambda phù hợp cho việc xử lý dựa trên sự kiện và không trạng thái. Bạn có thể dùng Amazon EMR để xử lý dữ liệu trực tuyến nhằm sử dụng các khung dữ liệu lớn nguồn mở yêu thích của bạn. AWS Glue phù hợp để xử lý dữ liệu truyền phát gần như theo thời gian thực cho các trường hợp sử dụng như truyền phát ETL.
• Kinesis Data Streams tính phí ở chế độ theo yêu cầu theo mức sử dụng và tự động tăng dung lượng tài nguyên, do đó, giải pháp này rất phù hợp cho khối lượng công việc truyền phát đột biến và bảo trì rảnh tay. Chế độ cung cấp tính phí theo dung lượng và yêu cầu quản lý dung lượng chủ động, do đó, chế độ này phù hợp với khối lượng công việc phát trực tuyến có thể dự đoán được.
• Bạn có thể sử dụng Máy tính dùng chung Kinesis để tính toán số lượng phân đoạn cần thiết cho chế độ được cung cấp. Bạn không cần phải lo lắng về phân đoạn với chế độ theo yêu cầu.
• Khi cấp quyền, bạn quyết định ai sẽ nhận được những quyền nào đối với tài nguyên Kinesis Data Streams. Bạn kích hoạt các hành động cụ thể mà bạn muốn cho phép trên các tài nguyên đó. Vì vậy, bạn chỉ nên cấp những quyền cần thiết để thực hiện một tác vụ. Bạn cũng có thể mã hóa dữ liệu ở trạng thái lưu trữ bằng cách sử dụng khóa do khách hàng KMS quản lý (CMK).
• Bạn có thể cập nhật thời gian lưu giữ thông qua bảng điều khiển Kinesis Data Streams hoặc bằng cách sử dụng TăngStreamRetentionPeriod và GiảmStreamRetentionPeriod hoạt động dựa trên trường hợp sử dụng cụ thể của bạn.
• Hỗ trợ Kinesis Data Streams chia lại. API được đề xuất cho chức năng này là Cập nhậtShardCount, cho phép bạn sửa đổi số lượng phân đoạn trong luồng của mình để thích ứng với những thay đổi về tốc độ luồng dữ liệu qua luồng. API phân chia lại (Tách và Hợp nhất) thường được sử dụng để xử lý các phân đoạn nóng.

Kết luận

Bài đăng này trình bày các mẫu kiến ​​trúc khác nhau để xây dựng các ứng dụng phát trực tuyến có độ trễ thấp bằng Kinesis Data Streams. Bạn có thể xây dựng các ứng dụng hấp có độ trễ thấp của riêng mình bằng Luồng dữ liệu Kinesis bằng cách sử dụng thông tin trong bài đăng này.

Để biết các mẫu kiến ​​trúc chi tiết, hãy tham khảo các tài nguyên sau:

Nếu bạn muốn xây dựng tầm nhìn và chiến lược dữ liệu, hãy xem Mọi thứ dựa trên dữ liệu AWS (D2E) chương trình.

Về các tác giả

Raghavarao Sodabathina là Kiến trúc sư giải pháp chính tại AWS, tập trung vào Phân tích dữ liệu, AI/ML và bảo mật đám mây. Anh gắn kết với khách hàng để tạo ra các giải pháp đổi mới nhằm giải quyết các vấn đề kinh doanh của khách hàng và đẩy nhanh quá trình áp dụng dịch vụ AWS. Khi rảnh rỗi, Raghavarao thích dành thời gian cho gia đình, đọc sách và xem phim.

Hàng Zuo là Giám đốc sản phẩm cấp cao trong nhóm Amazon Kinesis Data Streams tại Amazon Web Services. Anh ấy đam mê phát triển trải nghiệm sản phẩm trực quan để giải quyết các vấn đề phức tạp của khách hàng và giúp khách hàng đạt được mục tiêu kinh doanh của họ.

Shwetha Radhakrishnan là Kiến trúc sư giải pháp cho AWS với trọng tâm là Phân tích dữ liệu. Cô đã và đang xây dựng các giải pháp thúc đẩy việc áp dụng đám mây và giúp các tổ chức đưa ra quyết định dựa trên dữ liệu trong khu vực công. Ngoài công việc, cô thích khiêu vũ, dành thời gian cho bạn bè, gia đình và đi du lịch.

Brittany Lý là Kiến trúc sư giải pháp tại AWS. Cô tập trung vào việc giúp đỡ khách hàng doanh nghiệp trong hành trình hiện đại hóa và áp dụng đám mây, đồng thời quan tâm đến lĩnh vực bảo mật và phân tích. Ngoài công việc, cô thích dành thời gian với chú chó của mình và chơi ném bóng.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/big-data/architectural-patterns-for-real-time-analytics-using-amazon-kinesis-data-streams-part-1/