ข้อมูลสตรีมคืออะไร
ข้อมูลสตรีมคือข้อมูลที่ส่งออกมาในปริมาณมากและเพิ่มขึ้นอย่างต่อเนื่อง โดยมีเป้าหมายเพื่อการประมวลผลที่มีเวลาแฝงต่ำ องค์กรต่าง ๆ มีแหล่งที่มาของข้อมูลนับพัน ที่ในเวลาทั่วไปจะส่งข้อความ บันทึก หรือข้อมูลที่มีขนาดตั้งแต่ไม่กี่ไบต์ไปจนถึงหลายเมกะไบต์ (MB) พร้อมกัน ข้อมูลสตรีมประกอบด้วยข้อมูลตำแหน่งที่ตั้ง เหตุการณ์ และเซนเซอร์ที่บริษัทต่าง ๆ ใช้สำหรับการวิเคราะห์และการมองเห็นแบบเรียลไทม์ ต่อแง่มุมต่าง ๆ ทางธุรกิจ ตัวอย่างเช่น บริษัทสามารถติดตามการเปลี่ยนแปลงความรู้สึกของสาธารณะที่มีต่อแบรนด์และผลิตภัณฑ์ได้ โดยใช้การวิเคราะห์การคลิกสตรีมและโพสต์ของลูกค้าจากสตรีมโซเชียลมีเดียอย่างต่อเนื่อง จากนั้นจึงตอบสนองทันทีเมื่อจำเป็น
ข้อมูลสตรีมมีคุณลักษณะเป็นอย่างไร
Data Stream มีนิยามตามลักษณะเฉพาะดังต่อไปนี้
ให้ความสำคัญกับลำดับเวลา
แต่ละองค์ประกอบใน Data Stream จะมีประทับเวลา Data Stream อาจมีความไวต่อเวลา โดยจะมีความสำคัญลดลงหลังจากผ่านไปช่วงเวลาหนึ่ง ตัวอย่างเช่น แอปพลิเคชันของคุณแนะนำร้านอาหารตามตำแหน่งปัจจุบันของผู้ใช้ คุณต้องดำเนินการกับข้อมูลตำแหน่งทางภูมิศาสตร์ของผู้ใช้แบบเรียลไทม์ มิฉะนั้นข้อมูลจะสูญเสียความสำคัญไป
หลั่งไหลอย่างต่อเนื่อง
Data Stream ไม่มีจุดเริ่มต้นหรือจุดสิ้นสุด โดยจะรวบรวมข้อมูลอย่างสม่ำเสมอและต่อเนื่องได้นานเท่าที่ต้องการ ยกตัวอย่างเช่น ข้อมูลบันทึกกิจกรรมของเซิร์ฟเวอร์ที่จะรวบรวมข้อมูลนานเท่าที่เซิร์ฟเวอร์ยังทำงาน
ไม่ซ้ำ
การส่ง Data Stream ซ้ำเป็นเรื่องท้าทายเนื่องจากความไวต่อเวลา ดังนั้นการประมวลผลข้อมูลแบบเรียลไทม์อย่างแม่นยำจึงสำคัญ น่าเสียดายที่ข้อกำหนดสำหรับการส่งข้อมูลซ้ำถูกจำกัดในแหล่งที่มาของข้อมูลสตรีมส่วนใหญ่
ไม่เป็นเนื้อเดียวกัน
แหล่งที่มาบางแห่งอาจสตรีมข้อมูลในหลากหลายฟอร์แมต ซึ่งเป็นฟอร์แมตที่มีโครงสร้าง เช่น JSON, Avro และค่าที่คั่นด้วยเครื่องหมายจุลภาค (CSV) โดยใช้ประเภทข้อมูลที่ประกอบด้วยสตริง ตัวเลข วันที่ และไบนารี ระบบประมวลผลสตรีมของคุณควรมีความสามารถในการรับมือกับข้อมูลได้อย่างหลากหลาย
ไม่สมบูรณ์
ข้อผิดพลาดชั่วคราวจากแหล่งที่มาอาจส่งผลให้องค์ประกอบในข้อมูลที่สตรีมเสียหายหรือขาดหายไป การรับประกันความสอดคล้องกันของข้อมูลอาจเป็นเรื่องยาก เนื่องจากลักษณะของสตรีมที่ส่งอย่างต่อเนื่อง ระบบประมวลผลและวิเคราะห์สตรีมมักจะมีตรรกะสำหรับการตรวจสอบข้อมูลเพื่อขจัดหรือลดข้อผิดพลาดเหล่านี้ให้เหลือน้อยที่สุด
ทำไมข้อมูลสตรีมจึงสำคัญ
ระบบประมวลผลข้อมูลแบบดั้งเดิมจะบันทึกข้อมูลในคลังข้อมูลกลางแล้วจึงประมวลผลเป็นกลุ่มหรือเป็นชุด ระบบเหล่านี้สร้างขึ้นเพื่อนำเข้าและจัดทำโครงสร้างข้อมูลก่อนการวิเคราะห์ อย่างไรก็ตาม ในช่วงไม่กี่ปีที่ผ่านมา ลักษณะของระบบประมวลผลข้อมูลองค์กรและข้อมูลพื้นฐานมีการเปลี่ยนแปลงอย่างมาก
ปริมาณข้อมูลที่ไม่สิ้นสุด
ปริมาณข้อมูลที่สร้างขึ้นจากแหล่งที่มาของกระแสข้อมูลอาจมีขนาดใหญ่มาก ทำให้การวิเคราะห์แบบเรียลไทม์ต้องควบคุมความสมบูรณ์ (การตรวจสอบความถูกต้อง) โครงสร้าง (วิวัฒนาการ) หรือความเร็ว (อัตราการโอนถ่ายข้อมูลและเวลาแฝง) ของข้อมูลสตรีม
ระบบการประมวลผลข้อมูลขั้นสูง
ในเวลาเดียวกัน โครงสร้างพื้นฐานระบบคลาวด์ได้นำเสนอความยืดหยุ่นในด้านขนาดและการใช้ทรัพยากรการคำนวณ คุณจะใช้เฉพาะบริการที่คุณต้องการ และชำระค่าบริการเฉพาะส่วนที่คุณใช้เท่านั้น คุณมีตัวเลือกการกรองแบบเรียลไทม์หรือการรวมข้อมูลทั้งก่อนและหลังจัดเก็บข้อมูลสตรีม สถาปัตยกรรมข้อมูลสตรีมใช้เทคโนโลยีระบบคลาวด์เพื่อใช้งาน เสริม วิเคราะห์ และจัดเก็บข้อมูลที่สตรีมเข้ามาอย่างถาวรตามที่ต้องการ
กรณีการใช้งานสำหรับข้อมูลสตรีมมีอะไรบ้าง
ระบบการประมวลผลสตรีมมีประโยชน์ในกรณีส่วนใหญ่ที่มีการสร้างข้อมูลใหม่แบบไดนามิกอย่างต่อเนื่อง ซึ่งมีผลต่อภาคอุตสาหกรรมส่วนใหญ่และกรณีการใช้งาน Big Data
โดยทั่วไปแล้ว บริษัทต่าง ๆ เริ่มต้นด้วยการใช้แอปพลิเคชันง่าย ๆ อย่างเช่น ข้อมูลบันทึกระบบการรวบรวมข้อมูล และการประมวลผลขั้นพื้นฐาน อาทิ การคำนวณค่าต่ำสุด-สูงสุดแบบ Rolling เป็นต้น จากนั้นแอปพลิเคชันเหล่านี้ก็พัฒนาไปจนสามารถประมวลผลข้อมูลที่มีความซับซ้อนมากขึ้นในแบบที่เกือบจะเรียลไทม์ได้
นี่คือตัวอย่างบางส่วนของข้อมูลที่สตรีมเข้ามา
การวิเคราะห์ข้อมูล
แอปพลิเคชันจะประมวลผล Data Stream เพื่อสร้างรายงานและดำเนินการตอบสนอง เช่น ส่งการแจ้งเตือนเมื่อตัววัดหลัก ๆ เลยเกณฑ์ที่กำหนดไว้ แอปพลิเคชันการประมวลผลสตรีมที่ซับซ้อนยิ่งขึ้นจะแยกข้อมูลเชิงลึกที่ละเอียดมากขึ้น โดยการใช้อัลกอริทึมแมชชีนเลิร์นนิงกับข้อมูลธุรกิจและกิจกรรมของลูกค้า
แอปพลิเคชัน IoT
อุปกรณ์ Internet of Things (IoT) คืออีกกรณีใช้งานสำหรับข้อมูลที่สตรีมเข้ามา เซนเซอร์ในยานพาหนะ เครื่องมือทางอุตสาหกรรม และเครื่องจักรที่ใช้ในไร่จะส่งข้อมูลไปยังแอปพลิเคชันสตรีม จากนั้นแอปพลิเคชันก็จะคอยติดตามประสิทธิภาพการทำงาน ตรวจหาข้อบกพร่องที่อาจเกิดขึ้นล่วงหน้า และสั่งซื้ออะไหล่สำรองโดยอัตโนมัติเพื่อป้องกันไม่ให้มีช่วงหยุดทำงานของอุปกรณ์
การวิเคราะห์ทางการเงิน
สถาบันทางการเงินใช้ข้อมูลสตรีมเพื่อติดตามการเปลี่ยนแปลงของตลาดหุ้นในแบบเรียลไทม์ คำนวณมูลค่าความเสี่ยง และสร้างสมดุลให้พอร์ตอัตโนมัติโดยอิงจากการขึ้นลงของราคาหุ้น กรณีการใช้งานด้านการเงินอื่น คือการตรวจหาการทุจริตจากธุรกรรมบัตรเครดิตโดยใช้การอนุมานแบบเรียลไทม์กับข้อมูลการทำธุรกรรมสตรีม
การให้คำแนะนำแบบเรียลไทม์
แอปพลิเคชันด้านอสังหาริมทรัพย์ติดตามข้อมูลตำแหน่งทางภูมิศาสตร์จากอุปกรณ์เคลื่อนที่ของลูกค้าและให้คำแนะนำเกี่ยวกับที่ดินที่จะเยี่ยมชมแบบเรียลไทม์ ในทำนองเดียวกัน แอปพลิเคชันโฆษณา อาหาร ค้าปลีก และสินค้าอุปโภคบริโภคสามารถรวมคำแนะนำแบบเรียลไทม์เพื่อสร้างคุณค่าให้แก่ลูกค้าได้มากยิ่งขึ้น
รับประกันการให้บริการ
คุณสามารถใช้การประมวลผล Data Stream เพื่อติดตามและรักษาระดับการให้บริการในแอปพลิเคชันและอุปกรณ์ ยกตัวอย่างเช่น บริษัทผลิตไฟฟ้าพลังแสงอาทิตย์ต้องรักษาระดับปริมาณพลังงานไฟฟ้าให้ลูกค้า มิฉะนั้นจะต้องเสียค่าปรับ บริษัทจึงใช้แอปพลิเคชันข้อมูลสตรีมที่ตรวจสอบแผงรับแสงกลางแจ้งทั้งหมด และกำหนดเวลาซ่อมบำรุงแบบเรียลไทม์ ซึ่งลดระยะโอกาสที่แผงรับแสงแต่ละแผงจะผลิตปริมาณกระแสไฟฟ้าได้น้อยลง และลดค่าปรับที่ต้องจ่ายจากแผงรับแสงให้ต่ำที่สุด
สื่อและเกม
ผู้เผยแพร่สื่อสตรีมบันทึกการคลิกสตรีมหลายพันล้านครั้งจากสื่อทางออนไลน์ นอกจากนี้ยังรวมและเสริมข้อมูลโดยใช้ข้อมูลประชากรของผู้ใช้ และปรับปรุงประสิทธิภาพการจัดวางเนื้อหา การดำเนินการนี้ช่วยให้ผู้เผยแพร่สามารถส่งมอบประสบการณ์ที่ดีขึ้นและเกี่ยวข้องมากขึ้นให้กับกลุ่มเป้าหมายได้ ในทำนองเดียวกัน บริษัทเกมออนไลน์ใช้การประมวลผลสตรีมเหตุการณ์เพื่อวิเคราะห์ปฏิสัมพันธ์ระหว่างผู้เล่นและเกม รวมทั้งนำเสนอประสบการณ์แบบไดนามิกเพื่อดึงดูดผู้เล่น
ควบคุมความเสี่ยง
แพลตฟอร์มสตรีมมิงสดและแพลตฟอร์มโซเชียลเก็บข้อมูลพฤติกรรมของผู้ใช้แบบเรียลไทม์เพื่อควบคุมความเสี่ยงต่อกิจกรรมทางการเงินของผู้ใช้ เช่น การเติมเงิน การคืนเงิน และการมอบรางวัล แพลตฟอร์มเหล่านี้จะดูแดชบอร์ดแบบเรียลไทม์เพื่อปรับกลยุทธ์ด้านความเสี่ยงอย่างยืดหยุ่น
ความแตกต่างระหว่างข้อมูลที่เป็นชุดและข้อมูลแบบสตรีมคืออะไร
การประมวลผลเป็นชุดเป็นวิธีที่คอมพิวเตอร์ใช้เพื่อทำงานกับข้อมูลที่มีปริมาณมากและซ้ำซ้อนกัน คุณสามารถใช้เพื่อประมวลผลการสืบค้นแบบ Arbitrary Query กับชุดข้อมูลต่าง ๆ ได้ ซึ่งโดยปกติแล้วจะได้รับผลลัพธ์การคำนวณจากข้อมูลทั้งหมดที่ผ่านการประมวลผลดังกล่าว และช่วยให้วิเคราะห์ชุดข้อมูล Big Data ในเชิงลึกได้ ระบบที่อิงตาม MapReduce เช่น Amazon EMR เป็นตัวอย่างของแพลตฟอร์มที่รองรับงานที่ต้องประมวลผลเป็นชุด
ในทางกลับกัน การประมวลผลสตรีมจะใช้การนำเข้าข้อมูลเป็นลำดับ แล้วอัปเดตเมตริก รายงาน และข้อมูลสรุปเป็นสถิติอย่างสม่ำเสมอเมื่อจัดการกับบันทึกข้อมูลที่เข้ามาแต่ละรายการ การประมวลผลดังกล่าวจึงเหมาะกับการวิเคราะห์ข้อมูลและตอบสนองต่อเหตุการณ์ในแบบเรียลไทม์มากกว่า
| การประมวลผลเป็นชุด | การประมวลผลสตรีม |
|||
| ขอบเขตข้อมูล |
การสืบค้นหรือประมวลผลข้อมูลทั้งหมดหรือข้อมูลส่วนใหญ่ในชุดข้อมูล | การสืบค้นหรือประมวลผลข้อมูลภายในหน้าต่างแสดงเวลา Rolling หรือในบันทึกข้อมูลล่าสุด |
||
| ขนาดของข้อมูล |
ข้อมูลชุดใหญ่ |
บันทึกแต่ละรายการหรือชุดข้อมูลขนาดเล็กที่มีบันทึกเพียงไม่กี่รายการ |
||
| ประสิทธิภาพ |
|
ต้องทำงานล่าช้าในระดับวินาทีหรือมิลลิวินาทีอย่างหลีกเลี่ยงไม่ได้ |
||
| การวิเคราะห์ |
การวิเคราะห์ข้อมูลที่ซับซ้อน | ฟังก์ชันโต้ตอบที่ไม่ซับซ้อน ข้อมูลรวม และตัววัด Rolling |
องค์กรจำนวนมากกำลังสร้างรูปแบบไฮบริดโดยรวมการประมวลผลทั้ง 2 แบบเข้าไว้ด้วยกัน เพื่อรักษาเลเยอร์แบบเรียลไทม์กับเลเยอร์แบบชุดเอาไว้ ยกตัวอย่างเช่น อันดับแรก คุณสามารถประมวลผลข้อมูลในแพลตฟอร์มข้อมูลสตรีม เช่น Amazon Kinesis เพื่อแยกข้อมูลเชิงลึกแบบเรียลไทม์ จากนั้นคุณจะสามารถเก็บรักษาเอาไว้ในพื้นที่จัดเก็บอย่าง Amazon Simple Storage Service (Amazon S3) พื้นที่จัดเก็บนั้นจะสามารถแปลงและโหลดข้อมูลของกรณีการใช้งานการประมวลผลเป็นชุดแบบต่าง ๆ
Amazon Redshift Streaming Ingestion จะช่วยให้ผู้ใช้นำเข้าข้อมูลได้โดยตรงจาก Amazon Kinesis Data Streams โดยไม่ต้องพักเอาไว้ที่ Amazon S3 บริการยังสามารถนำเข้าข้อมูลจาก Amazon Managed Streaming สำหรับ Apache Kafka (Amazon MSK) ไปที่ Amazon Redshift ได้
คุณจะประมวลผลข้อมูลสตรีมได้อย่างไร
สถาปัตยกรรมข้อมูลสตรีมประกอบด้วย 2 องค์ประกอบหลัก
ตัวผลิตสตรีม
ตัวผลิตสตรีม คือองค์ประกอบด้านซอฟต์แวร์ในแอปพลิเคชันและระบบ IoT ที่รวบรวมข้อมูล โดยจะส่งบันทึกให้กับตัวประมวลผลสตรีม ซึ่งจะประกอบด้วยชื่อสตรีม ค่าข้อมูล และหมายเลขลำดับ ตัวประมวลผลจะบัฟเฟอร์หรือจัดกลุ่มบันทึกข้อมูลชั่วคราวตามชื่อสตรีม โดยใช้หมายเลขลำดับเพื่อติดตามตำแหน่งที่ไม่ซ้ำกันของแต่ละบันทึก และประมวลผลข้อมูลตามลำดับเวลา
ผู้ใช้สตรีม
ตัวใช้งานสตรีมคือองค์ประกอบด้านซอฟต์แวร์ที่ประมวลผลและวิเคราะห์ Data Stream ที่บัฟเฟอร์ในตัวประมวลผล ตัวใช้งานแต่ละรายการมีความสามารถในการวิเคราะห์ เช่น ความสัมพันธ์ การรวม การกรอง การสุ่มตัวอย่าง หรือแมชชีนเลิร์นนิง แต่ละสตรีมอาจมีตัวใช้งานหลายรายการ และตัวใช้งานแต่ละรายการอาจประมวลผลสตรีมปริมาณมาก ตัวใช้งานยังสามารถส่งข้อมูลที่เปลี่ยนแปลงกลับไปให้ตัวประมวลผลเพื่อสร้างสตรีมใหม่สำหรับผู้ใช้รายอื่น
การนำสถาปัตยกรรมไปใช้
หากต้องการใช้สถาปัตยกรรมข้อมูลสตรีม คุณจะต้องมีเลเยอร์การจัดเก็บและประมวลผล เลเยอร์การจัดเก็บข้อมูลต้องรองรับการจัดเรียงบันทึกและมีความต่อเนื่องในระดับสูง เพื่อให้อ่านและบันทึกค่า Data Stream ปริมาณมากได้อย่างรวดเร็ว คุ้มค่าใช้จ่าย และเล่นซ้ำได้ เลเยอร์การประมวลผลจะใช้ข้อมูลจากเลเยอร์การจัดเก็บข้อมูล คำนวณข้อมูลดังกล่าว แล้วจึงแจ้งเลเยอร์การจัดเก็บข้อมูลให้ลบข้อมูลที่ไม่ต้องใช้แล้ว
ความท้าทายในการทำงานกับข้อมูลสตรีมมีอะไรบ้าง
สถาปัตยกรรมข้อมูลสตรีมต้องได้รับการพิจารณาเป็นพิเศษ อันเนื่องจากลักษณะและปริมาณของข้อมูล
ความพร้อมใช้งาน
แอปพลิเคชันข้อมูลสตรีมต้องการความต่อเนื่อง มีเวลาแฝงต่ำ และมีความพร้อมใช้งานสูง ผู้บริโภครับข้อมูลใหม่จากสตรีมเพื่อประมวลผลอย่างต่อเนื่อง ความล่าช้าจากตัวผลิตอาจทำให้ระบบชะงักและเกิดข้อผิดพลาดได้
ความสามารถในการปรับขนาด
Data Stream ดิบอาจเพิ่มขึ้นอย่างรวดเร็วและไม่คาดคิด ยกตัวอย่างเช่น โพสต์บนโซเชียลมีเดียจะพุ่งสูงขึ้นระหว่างการแข่งขันกีฬารายการใหญ่ ดังนั้นระบบจึงควรให้ความสำคัญกับการจัดลำดับข้อมูล ความพร้อมใช้งาน และความต่อเนื่องที่เหมาะสม แม้จะเป็นในช่วงที่มีการโหลดสูงสุด
ความคงทน
เนื่องจากความอ่อนไหวด้านเวลาของข้อมูล ระบบประมวลผลสตรีมจึงต้องทนต่อข้อบกพร่องได้ มิฉะนั้น ข้อมูลจะสูญหายไปตลอดกาลเมื่อไฟดับหรือระบบหยุดทำงาน
AWS สามารถรองรับความต้องการข้อมูลสตรีมมิ่งของคุณได้อย่างไร
AWS มีตัวเลือกในการทำงานกับข้อมูลสตรีมที่หลากหลาย
Amazon Kinesis
Kinesis คือแพลตฟอร์มสำหรับข้อมูลสตรีมบน AWS ซึ่งนำเสนอบริการที่มีประสิทธิภาพ ทำให้ง่ายต่อการโหลดและวิเคราะห์ข้อมูลสตรีม ในขณะเดียวกันก็ช่วยให้คุณสร้างแอปพลิเคชันข้อมูลสตรีมแบบกำหนดเองสำหรับความต้องการเฉพาะด้านได้
Kinesis มีบริการสามอย่างด้วยกันคือ Amazon Kinesis Data Firehose, Amazon Kinesis Data Streams และ Amazon Managed Streaming สำหรับ Apache Kafka (Amazon MSK)
Kinesis Data Firehose
Kinesis Data Firehose สามารถเก็บและโหลดข้อมูลสตรีมไปที่ Amazon Simple Storage Service (Amazon S3) และ Amazon Redshift โดยอัตโนมัติ บริการนี้ช่วยให้คุณสามารถวิเคราะห์แบบเรียลไทม์โดยใช้เครื่องมือข่าวกรองทางธุรกิจและแดชบอร์ดที่คุณใช้อยู่ในปัจจุบัน
Kinesis Data Streams
Kinesis Data Streams สามารถบันทึกและจัดเก็บข้อมูลหลายเทระไบต์ (TB) ต่อชั่วโมงจากแหล่งข้อมูลนับแสนได้อย่างต่อเนื่อง โดยตัวบริการรองรับเฟรมเวิร์กการประมวลผลสตรีมตามความต้องการของคุณซึ่งรวมถึง Amazon Kinesis Client Library (KCL), Apache Storm และ Apache Spark Streaming
Amazon MSK
Amazon MSK เป็นบริการที่มีการจัดการเต็มรูปแบบที่ช่วยให้คุณสร้างและเรียกใช้แอปพลิเคชันที่ใช้ Apache Kafka ในการประมวลผลข้อมูลสตรีมได้ง่ายยิ่งขึ้น Apache Kafka เป็นแพลตฟอร์มโอเพนซอร์สสำหรับการสร้างไปป์ไลน์และแอปพลิเคชันข้อมูลสตรีมแบบเรียลไทม์
Amazon Redshift
Amazon Redshift Streaming Ingestion ช่วยให้ผู้ใช้นำเข้าข้อมูลสตรีมไปยังคลังข้อมูลเพื่อการวิเคราะห์แบบเรียลไทม์จาก Data Stream ของ Kinesis หลายรายการ คุณสามารถเสริมการวิเคราะห์ขั้นสูงโดยใช้ SQL ที่คุ้นเคย รวมทั้งสร้างและจัดการไปป์ไลน์ ELT ได้ง่าย ๆ นอกจากนี้ยังช่วยให้คุณประมวลผลข้อมูลสตรีมจำนวนมากโดยมีเวลาแฝงต่ำและอัตราการโอนถ่ายข้อมูลสูง เพื่อรับข้อมูลเชิงลึกในไม่กี่วินาที
โซลูชันอื่น ๆ สำหรับสตรีมบน Amazon EC2
คุณสามารถติดตั้งแพลตฟอร์มข้อมูลสตรีมบน Amazon Elastic Compute Cloud (Amazon EC2) และ Amazon EMR ได้ตามความต้องการ รวมถึงสร้างเลเยอร์การจัดเก็บและประมวลผลข้อมูลสตรีมของคุณเองได้ ผลลัพธ์ที่ได้จึงช่วยให้คุณเลี่ยงอุปสรรคในการจัดเตรียมโครงสร้างพื้นฐาน รวมทั้งการเข้าถึงเฟรมเวิร์กการจัดเก็บและการประมวลผลสตรีมต่าง ๆ ได้ ตัวเลือกสำหรับเลเยอร์พื้นที่เก็บข้อมูล ได้แก่ Amazon MSK และ Apache Flume ตัวเลือกสำหรับเลเยอร์การประมวลผลสตรีม ได้แก่ Apache Spark Streaming และ Apache Storm
เริ่มต้นใช้งานข้อมูลสตรีมบน AWS โดยสร้างบัญชี AWS ฟรีวันนี้เลย!
