Neste trabalho, é realizada uma análise comparativa abrangente das três principais plataformas para organização de streaming de mensagens — Apache Kafka, Amazon Kinesis e RabbitMQ — com o objetivo de identificar suas características arquitetônicas, pontos fortes operacionais e limitações sob condições de cargas máximas e requisitos rigorosos de latência. O estudo baseia-se em uma abordagem metodológica abrangente, incluindo uma revisão sistemática das publicações científicas atuais, a realização de medições de desempenho comparativas em ambientes laboratoriais e a síntese de estudos de caso práticos da integração dos sistemas em consideração em paisagens de TI reais. Os resultados obtidos demonstram que uma escolha ponderada da plataforma para processamento de streams depende de uma multiplicidade de fatores inter-relacionados: o volume de mensagens processadas, as métricas de throughput requeridas e o tempo máximo de resposta, o modelo de implantação preferido (solução local, serviço em nuvem ou híbrido), as capacidades para integração sem costura com serviços e infraestrutura existentes, bem como as restrições orçamentárias do projeto. Com base na análise realizada, uma metodologia unificada de tomada de decisões é proposta para a seleção de ferramentas para processamento de dados em streaming, adaptada às tarefas de engenheiros de dados, arquitetos de sistemas distribuídos e pesquisadores de plataformas de informação de alto desempenho. O material é de interesse prático para especialistas na concepção de filas de mensagens distribuídas tolerantes a falhas e escaláveis, bem como para especialistas em análises em tempo real e desenvolvedores de soluções em nuvem que buscam uma compreensão mais profunda dos esquemas arquitetônicos e métodos de otimização de throughput aplicados no Kafka, Kinesis e RabbitMQ. Além disso, os resultados da pesquisa podem ser úteis para cientistas na área de computação distribuída e Internet das Coisas, focando nas bases teóricas e aspectos práticos da construção de pipelines de eventos de dados confiáveis.
Vladyslav Vodopianov (Ter,) estudou esta questão.