Author: Localization Team

AWS 社区英雄计划有助于聚焦全球各地的明星式 AWS 开发人员正在开展的一些创新工作。 这些英雄不仅具备扎实的云专业知识，还热衷于社区构建和教育，愿意花时间通过社交媒体和个人活动来分享他们的知识。此外，他们还积极帮助推广聚会、研讨会和会议中的内容。

作为全球云服务的领导者，AWS始终在创新的路上飞驰，仅2017年一年AWS就发布了1300多项新的服务、功能或者特性，这其中就包括在2017年reInvent上发布的5个全新的媒体服务，MediaConvert, MediaLive, MeidaPackage, MediaStore和MediaTailor，这些完全托管的服务，使得用户可以在云中轻松构建具有广播品质的可靠视频工作流。用户在构建互联网视频，OTT视频业务的时候直接在AWS控制台上即可启动直播，转码，存储，广告插入等广播级的业务流程，可以按照使用量即用即付，随时启停，而无需前期投入购买昂贵的设备资产，无需进行基础架构运维的成本投入，。AWS平台具有全球部署能力，可以分分钟将业务扩展到全球各个区域。

从 Spring 和 Spring Boot 到 Jersey 到 Spark，Java 开发人员可以随心选择各种开放源来构建服务器端 API。这些框架通常都在编译包内嵌入了用来运行服务器的 Servlet 容器引擎，例如 Tomcat。AWS Lambda 和 Amazon API Gateway 在无服务器环境中作为 HTTP 前端和计算平台。今天，我们发布了 aws-serverless-java-container 框架 1.0 版。使用无服务器 Java 容器，可以方便地在 Java 中使用 Spring、Spring Boot、Jersey 或 Spark 等框架编写应用程序，并且只需极少的代码修改即可在 AWS Lambda 内部运行。

Amazon 在 AWS re:invent 上宣布推出 Elastic Container Service for Kubernetes (EKS) 并详细介绍了容器网络将如何在此令人振奋的新平台上工作 — 以及得到保护。特别是 EKS 利用了新推出的 AWS Container Network Interface (amazon-vpc-cni-k8s) 插件以及 Project Calico 来执行网络策略。在本博文中，我们将详细介绍这种集成的工作原理，还将说明目前如何在 EC2 中运行的 Kubernetes 群集中试用。

一步IT的历史简直就是一部“墙头变幻大王旗”的传奇小说。若论起来近40年来始终屹立不倒、笑傲江湖的企业，Intel 当属其中之一。在那本《硅谷百年史》书中，就不吝笔墨的描写了“仙童的叛徒“戈登.摩尔、罗伯特.诺伊斯以及安迪.格鲁夫创业的传奇故事。从1978年推出的8086处理器到今天握有x86处理器80%的市场份额，这一份骄傲何人能及？

电影《蜘蛛侠》里面有一句经典台词“With great power comes great responsibility“。但这一次，Intel 却因为自己的傲慢与失误让我们记住了这两个关于CPU的硬件漏洞Meltdown 、Spectre，也让我们不得不重新审视一下这个老而弥新的话题 – 云安全。

您是否相信时间已是三月？随着一些重要的新技术讲座在本月推出，再没有比这更能增长您的 AWS 服务和解决方案知识的时间了。

以下是三月份将举办的实时在线技术讲座的完整日程。请务必提前注册，以免错过 AWS 主题专家主持的这些免费讲座。

与许多其他公司一样，Amazon 依赖开放源软件的使用。每个软件项目都有不同的需求，但几乎所有项目都需要将开放源软件作为第三方软件依存关系进行管理。一些开放源项目涉及大量的依存关系，跟踪最新的许可和作者信息往往会变得十分复杂和耗时。项目改变版本许可证，或者提供了多个许可证但未明确其适用范围时，可能会令开发人员无所适从。开放源代码促进会 (OSI) 今天发布的 ClearlyDefined 可帮助解决开放源项目的众包数据所导致的这一问题。

基于深度学习 (Deep Learning) 的图像分类的研究与应用已经进行的如火如荼，对大部分的业务场景来说，更是有着深刻的现实意义 – 基于图片的互联网分享社交应用，如何借助 Deep Learning 在第一时间对用户分享的图片进行实时监测，分类是一个比较典型的应用场景；又例如，电商运营可能希望对所有的产品照片按照产品属性进行自动化分类，减少人工分类的工作；另外，在工业生产线的良品率基于产品图片的自动筛检，以及辅助医疗领域对病理图片的分类等等场景都有着十分广泛的应用前景和实用价值。

当然，利用神经网络 (Neural Networks)构建的深度学习，因为其非线性的特性以及堆叠网络架构使其具备了数以百万计的模型参数在图片分类利用越来越成熟。但是，对于不具备深度学习研发能力的用户，从零构建这样的应用无疑是一种挑战。Amazon SageMaker 是一个完全托管的机器学习服务，它使一般的开发人员和数据科学家可以快速轻松地构建以任何规模的机器学习训练任务，并且提供基于API的端到端的模型部署方案以及 10 多类 Amazon 自带的典型算法，让用户无障碍地轻松构建各种典型的机器学习应用。

好了，我们今天给大家准备了一个有趣的任务 – 构建一个猫狗图片的分类器。

2017 年 9 月，Mesosphere 宣布其畅销的 DC/OS 集群管理解决方案将重新支持 Kubernetes。Beta 发布版支持创建集群，然后您可以使用 SSH 隧道访问节点并部署标准的 Kubernetes primitive 数据。从一月初开始正式增加支持 –cloud-provider 旗标，从此您可以使用 Classic Load Balancer (ELB) 或 Elastic Block Store (EBS) 等标准的 AWS 组件。在本博文中，我们将首先创建一个 DC/OS 集群，然后在它上面安装 Beta 版 Kubernetes，最后部署使用 type: LoadBalancer 的服务，以展示如何将 ELB 入站控制器添加到在 DC/OS Kubernetes 集群上运行的应用程序中。本教程将需要大约一小时的时间。

AWS ML 平台团队产品经理 Kumar Venkateswar 分享有关 Auto Scaling with Amazon SageMaker 公告的详细信息。