Author: AWS Team

本文将以一个常见的使用案例，通过Amazon Step Functions Data Science SDK创建基于无服务器架构的工作流，过程如下：1.使用Amazon Glue进行ETL工作，生成样本数据集 2.使用SageMaker部署本地训练好的模型，用于机器学习推理

借助Amazon SageMaker Autopilot，您只需要准备好您的数据，就可以轻松实现优化广告投放策略、预测玩家流失等优化运营的需求。

这种全新实践帮助他们彻底摆脱了由Kubernetes集群维护工作带来的沉重负担，包括与之相关的管理、修复、安全、隔离与扩展等日常任务。

但随着系统中数据规模的持续增长，数据移动也变得越来越困难。为了解决这一挑战、进而从数据中获取最大收益，亚马逊云科技提出了Lake House“智能湖仓”方案。

本文首先简单介绍了经典的日志系统ELK/EFK架构，引出了Grafana新推出的PLG架构，并探讨了两种架构之间的对比和重点发展的方向。然后，本文介绍了在亚马逊云平台的EKS服务上部署Promtail + Loki + Grafana解决方案，以及配置使用Amazon DynamoDB和Amazon S3，以充分借助云服务的高性价比优势，降低用户维护管理成本。

本文介绍了AWS Backup服务的三大优势、十大功能和七个最佳实践。无论对于何种规模的AWS云用户，AWS Backup都是一个集中管理AWS云资源备份的好帮手，尤其是它结合了跨账号跨区域的功能，更增加了在安全合规和数据容灾方面的价值。

传统游戏行业客户需要TCP网络加速服务提高游戏客户端访问其游戏服务器的性能和稳定性。Amazon Global Accelerator 是一种通过亚马逊云科技的全球网络基础设施发送用户流量的联网服务，可以将亚马逊云服务客户的网络性能提升高达60%。亚马逊云服务的游戏行业客户可以考虑使用Global Accelerator服务来加速其TCP协议为主的传统互联网游戏，根据部署游戏所需要的游戏服务器数量不同和其他特定需求，游戏客户可以采用不同的Global Accelerator网络加速解决方案

该文以目标检测模型着手，演示如何一步步基于Sagemaker Neo对训练后的模型文件进行编译优化，来提升模型的推理速度。 文中以yolo3(backbone为mobilenet1.0）模型为例，分别演示模型准备，模型Neo编译，模型导出推理测试，可视化等过程， 推理结果显示基于Sagemaker Neo可以显著提升推理速度，达到一倍以上的加速。

使用反向代理在混合云场景下进行Amazon ECR 镜像推拉

对于 AWS 的初学者来说，高效管理 Amazon Route 53 托管区域记录集面临不少挑战。当托管区域含有一条记录后，控制台“导入区域文件”按钮变得不可用，增加了批量导入的难度。此外，记录的关联资源（如实例，负载均衡器等）发生变化时，记录本身并不会联动，导致信息不一致，增加维护难度。本文探讨如何自动化管理及维护托管区域记录集的问题。主要思路是跟踪相关资源的变化事件（创建资源、删除资源、添加标签、删除标签等），自动修改托管区域记录并与资源保持一致，减少运维压力，提高效率与准确性。