Category: Database

本 blog 将手把手教你玩转 Timestream for influxDB，主要会包含以下几个部分：Timestream for InfluxDB 创建、连接、数据插入，如何采用 influxDB UI 连接和管理 Timestream for influxDB； 以及我们将以 devops 运维数据为示例场景，介绍如何采用 Timesteram for influxDB 来高效插入、存储时序数据；以及如何采用和集成 grafana，实现时序数据丰富和高效的查询、分析和展现。

本文比较了 Amazon RDS 的多可用区部署选项，包括多可用区数据库实例、多可用区数据库集群、Amazon Aurora 和 Aurora Serverless v2。

本文探讨如何使用 Amazon Aurora 构建使用 RAG 的生成式 AI 应用程序。我们将逐步介绍如何设置 Aurora 集群为 Amazon Bedrock 知识库，还将演示如何通过简单的 SQL 命令从 Amazon Bedrock 生成嵌入，使用 Amazon Aurora Machine Learning 扩展。

本文将演示如何使用 SageMaker DeepAR 算法，对存储在 Timestream 中的 DevOps 时间序列数据运行预测分析，用于改善容量规划。

针对数据库安全挑战，我们可以在数据库领域进行三个方向的应对：事前防范、事中监控及修复、事后审计。事前防范可以考虑安全合规、及时监控漏洞并更新补丁、配置良好的数据库访问控制策略、设计严谨的加密策略等；事中监控及修复可以考虑构建数据库的高可用架构、及时备份以及监测数据库登录行为等；事后审计可以采用审计日志、数据库活动日志等来进行实现。本篇博客聚焦数据库的安全合规，从几个维度总结亚马逊云科技上的数据库安全方案，旨在为您考虑数据库安全时提供指导。

 AWS 峰会季即将开始！ 我很高兴能在下周的巴黎 AWS 峰会以及下下周的阿姆斯特丹 AWS 峰会上与我们 […]

业务场景 客户业务当前已部署在亚马逊云科技上，主要面向 2C 以及 2B 的客户，期望建立基于用户之间关系，并 […]

生成式人工智能为企业带来了更多的机会，可以利用向量搜索技术，实现对非机构化数据的搜索和比较。本文将阐述如何在 Amazon Aurora PostgreSQL 兼容版本中使用 pgvector 来实现向量搜索，以及如何利用 Aurora 优化型读取特性来提升向量搜索的性能表现。

本博客将展示如何采用 Amazon DocumentDB 和 Amazon Bedrock 构建游戏行业产品推荐，博客中的 Demo 已经接入了目前最新的 Bedrock Claude 3 Sonnet 模型。Anthropic 目前的评估表明，Claude 3 模型系列在数学应用题解决（MATH）和多语言数学（MGSM）基准（目前用于大语言模型的关键基准）方面优于同类模型。另外我们使用了 Amazon Bedrock Titan 模型来生成向量，并使用 DocumentDB 将 Titan 生成的向量存储在 Amazon DocumentDB 数据库中，利用 DocumentDB Vector Search 的相似性向量搜索和 DocumentDB Text Search 全文检索功能实现 RAG 双路召回，并将 RAG 双路召回合并结果，返回给 Amazon Bedrock Claude 3 Sonnet，进行内容总结归并。

Mysql 8.0 已经成为当前主流运行版本。Mysql 8.0 在带来很多新功能的同时，也需要我们去持续学习和探索它的变化。本文就是针对 Amazon Aurora Mysql 8.0 的 lower_case_table_names 参数设置导致的 Cross Region Replica 创建失败问题，详述了整个问题的分析、测试、解决的过程。