Category: News

AWS 云中的 Oracle 到 PostgreSQL 迁移可能是一个复杂度极高的多阶段流程 – 从评估阶段直到移交阶段，涉及到不同的技术和技能。为了更好地理解这其中的复杂性，请参阅 AWS 数据库博文：数据库迁移 – 开始迁移之前应该了解些什么？

在 AWS 云中从 Oracle 迁移到 PostgreSQL 可能是一个复杂的多阶段过程，从评估阶段到切换阶段，涉及多种不同的技术和技能。本系列博文介绍了源 Oracle 数据库、AWS Database Migration (AWS DMS) 服务和目标 PostgreSQL 数据库的环境和配置设置。本系列博文侧重于生产、开发、测试和暂存数据库环境迁移所用源数据和目标数据库基础设施、设置、工具和配置。我们将首先介绍从 Oracle 迁移到 Amazon RDS for PostgreSQL 数据库或兼容 PostgreSQL 的 Amazon Aurora 数据库。

在 Amazon EKS 上开始应用程序开发可能需要创建 Kubernetes 集群和代码库，还需要配置部署管道以将代码更改持续推送到集群。在本博文中，Stelligent 的 Casey Lee 展示了如何使用开源工具 mu 简化所有 AWS 资源的声明和管理，以便您可以专注于开发应用程序。

强化学习是一种机器学习模式，适合允许“代理”以试错方式在交互式环境中行动的情况，代理可以利用来自这些行动的反馈逐步学习，以达到预定目标或最大限度提升某些类型的分数或反馈。这与监督式学习等其他形式的机器学习形成对比，监督式学习使用一组事实（基础事实）来训练模型，以便它可以进行推理。

二十多年来，Amazon 一直在竭力解决包括零售、供应链和服务器容量在内的多个领域的时间序列预测挑战。 如今，运用我们通过这样的经验掌握的机器学习技术，我们隆重推出 Amazon Forecast – 一项用于时间序列预测的完全托管式深度学习服务。Amazon Forecast 融合我们多年来构建和运行可扩展、高度准确的预测技术的丰富经验，形成一种简单易用、完全托管式的服务。

机器学习 (ML) 分为两个不同的阶段：训练和推理。训练涉及构建模型，即在数据集上运行 ML 算法以识别有意义的模式。这通常需要大量的存储和计算能力，从而使云成为了使用 Amazon SageMaker 和 AWS Deep Learning AMI 等服务训练 ML 作业的自然场所。

AWS Step Functions 是面向应用程序开发人员的完全托管式工作流服务。您可以从总体上进行思考和工作，以可靠和可重复的方式连接和协调活动，同时保持业务逻辑与工作流逻辑分离。在设计和测试工作流（我们称之为状态机）之后，您可以大规模进行部署，使数万甚至数十万个工作流同时独立运行。Step Functions 跟踪每个工作流的状态，负责重试瞬态故障活动，并简化监控和日志记录。要了解更多信息，请逐步浏览使用 AWS Step Functions 和 AWS Lambda 创建无服务器工作流教程。

2015 年我们推出了 AWS 架构完善的框架，我也问过您是否做到了架构完善？ 此框架包含五大支柱，囊括了在云中架构系统的一组核心策略和最佳实践

在 AWS，我们的使命是让机器学习成为每个开发人员的利器。因此我们在 2017 年推出了 Amazon SageMaker。从那以后，它已成为 AWS 历史上增长最快的服务之一，全球已经有数千客户。使用 Amazon SageMaker 的客户可以使用 Amazon SageMaker 中提供的优化算法，可以运行完全托管的 MXNet、TensorFlow、PyTorch 和 Chainer 算法， 也可自带算法和模型。在构建自己的机器学习模型时，许多客户花费大量的时间开发算法和模型，但只能解决已经解决的问题。

就在几年前，创建一个既能以任何规模支持业务需求，同时又可保持稳定低延迟的数据库不过是白日做梦。但 2012 年当我读到 Werner Vogels 宣布推出 Amazon DynamoDB 的博客文章时（比我加入 AWS 早了几个月），情况发生了改变。DynamoDB 依据 Amazon 于 2007 年发表的原始 Dynamo 报告 所述的原则构建。几年之后，随着许多新功能的推出，AWS 客户使用数据库的方式进一步简化。您现在可以创建完全托管的多区域多主数据库表，并获得静态加密、时间点还原、内存中缓存以及 99.99% 正常率服务等级协议 (SLA) 等功能。