亚马逊AWS官方博客

Kibana 是一种流行的开源可视化工具，专为与 Elasticsearch 结合使用而设计。Amazon ES 为每个 Amazon ES 域默认安装 Kibana。目前ES内置的Kibana不支持IAM，对于Kibana的访问控制主要有两个方面：在VPC内访问可以通过安全组进行控制，在VPC外访问可以通过结合Amazon Cognito的UserPool和IdentityPool来进行身份验证或者使用基于IP的策略。
由于中国区目前还不支持Cognito UserPool，因此需要在VPC外进行公开访问只能通过基于IP的策略来进行控制。但无论在大型企业还是在小型创业公司，把每一个需要访问ES Kibana的员工的客户端IP加入ES 策略中都是很不合理的。因此我们可以用一个Nginx服务器作为中间代理，将这台Nginx的IP加入Kibana的访问策略中，客户端通过Nginx的反向代理来访问Kibana，而关于身份验证的部分在Nginx上实现。

伴随着Java的普及，用以开发并提供JVM支持的Java Development Kit (JDK) 就成为了最重要的一个开发工具包。历史上曾经出现过许多JDK的发行版，例如IceTea、Blackdown、Jrockit、Apache Harmony 等等至今都已成为历史。今天，当我们面对OpenJDK、Azul、Oracle Java SE 等许多JDK 的选项的时候，我们该如何取舍呢？

作为一个Java程序员，我们难免会经常遇到这样的一些错误信息，随着敏捷开发思想的普及，以及微服务架构的成熟，代码中的缺陷带来的挑战引出了一个新的需求 – 能否有一款更智能、脱离静态语法分析的局限来实现高质量代码分析工具？这就需要引出今天的主角Amazon CodeGuru。

去年年底，我曾写过关于 Savings Plans 的博文，介绍了Savings Plans 可让您灵活地更改计算服务、实例类型、操作系统和区域，同时以较低的价格访问计算能力。今天，我很高兴地向您宣布，Compute Savings Plans 现在可应用于 AWS Lambda 函数使用的计算时间，最高可节省 17% 的成本。

这几年深度学习的爆发带来了一个未曾预料到的结果，Python 这个曾经小众的语言突然之间变得炙手可热。究其原因，在Python 的生态中我们可以容易的找到许多的资源。例如，NumPy用于数据计算、Matplotlib用于数据可视化以及MXNet、PyTorch、TensorFlow等一众深度学习框架。相比之下，尽管Java语言仍是最流行的语言之一，拥有为数众多的开发者，尤其在企业市场拥有最广泛的应用基础，但事实上我们很难找到合适的用于深度学习的Java工具或者框架。

传统的缓存场景通常是进行旁路的部署，需要考虑使用新的API接口、大量的应用修改，以及需要管理缓存的伸缩性和高可用等方面。用户的应用开发和运维管理工作的压力很大，因此一直期望有一个高性能、高可用并且简单易用的方案来做数据库的缓存。

本文使用 AWS 示例数据集进行分布演练，向您演示 Amazon Redshift 的一些 ETL 和 ELT 设计模式。

在本系列文章的第 1 部分中，我们将讨论使用主要和短期 Amazon Redshift 集群构建可扩展 ETL（提取、转换、加载）和 ELT（提取、加载、转换）数据处理管道的设计的最佳实践。您还将了解一些重要的 Amazon Redshift 功能（例如 Amazon Redshift Spectrum、并发扩展以及最近新增的对数据湖导出的支持）的相关用例。

2018 年中期，AWS 就开始助力 Netflix 的一个备受期待的开源项目 Spinnaker。Spinnaker 是一个基于云的持续交付平台，用于快速可靠地发布软件更改。2019 年，AWS 将重点放在了 Spinnaker 的多项重要增强功能上，我们与 Netflix 的交付工程团队合作，为 Spinnaker 添加了全新的函数计算基元，以便您可以通过 Spinnaker UI 本身管理和部署 AWS Lambda 函数。本文将带您来进一步了解如何将 AWS Lambda 与 Spinnaker 集成。

本文介绍了在 Amazon Elastic Compute Cloud (EC2) 上运行 Linux 的客户可以利用新的支持功能，将预置 IOPS (io1) Amazon Elastic Block Store (EBS) 卷挂载到多个 EC2 实例。