亚马逊AWS官方博客

Fargate简介 就在大约三年前，AWS宣布Amazon Elastic Container Service（Amazon ECS）在AWS上大规模运行和管理容器。 利用Amazon ECS，您可以高规模和高可用性地运行您的工作负载，而无需担心运行自己的集群管理和容器编排软件。 现在，AWS宣布推出AWS Fargate ，使您能够将容器作为基本的计算单元，而无需管理底层实例。 借助Fargate，您不需要在集群中配置，部署或扩展虚拟机来运行容器。 今天，Fargate可以与Amazon ECS一起使用，计划在未来支持Kubernetes（Amazon EKS）的亚马逊弹性容器服务。 Fargate具有灵活的配置选项，因此您可以紧密匹配您的应用程序需求和精确的每秒计费。 无需管理任何EC2实例 基于任务的源生API 计费到CPU和Memory级别，按照Task使用的这些资源按秒计费 Fargate优势 无需管理群集 使用 AWS Fargate，您只需考虑容器，以便能够集中精力构建和运行应用程序。AWS Fargate 消除了管理 Amazon EC2 实例群集的需要。您不必再选择实例类型、管理群集调度和优化群集利用率。使用 Fargate，所有这些麻烦都将不复存在。 无缝扩展 借助 Fargate，您可以轻松扩展应用程序。您不必再担心是否为容器应用程序预置了足够多的计算资源的问题。在您指定应用程序要求 (例如 CPU、内存等) 后，AWS Fargate 会以高度可用的方式管理运行您的容器所需的所有扩展和基础设施。您不再需要决定何时扩展群集，也不需要将其打包即可实现最佳利用率。使用 Fargate，您可以在几秒钟内启动数以万计的容器，并轻松扩展以运行最重要的关键任务型应用程序。 与 AMAZON ECS 和 EKS 集成 AWS Fargate 与 Amazon ECS 无缝集成。您只需按照定义 Amazon ECS 的方式定义您的应用程序。您可以将应用程序打包到任务定义中，指定所需的 CPU […]

本文是特邀文章，由 Whooshkaa 的创始人兼 CEO Robert Loewenthal 撰写。 Whooshkaa 总部位于澳大利亚，提供创新的点播式音频播客平台，帮助出版商和广告商赢得听众。我们一直在尝试新的产品和方法，并将二者结合起来，为我们的客户开创全新的解决方案。 Amazon Polly 文本转语音 (TTS) 功能的采用就是极好的例证。很多顶级出版商、体育机构，以及澳大利亚最大的电信公司已在使用 Amazon Polly 来扩充其既有的发行方式。 这些传统信息提供商发现，客户现在不只需要阅读信息，还希望能够收听信息。借助 Amazon Polly TTS，Whooshkaa 让信息提供商能够用 48 种语音和 24 种语言向听众发布信息。 今年早些时候，Amazon Polly 为澳大利亚的主要全国性报纸《The Australian》提供语音版本。订阅者在驾车、锻炼或其他不方便阅读的情况下可以收听 Amazon Polly 朗读的新闻报道、食谱或体育赛事比分。 通过 Amazon Polly，Whooshkaa 的优秀合作伙伴可以方便地选择任何新闻报道，在几秒之内将文本转换为播客内容。我们还提供一些工具，可以合并多个报道，并通过更改口音、音调、速度和音量对声音进行自定义。 Whooshkaa 有庞大的发布网络，也就是说，听众可以选择多种方式来收听内容。最直接的选择是听众常用的播客应用程序。不过，因为 Whooshkaa 与 Facebook 存在独特的合作关系，我们的播客可以通过 Facebook 的音频播放器播放。我们的 Web 播放器可进行自定义，在 Twitter 上也受支持，实际上它可以嵌入任何网站。 我们相信，当这项技术成熟时，出版商能够以任何语言在世界上任何地方提供其新闻报道。新闻报道可以根据听众的偏好和需求进行自定义。 我们还与澳大利亚最大的电信公司 Telstra 和澳大利亚全国橄榄球联赛合作，通过任何联网的智能播音设备发布用户最爱球队的现场比分。用户可以直接向其设备询问当前比分，设备能够立即播报结果。 我们的开发人员 Christian […]

AWS DeepLens 提供了极好的机会来学习新技术，例如深度学习和物联网 (IoT)，以及构建可以解决实际问题的创新系统。该设备和服务附带有一组预定义的项目，使得从头开始运行非常简单。它设计作为开放平台，使得新手和有经验的开发人员都能构建 (和分享) 新的激动人心的项目。 在本博客文章中，您将逐步完成构建自己项目的过程，包括以下步骤： 训练深度学习模型 (使用 Amazon SageMaker) 优化经过训练的模型以在 AWS DeepLens 边缘设备上运行 开发 AWS Lambda 函数以加载模型并用于在视频流上运行推理 使用 AWS Greengrass 将 AWS Lambda 函数部署到 AWS DeepLens 设备 将边缘 AWS Lambda 函数传递到云中，用于发送命令和接收推理输出 营利 训练深度学习模型 (使用 Amazon SageMaker) Amazon SageMaker 是面向繁重的数据科学的另一项新服务。它汲取了 Amazon 数据科学家在 Amazon.com 众多业务领域的多年经验，从建议引擎到 Alexa、Amazon Go、Amazon Robotics 乃至其他无穷的基于机器学习的系统。 虽然本篇博客帖子所涵盖的内容极为有趣，不过设计和构建良好机器学习模型的完整过程远不止这些。实际上，通过将深度学习模型部署到 DeepLens 设备，然后传输回来并从输出中获益，一旦通过这个流程实现生产，您就会发现自己会有越来越多的时间构建模型，来解决真实世界的新问题。 对于机器学习新手以及数据科学专家而言，当您在 Amazon SageMaker […]

就像任何工匠一样，您在开始编程时首先要了解的一点就是您的工具非常重要。Notepad.exe 可能无法很好地完成工作。一个强大的编辑器和测试管道可提高您的生产力。我仍然记得第一次学习使用 Vim，并且能够在系统和复杂的程序中进行压缩。您还记得在新计算机上设置所有编译器和依赖项有多难吗？您在匹配版本、摆弄配置，然后编写文档以便对项目的新开发人员进行入职培训上浪费了多少个周期？ 今天，我们推出了 AWS Cloud9，它是一种用于在您的 Web 浏览器中编写、运行和调试代码的集成开发环境 (IDE)。Cloud9 自带了适用于许多常用编程语言 (Javascript、Python、PHP 等) 的基本工具，因此，您不必安装各种编译器和工具链。Cloud9 还提供了使用无服务器应用程序的无缝体验，使您能够快速地在本地和远程测试或调试之间切换。AWS Cloud9 以常用开放源 Ace Editor 和 c9.io IDE (我们去年已收购) 为基础，旨在使通过极其强大的结对编程功能进行的协作式云开发变得轻松。提供的功能比我在这篇文章中提及的功能多得多，为了快速细分，我将 IDE 划分为 3 个部分：编辑器、AWS 集成和协作。 编辑 Ace Editor 是 Cloud9 的核心，可让您快速、轻松和出色地编写代码。它遵循做一件事情就做好的 UNIX 哲学：编写代码。 它具有您期待的所有典型的 IDE 功能：实时语法检查、自动缩进、自动完成、代码折叠、拆分窗格、版本控制集成、多个光标和选择，并且它还有一些我想重点说明的独特功能。首先，它的速度很快，即使对于大型 (100000 行以上) 文件也是如此。键入时无滞后或其他问题。它内置了 20 多个主题 (过度曝光！)，并且您也可以从 Sublime Text 或 TextMate 中引入您喜欢的所有主题。它内置了对项目的 40 多种语言模式和可自定义的运行配置的支持。但最重要的是，它具有 Vim 模式 (或 […]

要说什么东西融入到了我的日常生活中，只有少数几个比得上 Alexa。我使用 Echo 设备和已启用的 Alexa 技能来打开家里的灯、观看我的 Echo Show 中的视频以了解谁在按门铃、每周跟踪我长长的待办事项清单、播放音乐等。我甚至让我的家庭成员也在其 Echo 设备上对他们似乎绝对离不开的各种类型的活动启用 Alexa 技能。我的母亲是年纪比我们大得多的一代人 (请别告诉她我这么说)，她使用 Echo 设备以及我为她构建的自定义 Alexa 技能来存储烘焙食谱。她还喜欢探索拥有最新的健康和美食信息的技能。难怪每次我去上班总觉得少了点什么。例如，我希望能够要求 Alexa 在我到达办公室时读出我的新闻简讯。 对于想要让 Alexa 作为工作时的智能助手的人来说，我有一条激动人心的消息。我很高兴地宣布 Alexa for Business 即将发布，它是一项全新的服务，使企业和组织能够将 Alexa 大规模引入工作场所。Alexa for Business 不仅将 Alexa 引入您的日常工作以提升您的工作效率，还为提供了供组织大规模设置和管理 Alexa 设备、启用私人技能以及登记用户的工具和资源。 利用 Alexa for Business 让工作场所更智能 Alexa for Business 可将您了解和喜爱的 Alexa 引入工作场所以在个人和共享 Echo 设备上帮助各种类型的工作人员变得更有效率和更有条理。在工作场所中，共享设备可以放置在公共区域以供任何人使用，并且工作人员可以使用其个人设备在办公点和家里进行连接。 最终用户可以使用共享设备或个人设备。以下是用户可从每种设备执行的操作。 共享设备 在会议室加入会议：您只需说一声“Alexa，开始会议”。Alexa 就会开启视频会议设备，拨号到您的会议电话，然后进行会议。 在办公室提供帮助：访问自定义技能以帮助搞清办公室各个方向通往何处、查找开放的会议室、报告建筑设备问题或订购新的办公用品。 个人设备 […]

AWS DeepLens 是一个带有摄像头的支持深度学习的开发人员工具包。它使您能够通过实操计算机视觉教程和预建模型来开发机器学习技能并进行扩展。预构建模型的示例包括：用于识别和检测房间里的不同对象 (如电视显示器、人和瓶子) 的对象检测以及用于识别不同类型的动作 (如刷牙、涂口红、打鼓、拉小提琴和打篮球) 的动作识别。 AWS DeepLens 可让您从设备的摄像头显示流以及在 IoT 控制台和本地设备上显示模型的输出。有关了解有关如何执行此操作的更多信息，您可以参阅文档。在本博客文章中，我们将讨论如何通过 HTML 页面上的 AWS DeepLens 自定义和显示项目输出。 我们将使用： Amazon Cognito，旨在使 HTML 页面能够通过 IoT WebSockets 访问 AWS DeepLens MQTT 消息 AWS IoT，旨在处理数据订阅和发布 Amazon S3，旨在存储用于显示输出的 HTML 文件 您可以使用 AWS CLI 或 AWS 管理控制台来自定义 AWS DeepLens 项目输出。使用 CLI 和控制台的步骤如下所示。 先决条件 要执行以下步骤以自定义 AWS DeepLens 输出，您需要 拥有一台 AWS DeepLens 设备 […]

AWS DeepLens 是一个带有摄像头的支持深度学习的开发人员工具包。它使您能够通过实操计算机视觉教程和预建模型来开发机器学习技能并进行扩展。 本博客文章将说明如何借助 AWS IoT 规则引擎和 Lambda 函数来利用云功能扩展 DeepLens 的本地功能。我们在这里介绍的简单功能是：在您通过 DeepLens 设备看到热狗后向您的电话号码发送 SMS 通知。我们期望有更多的高级用户扩展此功能以包含其他 AWS 云服务，例如 Amazon Elasticsearch Service (利用时间轴和帧为检测到的所有对象和面部构建控制面板和搜索界面)、Amazon Kinesis Analytics (构建有关在您的店面前走过的人数的异常检测模型)、Amazon Rekognition (使用名人识别和面部搜索 API 来识别您周围的 VIP) 和很多其服务。 这里有一张示意图展示了系统中数据的流动 – 从摄像头前部的物体一直到您口袋中的移动设备。 创建 Lambda 函数 首先，您将创建一个 AWS Lambda 函数，该函数将在云中运行并为具有足够高 (>0.5) 的概率获得热狗的人筛选来自您的 DeepLens 设备的消息。在此过程中，您还将在 AWS IoT 规则引擎中创建一条规则，用于从您使用 AWS Greengrass 部署到设备的 Lambda 函数获取消息。 在 AWS Lambda […]

本月早些时候，我的同事 Colm MacCárthaigh 向大家介绍了 AWS PrivateLink，并展示了如何使用它通过 VPC 终端节点访问 Amazon Kinesis Streams、AWS Service Catalog、EC2 Systems Manager、EC2 API 以及 ELB API 等 AWS 服务。终端节点 (由一个或多个弹性网络接口表示，这种接口简称 ENI) 驻留在您的 VPC 内，其 IP 地址来自 VPC 的子网，无需 Internet 或 NAT 网关。这个模型非常清晰，易于理解，而且还具有安全和可扩展的特点！ 用于私有连接的终端节点 目前，我们正在构建 PrivateLink 初始发布模型，并对其进行扩展，让您能够设置并使用 VPC 终端节点来访问您自己的以及其他方提供的服务。在我们发布适用于 AWS 服务的 PrivateLink 之前，就收到了许多要求提供此功能的请求，所以我预计它将会广受欢迎。例如，一名客户告诉我们，他们计划创建数百个 VPC，每一个都用于托管并提供单一微服务 (请阅读 AWS 上的微服务了解更多信息)。 公司现在可以创建服务并销售给其他 AWS 客户，以便通过私有连接进行访问。还可以创建接受 TCP 流量的服务，将其托管在网络负载均衡器后方，然后直接提供或通过 AWS […]

在当今时代，我们几乎都会利用移动设备和应用来让我们的生活更加轻松惬意。随着我们对手机的依赖程度不断增加，移动应用市场已呈爆炸式增长，数百万个应用竞相吸引我们的注意力。对于移动开发人员，这意味着我们必须确保我们构建的应用能够提供应用用户所需的质量和实时体验。因此，开发包括多用户数据同步、离线网络支持和数据发现等功能的移动应用已变得至关重要。我最近通过阅读 InfoQ、DZone 等出版物和移动开发博客 AlleviateTech 上的几篇文章，了解了移动开发趋势，我认为提供上述功能的关键要素之一是云驱动型移动应用。这似乎完全正确，因为它涉及到移动数据同步和数据存储。 既然如此，我认为现在是我宣布新服务 AWS AppSync 的最佳时机，该服务用于构建由云中的数据密集型服务驱动的创新移动应用。AWS AppSync 是一项完全托管的无服务器式 GraphQL 服务，可提供实时数据查询、同步、通信和离线编程功能。对于那些不熟悉开放式 GraphQL 规范的人，让我简要分享一些相关信息。GraphQL 是一种响应式数据查询语言和服务器端运行时，用于查询可检索实时数据和执行动态查询的数据源。您可以使用 GraphQL 构建响应式 API，以便在构建客户端应用程序时使用。GraphQL 在应用程序层工作，并提供用于定义架构的类型系统。这些架构可用作规范，以定义应如何对数据执行操作，以及在检索时应如何设置数据结构。此外，GraphQL 还有一个声明性编码模型，它受许多客户端库和框架 (包括 React、React Native、iOS 和 Android) 的支持。 现在，GraphQL 开放标准查询语言的强大功能正在通过 AWS AppSync向您提供丰富的托管服务。借助 AppSync ，开发人员可以轻松简化跨多个数据源的数据检索和处理操作，从而使其能够快速建立原型，构建和创建强大的协作式多用户应用程序。AppSync 在设备处于连接状态时保持数据更新，但使开发人员能够通过在本地缓存数据并在连接可用时同步本地数据，来构建脱机工作的解决方案。 我们来讨论 AWS AppSync 的一些关键概念以及该服务的工作原理。 AppSync 概念 AWS AppSync 客户端：定义操作、封装请求的授权详细信息以及管理离线逻辑的服务客户端。 数据源：数据存储系统或用于存储数据的触发器 身份：随 GraphQL 代理的请求一起提供的一组包含权限和标识上下文的凭证 GraphQL 代理：用于处理和映射请求、处理冲突解决方法以及管理精细访问控制的 GraphQL 引擎组件 操作：AppSync 中支持的三种 GraphQL 操作之一 […]

在我们用来支持现代生活的所有数据结构和算法中，图形不断改变着世界。各企业不断产生和获取关系复杂的丰富数据。然而，开发人员仍然不得不在传统数据库中对这些复杂关系进行建模。这导致查询极为复杂，并且成本高昂，随着关系的增加，性能也会不断下降。我们希望能简化这些越来越复杂的新式数据集、关系和模式的处理。 欢迎 Amazon Neptune 今天，我们要发布 Amazon Neptune 有限预览版，这是一个快速可靠的图形数据库服务，可供客户轻松洞悉高度连接的数据集之间的关系。Amazon Neptune 的核心是专门构建的高性能图形数据库引擎，它进行了优化，可存储数十亿关系并将图形查询延迟减至毫秒级。Amazon Neptune 作为完全托管的数据库提供，让客户能够腾出手来集中精力开发其应用程序，而不用忙于执行枯燥的重复性操作，如维护、修补、备份和恢复。该服务支持快速故障转移、时间点恢复以及多可用区部署，从而实现高可用性。它支持多达 15 个只读副本，您可以将查询吞吐量扩展到每秒数十万个查询。Amazon Neptune 在 Amazon Virtual Private Cloud 内运行，因此您可以加密静态数据，可完全控制传输中数据和静态数据的完整性。 这项服务有很多有趣的功能，不过可能很多人还不熟悉图形数据库，因此我们首先介绍一下概念。 图形数据库 图形数据库用于存储顶点 (节点) 和边缘 (关系或连接)，这两种元素都可以键值对的形式存储其属性。对于连接的上下文关系驱动数据，图形数据库很有用。一些典型的应用包括社交媒体网络、推荐引擎、驾车路线、物流、诊断、欺诈检测以及基因测序。 Amazon Neptune 支持两种开放式图形描述和查询标准： 使用 Gremlin 查询的 Apache TinkerPop3 样式属性图。Gremlin 是一种图形遍历语言，在这种语言中，查询是由沿着边缘到节点的离散步骤组成的遍历。通过用于 TinkerPop 的现有工具和客户端，可以快速开始使用 Neptune。 使用 SPARQL 查询的资源描述框架 (RDF)。SPARQL 是一种声明式语言，它基于 W3C 的 Semantic Web 标准。它遵从“主->谓->宾”模型。具体地说，Neptune 支持以下标准：RDF 1.1、SPARQL Query 1.1、SPARQL Update […]