亚马逊AWS官方博客

Amazon Aurora全球数据库允许用户创建全局分布式应用程序，保证为远程区域内的本地读取操作提供支持。以此为基础，您可以在灾难恢复解决方案中实现极优的RPO与RTO水平，也可以向世界各地的用户提供延迟更低的读取响应。通过写入转发功能，我们现在还能够让全局应用程序以更少的代码变更在远程区域内轻松执行写入操作。

How build Datalake with AWS Data Wrangler

Amazon Redshift 允许 AWS 客户构建 PB 级的数据仓库，使来自各种内部和外部源的数据得以整合。由于 Redshift 针对大型表上的复杂查询（通常涉及多个join）进行了优化，因此它可以毫不费力地处理大量零售、库存和财务数据。加载数据后，我们的客户可以使用由 Redshift 合作伙伴提供的大量企业报告和商业智能工具。

在本文中，您创建了一个主动学习工作流，并使用该工作流从 ML 模型推论和人工工作线程产生高质量的标签。 您可以将此工作流用于各种自定义添加标签任务，以减少为大型数据集添加标签的成本。您可以使用任何自定义学习算法和主动学习逻辑，并根据需要更改此示例。要开始使用 Blazing Text 预览主动学习工作流，请启动 Cloud Formation 堆栈并完成第 1 部分。

在此博文中，我们展示了使用 Amazon Translate 翻译文档的两种不同解决方案的实现，一种是使用异步批量翻译的简单方法，另一种是使用 AWS Lambda 和 Amazon 实时翻译的高级方法。立即在 Amazon Translate 上构建您的第一个翻译作业。

本文讨论了如何通过 Forecast 及其基础系统架构使用智能电表数据预测单个客户的用电需求。您可以使用 DeepAR+ 和天气数据提高模型的准确性，达到约 96％ 的预测准确性（由 MAPE 确定）。

本文探讨了使用Amazon SageMaker进行迭代模型剪枝的方法，同时介绍了如何通过识别对训练过程鲜有帮助的冗余参数来显著降低模型大小并保持模型准确性。我们还在本文中引入了使用预训练模型的应用示例，可以看到该模型通过迭代剪枝成功实现了准确性保障前提下的“瘦身”任务。

本文探讨了Autodesk公司如何使用SageMaker Debugger实现机器学习模型的设计、训练与调试。您也可以使用SageMaker Deubbger以节约时间、降低计算成本并控制模型大小。

对于Firewall的使用，通常会先配置为“Detecting”模式，经过一段时间的业务运行后，把所有执行的SQL语句都记录下来，然后根据安全的要求，把正常的语句放入白名单规则，可以允许执行，其它语句都将被block。当然，也可以先在业务系统的开发测试环境进行部署，也会发现很多语句。

至此，ProxySQL on AWS的测试环境已经搭建好，可以开始进行各项功能测试了。 本文是对RDS MySQL数据库环境进行配置和测试，如果后端数据库是用AWS Aurora或在EC2自建MySQL，配置稍微有所不同，具体可参见ProxySQL文档：https://github.com/sysown/proxysql/wiki。