亚马逊AWS官方博客

我们正处于大数据和机器学习的时代。非结构化数据在数据中的占比越来越高，而在这些非结构化数据中，占据主导位置的是机器生成的日志数据。随着使用微服务，容器和机器学习构建越来越多的应用程序，机器生成的日志数据量已经呈现出指数增长的态势，因此对于日志的管理、分析、挖掘也提出了更高的挑战。为了快速解决运营和安全问题，对这些数据进行实时分析已变得至关重要。几年前，我们发布了Amazon Elasticsearch Service。它是一个完全托管的日志分析服务，使部署、管理和扩展Elasticsearch和Kibana变得更加容易。

从今天开始，您可以使用我们的首个第六代 Amazon Elastic Compute Cloud (EC2) 通用型实例：M6g。其中的“g”代表“Graviton2”，这是我们的下一代基于 Arm 的芯片，由 AWS（和 AWS 下属公司 Annapurna Labs）设计，采用 64 位 Arm Neoverse N1 内核

2019 年底，我们发布了 Amazon Kendra 预览版，这是一款由机器学习技术提供支持的企业搜索服务，具有高度准确和方便易用的特点。现在，AWS 很高兴宣布 Amazon Kendra 现已正式推出。

如果您要构建涵盖两个或更多 AWS 区域的 AWS 应用程序，本文将给您带来福音。我们下调了从南美洲（圣保罗）、中东（巴林）、非洲（开普敦）和亚太地区（悉尼）区域向其他 AWS 区域传输数据的价格，自 2020 年 5 月 1 日起生效，

Amazon Athena 最近在预览版中增加了对联合查询及由用户定义的函数 (UDF) 的支持。请参阅使用 Amazon Athena 的全新联合查询对任何数据源进行查询，以了解更多详细信息。Jornaya 帮助营销人员智能的与市场中购买大型生活用品（如房屋、抵押贷款、汽车、保险和教育等）的消费者建立联结。

我们将讨论在较高层面构建 Intuit 数据湖所包含的技术和过程，包括设置账户和资源所使用的整体结构与自动化等。请关注我们这个空间的未来动态，阅读由其他合作构建 Intuit 数据湖的团队和工程师发布的关于该系统特定方面的更详细博文。

本博文将会详细介绍一个在 AWS 中使用开源工具 Liquibase 和 Jenkins 构建具有成本效益、独立于数据库的解决方案示例，以解决这些数据库问题。我不会深入介绍 Liquibase 或 Jenkins 的工作原理；相反，我会重点介绍如何在 Amazon Elastic Compute Cloud (Amazon EC2)、AWS CodeCommit、AWS Secrets Manager 和 Amazon Simple Email Service (Amazon SES) 等 AWS 服务上部署这些开源工具，以实现所需目标。

为EDA行业客户提供安全、高效、一致性的图形界面接入体验，解决用户在设计、开发和测试过程中对Linux 图形界面的需求。

本文介绍了一种方法识别详细账单中哪些实例使用了跨账号的预留实例，以及如何计算每个账号的的实际成本。

k-NN算法是经典的机器学习算法之一，是用于分类和回归的非参数方法。本文将介绍如何使用 Amazon Elasticsearch Service 构建 k 近邻 (k-NN) 相似度搜索。