Tag: Amazon Lambda

无论您是刚刚开始物联网（IoT）之旅，还是已经拥有数百万台互联的 IoT 设备，您可能都在寻求方法以最大限度地利用从 IoT 数据中提取的价值。IoT 设备数据所报告的遥测数据、元数据、状态以及命令和响应中包含了丰富的信息。但是，要想获得尽可能提升运营效率和交付业务成果所需的洞察，拥有正确的报告和可视化解决方案是关键所在。

本博文介绍如何使用Terraform来对Amazon IoT进行规则操作的自动化部署。详细介绍了如何利用Amazon IoT规则操作在DynamoDB，通过Kinesis Data Firehose在S3来存储数据，以及使用Lambda进行数据处理。另外也提供了具体的Terraform部署模版的示例代码，供大家参考，从而更好的让大家能通过Terraform部署模版来自动化部署相关IoT规则操作，更好的便于管理以及可重复应用。

本文介绍了通过Amazon Serverlss实现低成本数据采集，并通过Amazon SageMaker进行数据处理与机器学习，对时间序列数据如空气质量进行分析与预测。

对于IoT设备的管理，设备状态的管理是重要的一项，一般来说我们可以根据Amazon IoT Core提供的设备影子来实时查看设备状态信息。但对于IoT设备的异常断开连接，我们需要一些额外的机制比如LWT来获知设备状态信息。另外，如果有些客户因为某些原因并没有使用设备影子，可以利用Amazon IoT的生命周期事件来查看设备状态并进行管理。本文将详细讲述上述问题的解答。

本解决方案提供了一种对流经NAT Gateway的流量进行分析与可视化的方案。通过亚马逊云科技提供的网络流量分析工具VPC Flow Logs，以及Serverless的数据分析工具Amazon Athena、Amazon Glue与Amazon QuickSight，建立了一套方便网络运维人员日常观测网络流量，或查询与诊断经NAT的网络问题的解决方案。

本文将基于AWS托管的服务来介绍如何展示和分析大规模Redis 集群慢日志

Deepmind团队于2021年7月公开了Alphafold2算法源代码和相关论文，这一方案被认为可解决困扰生物学长达半个世纪的蛋白质折叠结构预测难题，其准确度高达92.4(百分制)。Alphafold2基于新颖的机器学习方法，以原子精度预测蛋白质结构，在大部分情况下表现出与实验相媲美的准确性，且大大优于其他方法。但截至目前，其官方的单机部署方式需要人工下载数据集并解压、处理输入输出数据以及执行任务脚本，无法实现弹性按需使用，不适用于大规模的蛋白质结构预测。

帮助大家回顾了EKS集成SPOT使用方式，通过亚马逊云科技不停推出的新的工具和功能的增强，来实现Spot 使用的最佳实践，在大规模工作负载使用Spot的情况下，既有效的节约成本，又相对提升工作负载的可靠性。

因此本方案旨在实现「自动创建告警」与「定制化告警信息」，以满足企业“批量开启某项服务告警”的需求，并将AWS云原生的CloudWatch告警引流至企业内部告警平台。

Amazon Lambda on ARM