Amazon-Aurora-Funktionen

Tests mit Standard-Benchmarks wie SysBench haben auf ähnlicher Hardware eine bis zu 5-fache Durchsatzsteigerung gegenüber Standard-MySQL und 3-fach gegenüber Standard-PostgreSQL gezeigt. Aurora verwendet eine Vielzahl von Software- und Hardwaretechniken, um sicherzustellen, dass die Datenbank-Engine die verfügbaren Rechen-, Speicher- und Netzwerkkapazitäten vollständig nutzen kann. E/A-Vorgänge verwenden Techniken verteilter Systeme wie Quoren, um die Leistungskonsistenz zu verbessern.

Amazon Aurora Serverless ist eine On-Demand Auto-Scaling-Konfiguration für Aurora, bei der die Datenbank automatisch gestartet, heruntergefahren und basierend auf den Anforderungen Ihrer Anwendung hoch- oder herunterskaliert wird. Mit Aurora Serverless können Sie Ihre Datenbank in der Cloud betreiben, ohne irgendwelche Datenbank-Instances zu verwalten. Sie können Aurora-Serverless-v2-Instances auch zusammen mit bereitgestellten Instances in Ihren vorhandenen oder neuen Datenbank-Clustern verwenden.

Sie können die Amazon Relational Database Service (Amazon RDS)-APIs oder die AWS-Managementkonsole verwenden, um bereitgestellte Instances, die Ihre Bereitstellung antreiben, hoch oder herunter zu skalieren. Skalierungsvorgänge bei der Datenverarbeitung dauern in der Regel nur wenige Minuten.

Aurora skaliert E/A automatisch, um den Anforderungen Ihrer anspruchsvollsten Anwendungen gerecht zu werden. Es erhöht auch die Größe Ihres Datenbankvolumens, wenn Ihr Speicherbedarf wächst. Ihr Volume wächst in 10 GB-Schritten bis maximal 128 TB. Sie müssen in Hinblick auf zukünftiges Wachstum keine Überkapazitäten für die Speicherung bereitstellen. Wenn Sie die Amazon Aurora I/O-Optimized-Konfiguration für Ihre Datenbank-Cluster verwenden, bietet Aurora außerdem Kosteneinsparungen von bis zu 40 %, wenn die E/A-Ausgaben 25 % Ihrer Aurora-Datenbankausgaben übersteigen. Weitere Informationen finden Sie unter Speicherung und Zuverlässigkeit bei Aurora.

Sie können den Lesedurchsatz zur Unterstützung umfangreicher Anwendungsanforderungen erhöhen, indem Sie bis zu 15 Amazon-Aurora-Datenbank-Replikate erstellen. Aurora-Replikate nutzen denselben zugrundeliegenden Speicher wie die Quell-Instance, was die Kosten senkt und die Notwendigkeit vermeidet, Schreibvorgänge auf den Replikat-Knoten durchzuführen. Dadurch wird größere Verarbeitungsleistung für Leseanforderungen freigesetzt und die Verzögerung bei der Replizierung reduziert – häufig bis in den einstelligen Millisekundenbereich. Aurora bietet einen Reader-Endpunkt, sodass die Anwendung verbunden werden kann, ohne dass die Replikate nachverfolgt werden müssen, die hinzugefügt oder entfernt werden. Es unterstützt auch Auto Scaling, das automatische Hinzufügen und Entfernen von Replikaten als Reaktion auf Änderungen der von Ihnen angegebenen Leistungsmetriken. Weitere Informationen finden Sie unter Verwenden von Amazon Aurora Auto Scaling mit Aurora-Replicaten.

Aurora unterstützt regionsübergreifende Lesereplikate. Regionsübergreifende Replikate bieten Ihren Benutzern schnelle lokale Lesezugriffe, und jede Region kann zusätzlich 15 Aurora-Replikate haben, um lokale Lesezugriffe weiter zu skalieren. Weitere Details finden Sie unter Amazon Aurora Global Database.

Benutzerdefinierte Endpunkte ermöglichen es Ihnen, Workloads auf verschiedene Gruppen von Datenbank-Instances zu verteilen und auszugleichen. Zum Beispiel können Sie einen Satz von Aurora-Replikaten bereitstellen, um einen Instance-Typ mit höherer Speicherkapazität zur Ausführung eines Analyse-Workloads zu verwenden. Ein benutzerdefinierter Endpunkt hilft Ihnen dann bei der Weiterleitung des Workloads an diese entsprechend konfigurierten Instances, wobei andere Instances in Ihrem Cluster von diesem isoliert bleiben.

Amazon Aurora Optimized Reads ist eine neue Preis-Leistungs-Funktion, die eine bis zu 8-fache Verbesserung der Abfragelatenz und eine Kostenersparnis von bis zu 30 % im Vergleich zu Instances ohne diese Funktion ermöglicht. Sie ist ideal für Anwendungen mit großen Datenmengen, die die Speicherkapazität einer Datenbank-Instance überschreiten.

Optimized-Reads-Instances verwenden lokale NVMe-basierte SSD-Blockspeicher, die auf Graviton-basierten r6gd- und Intel-basierten r6id-Instances verfügbar sind, um die Abfragelatenz von Anwendungen mit Datensätzen zu verbessern, die die Speicherkapazität einer Instance überschreiten. Optimierte Lesevorgänge beinhalten Leistungsverbesserungen wie mehrstufiges Caching und temporäre Objekte, damit Sie Ihre Datenbank-Instances optimal nutzen können.

Mit einer bis zu 8-fach verbesserten Abfragelatenz können Sie mit pgvector effektiv leselastige, E/A-intensive Workloads wie operative Dashboards, Anomalieerkennung und Ähnlichkeitssuchen ausführen. Amazon Aurora PostgreSQL Optimized Reads mit pgvector erhöht die Abfragen pro Sekunde für die Vektorsuche bei Workloads, die den verfügbaren Instance-Speicher übersteigen, um das bis zu 9-fache. Optimized Reads ist für Aurora mit PostgreSQL-Kompatibilität verfügbar.

Amazon Aurora Parallel Query ermöglicht schnellere analytische Anfragen im Gegensatz zu Ihren aktuellen Daten. Es kann Abfragen um bis zu zwei Größenordnungen beschleunigen und gleichzeitig einen hohen Durchsatz für Ihre Kern-Transaktions-Workload aufrechterhalten. Das Verschieben der Abfrageverarbeitung auf die Aurora-Speicherschicht führt zu einem großen Volumen an Rechenleistung und es reduziert gleichzeitig den Netzwerkdatenverkehr. Verwenden Sie Parallel Query, um transaktionale und analytische Workloads gleichzeitig in derselben Aurora-Datenbank auszuführen. Parallel Query ist für Aurora mit MySQL-Kompatibilität verfügbar.

Amazon DevOps Guru ist ein von Machine Learning (ML) angetriebener Cloud-Betriebsservice, der zur Verbesserung der Anwendungsverfügbarkeit beiträgt. Mit Amazon DevOps Guru für RDS können Sie ML-gestützte Erkenntnisse nutzen, um leistungsbezogene Probleme mit relationalen Datenbanken leicht zu erkennen und zu diagnostizieren und sie in Minuten statt in Tagen zu lösen. Entwickler und DevOps-Ingenieure können DevOps Guru für RDS verwenden, um die Ursache von Leistungsproblemen automatisch zu identifizieren und intelligente Empfehlungen zur Behebung des Problems zu erhalten, ohne die Hilfe von Datenbankexperten in Anspruch nehmen zu müssen.

Zum Einstieg rufen Sie einfach die Amazon-RDS-Managementkonsole auf und aktivieren Sie Erkenntnisse zur Amazon-RDS-Leistung. Sobald Performance Insights aktiviert ist, gehen Sie zur Amazon-DevOps-Guru-Konsole und aktivieren Sie es für Ihre Aurora-Ressourcen, andere unterstützte Ressourcen oder Ihr gesamtes Konto.

Amazon RDS überwacht laufend den Zustand Ihrer Aurora-Datenbank und der zugrunde liegenden <t1>Amazon Elastic Compute Cloud (Amazon EC2)</t1>-Instance. Bei einem Datenbankfehler startet Amazon RDS die Datenbank und die zugehörigen Prozesse automatisch neu. Aurora benötigt keine Crash-Recovery-Wiedergabe von Datenbank-Redo-Protokollen, und das reduziert die Dauer des Neustarts gewaltig. Es isoliert auch den Puffercache der Datenbank von den Datenbankprozessen, sodass der Cache auch bei einem Neustart erhalten bleibt.

Beim Ausfall einer Instance verwendet Aurora Amazon-RDS-Multi-AZ-Technologie für einen automatischen Failover zu einem von bis zu 15 Aurora-Replikaten, die Sie in einer von drei Availability Zones erstellt haben. Falls keine Aurora-Replikate bereitgestellt wurden, versucht Amazon RDS bei einem Ausfall, automatisch eine neue Aurora-DB-Instance für Sie zu erstellen. Minimieren Sie die Failover-Zeit, indem Sie Community-MySQL- und PostgreSQL-Treiber durch den Open-Source- und Drop-In-kompatiblen AWS-JDBC-Treiber für MySQL und den AWS-JDBC-Treiber für PostgreSQL ersetzen. Sie können auch RDS Proxy verwenden, um Failover-Zeiten zu verkürzen und die Verfügbarkeit zu verbessern. Wenn Failover auftreten, leitet Amazon-RDS-Proxy Anforderungen direkt an die neue Datenbank-Instance weiter, wodurch die Failover-Zeiten um bis zu 66 % reduziert werden, während die Anwendungsverbindungen erhalten bleiben.

Für global verteilte Anwendungen können Sie Aurora Global Database verwenden, bei dem eine einzige Aurora-Datenbank mehrere AWS-Regionen überspannen kann, um schnelle lokale Lesezugriffe und schnelle Notfallwiederherstellung zu ermöglichen. Global Database verwendet speicherbasierte Replikation, um eine Datenbank über mehrere AWS-Regionen hinweg zu replizieren, mit einer typischen Latenzzeit von weniger als eine Sekunde. Sie können eine sekundäre Region als Backup-Option verwenden, falls Sie nach einer regionalen Verschlechterung oder einem Ausfall schnell wiederherstellen müssen. Eine Datenbank in einer sekundären Region kann in unter 1 Minute auf volle Lese-/Schreibfähigkeit umgestellt werden. Weitere Informationen finden Sie unter Verwenden von Amazon Aurora Global Databases.

Das Datenbankspeichervolumen von Aurora ist in 10-GiB-Blöcke segmentiert und über drei Availability Zones repliziert, wobei jede Availability Zone zwei Kopien jedes Schreibvorgangs speichert. Der Aurora-Speicher ist fehlertolerant und kann den Verlust von bis zu zwei Kopien der Daten ohne Beeinträchtigung der Schreibverfügbarkeit der Datenbank und von bis zu drei Kopien ohne Beeinträchtigung der Leseverfügbarkeit transparent verarbeiten. Der Aurora-Speicher ist außerdem selbstheilend: Datenblöcke und Festplatten werden kontinuierlich auf Fehler überprüft und automatisch ersetzt.

Die Backup-Fähigkeit von Aurora ermöglicht eine zeitpunktbezogene Wiederherstellung Ihrer Instance. Sie erhalten so die Möglichkeit, für jede einzelne Sekunde innerhalb des Aufbewahrungszeitraums bis zu den letzten fünf Minuten eine Wiederherstellung Ihrer Datenbank vorzunehmen. Der Aufbewahrungszeitraum für automatische Sicherungen kann auf bis zu 35 Tage konfiguriert werden. Automatisierte Backups werden in Amazon Simple Storage Service (Amazon S3) gespeichert, das für eine Beständigkeit von 99,999999999 % konzipiert ist. Aurora-Backups erfolgen automatisch, inkrementell und kontinuierlich und haben keinen Einfluss auf die Datenbankleistung.

DB-Snapshots sind vom Benutzer gestartete, in Amazon S3 gespeicherte Backups Ihrer Instance, die dort aufbewahrt werden, bis Sie sie ausdrücklich löschen. Sie nutzen die automatisierten inkrementellen Snapshots zur Reduktion des Zeit- und Speicherbedarfs. Sie können zu jedem beliebigen Zeitpunkt eine neue Instance aus einem DB-Snapshot erstellen.

Mit Backtrack können Sie eine Datenbank schnell zu einem früheren Zeitpunkt verschieben, ohne dass Daten aus einem Backup wiederhergestellt werden müssen. So ist eine schnelle Behebung von Benutzerfehlern wie das Entfernen der falschen Tabelle oder Löschen der falschen Zeile möglich. Wenn Sie Backtrack aktivieren, behält Aurora die Datensätze für die angegebene Backtrack-Dauer bei. Sie können Backtrack z. B. so einrichten, dass Ihre Datenbank in einen Zustand zurückversetzt werden kann, der bis zu 72 Stunden in der Vergangenheit liegt. Backtrack führt den Vorgang auch für große Datenbanken in Sekundenschnelle aus, weil keine Datensätze kopiert werden müssen. Sie können sich rückwärts und vorwärts bewegen, um den Punkt direkt vor Auftreten des Fehlers zu finden.

Backtrack eignet sich auch für Entwicklung und Test, insbesondere in Situationen, in denen der Test die Daten löscht oder anderweitig ungültig macht. Kehren Sie einfach zurück zum ursprünglichen Datenbankzustand und Sie sind bereit für einen weiteren Testlauf. Sie können per API ein Skript erstellen, das Backtrack aufruft und dann den Test durchführt, um eine einfache Integration in Ihr Test-Framework zu ermöglichen. Backtrack ist für Aurora mit MySQL-Kompatibilität verfügbar.

Aurora wird in der Amazon Virtual Private Cloud (Amazon VPC) ausgeführt, mit der Sie Ihre Datenbank in Ihrem eigenen virtuellen Netzwerk isolieren und über verschlüsselte IPsec-VPNs, die dem Industriestandard entsprechen, mit Ihrer IT-Infrastruktur On-Premises verbinden können. Um mehr über Amazon Relational Database Service (RDS) in Amazon VPC zu erfahren, lesen Sie bitte das Benutzerhandbuch für Amazon RDS. Bei der Verwendung von Amazon RDS können Sie außerdem Firewall-Einstellungen konfigurieren und den Netzwerkzugriff auf Ihre DB-Instances steuern.

Amazon Aurora ist in AWS Identity and Access Management (IAM) integriert und bietet Ihnen die Möglichkeit, die Aktionen zu kontrollieren, die Ihre IAM-Benutzer und -Gruppen auf bestimmten Aurora-Ressourcen (z. B. DB-Instances, DB-Snapshots, DB-Parametergruppen, DB-Ereignisabonnements, DB-Optionengruppen) ausführen können. Außerdem können Sie Ihre Aurora-Ressourcen markieren und die Aktionen kontrollieren, die Ihre IAM-Benutzer und -Gruppen mit Ressourcengruppen durchführen können, die den gleichen Tag (und Tag-Wert) haben. Weitere Informationen zur IAM-Integration finden Sie in der Dokumentation zur IAM-Datenbank-Authentifizierung.

Aurora ermöglicht das Verschlüsseln Ihrer Datenbanken mit Schlüsseln, die Sie mit dem AWS Key Management Service (KMS) erstellen und verwalten. Bei einer mit Aurora ausgeführten Datenbank-Instance werden ruhende Daten sowie die automatischen Backups, Snapshots und Replikate desselben Clusters auf dem zugrunde liegenden Speicher verschlüsselt. Aurora verwendet SSL (AES-256) zur Absicherung von Daten während der Übertragung.

Aurora unterstützt Sie bei der Protokollierung von Datenbankereignissen mit minimalen Auswirkungen auf die Datenbankleistung. Die Protokolle können später im Hinblick auf Datenbankverwaltung, Sicherheit, Governance, Einhaltung gesetzlicher Bestimmungen und sonstige Zwecke analysiert werden. Sie können die Aktivität auch überwachen, indem Sie Prüfprotokolle an Amazon CloudWatch senden.

Amazon GuardDuty bietet eine Bedrohungserkennung für Aurora, die Ihnen hilft, potenzielle Bedrohungen für in Aurora-Datenbanken gespeicherte Daten zu erkennen. GuardDuty RDS Protection profiliert und überwacht Zugriffsaktivitäten für bestehende und neue Datenbanken in Ihrem Konto und nutzt maßgeschneiderte ML-Modelle, um verdächtige Logins zu Aurora-Datenbanken genau erkennen zu können. Wenn eine potenzielle Bedrohung erkannt wird, generiert GuardDuty einen Sicherheitsbefund, der Datenbankdetails und umfangreiche Kontextinformationen zu den verdächtigen Aktivitäten enthält. Die Aurora-Integration mit GuardDuty ermöglicht den direkten Zugriff auf Datenbank-Ereignisprotokolle, ohne dass Sie Ihre Datenbanken ändern müssen. Sie ist so konzipiert, dass sie keinen Einfluss auf die Datenbankleistung hat.

Bei Aurora gibt es keine Vorabverpflichtung. Sie zahlen einen Stundensatz für jede Instance, die Sie starten, und wenn Sie mit einer Aurora-DB-Instance fertig sind, können Sie sie löschen. Sie müssen keine Überkapazitäten als Sicherheitsspielraum für die Speicherung bereitstellen, und Sie zahlen nur für die tatsächliche Speichernutzung. Weitere Einzelheiten finden Sie auf der Seite mit der Preisübersicht zu Aurora.

Aurora bietet die Flexibilität, Ihre Datenbankausgaben zu optimieren, indem Sie unabhängig vom E/A-Verbrauch Ihrer Anwendung zwischen zwei Konfigurationsoptionen wählen, die auf Ihren Anforderungen an die Preisleistung und die Preisvorhersehbarkeit basieren. Die beiden Konfigurationsoptionen sind Aurora I/O-Optimized und Aurora Standard. Keine der beiden Optionen erfordert E/A im Voraus oder Speicherbereitstellung, und beide können E/A skalieren, um Ihre anspruchsvollsten Anwendungen zu unterstützen.

Aurora I/O-Optimized ist eine Datenbank-Cluster-Konfiguration. Sie bietet ein verbessertes Preis-Leistungs-Verhältnis für Kunden mit E/A-intensiven Workloads wie Zahlungsabwicklungssystemen, E-Commerce-Systemen und Finanzanwendungen. Wenn Ihre E/A-Ausgaben 25 % Ihrer gesamten Aurora-Datenbankausgaben übersteigen, können Sie mit Aurora I/O-Optimized bis zu 40 % der Kosten für E/A-intensive Workloads sparen. Mit Aurora I/O-Optimized zahlen Sie für Datenbank-Instances und Speicher. Es fallen keine Gebühren für Lese- und Schreib-E/A-Vorgänge an, sodass der Preis für alle Anwendungen unabhängig von E/A-Schwankungen vorhersehbar ist.

Aurora Standard ist eine Datenbank-Cluster-Konfiguration, die kostengünstige Preise für die überwiegende Mehrheit der Anwendungen mit geringer bis mäßiger E/A-Auslastung bietet. Mit Aurora Standard zahlen Sie für Datenbank-Instances, Speicher und Pay-per-Request-E/A.

Bei anspruchsvollen analytischen Anwendungen machen E/A-Kosten typischerweise den größten Anteil der Datenbankkosten aus. E/A-Vorgänge werden von der Aurora-Datenbank-Engine in ihrer SSD-basierten virtualisierten Speicherschicht durchführt. Jeder Datenbank-Seiten-Lesevorgang zählt als ein E/A. Die Aurora-Datenbank-Engine führt Lesevorgänge in der Speicherschicht aus, um Datenbankseiten abzurufen, die nicht im Puffercache vorhanden sind. Jede Datenbankseite ist 8 KB in Aurora mit PostgreSQL-Kompatibilität und 16 KB in Aurora mit MySQL-Kompatibilität.

Aurora ist so konzipiert, dass es unnötige E/A-Vorgänge eliminiert, so die Kosten senkt und sicherstellt, dass die Ressourcen für Lese-/Schreibvorgänge verfügbar sind. Schreib-E/A-Vorgänge werden nur genutzt, wenn Transaktionsprotokoll-Aufzeichnungen in die Speicherschicht übertragen werden, um Schreibvorgänge dauerhaft zu machen. E/A-Schreibvorgänge werden in 4-KB-Einheiten gezählt. Eine Transaktionsprotokoll-Aufzeichnung mit 1 024 Bytes beispielsweise zählt als 1 E/A-Vorgang. Gleichzeitige Schreibvorgänge, deren Transaktionsprotokoll weniger als 4 KB hat, können jedoch zur Optimierung der E/A-Nutzung durch die Aurora-Datenbank-Engine zusammengefasst werden. Anders als herkömmliche Datenbank-Engines überträgt Aurora nie modifizierte Datenbankseiten zur Speicherschicht, was die E/A-Nutzung weiter senkt.

Der Umfang der E/A-Anfragen, die Ihre Aurora-Instance nutzt, wird in der AWS-Managementkonsole angezeigt. Sie finden die E/A-Nutzung im RDS-Abschnitt der Konsole. Wählen Sie in Ihrer Instance-Liste die Aurora-Instances und suchen Sie dann im Überwachungs-Abschnitt die Metriken „In Rechnung gestellte Lesevorgänge“ und „In Rechnung gestellte Schreibvorgänge“.

Wenn Sie Ihre Datenbank-Cluster für die Aurora-Standardkonfiguration konfigurieren, werden Ihnen Lese- und Schreib-E/A-Vorgänge in Rechnung gestellt. Wenn Sie Ihre Datenbank-Cluster für Aurora I/O-Optimized konfigurieren, fallen Ihnen keine Gebühren für Lese- und Schreib-E/A-Vorgänge an. Weitere Informationen zu den Preisen für E/A-Operationen finden Sie auf der Seite mit der Preisübersicht zu Aurora.

Aurora Optimized Reads für Aurora PostgreSQL bietet Kunden mit latenzempfindlichen Anwendungen und großen Arbeitsmengen eine überzeugende Preis-Leistungs-Alternative zur Erfüllung ihrer geschäftlichen SLAs. Die Kunden haben auch mehr Flexibilität, um ihre Datensätze zu vergrößern, ohne dass sie ihre Datenbank-Instances häufig aufstocken müssen, um mehr Speicherkapazität zu erhalten. Optimierte Lesevorgänge umfassen Leistungsverbesserungen wie mehrstufiges Caching und temporäre Objekte.

Mehrstufiges Caching bietet eine bis zu achtmal verbesserte Abfragelatenz und Kosteneinsparungen von bis zu 30 % für leseintensive, E/A-intensive Anwendungen wie operative Dashboards, Anomalieerkennung und vektorbasierte Ähnlichkeitssuchen. Diese Vorteile werden dadurch erzielt, dass Daten automatisch aus dem Puffercache der In-Memory-Datenbank in den lokalen Speicher verschoben werden, um nachfolgende Zugriffe auf diese Daten zu beschleunigen. Mehrstufiges Caching ist nur für Aurora PostgreSQL mit der Aurora E/A-optimierten Konfiguration verfügbar.

Temporäre Objekte ermöglichen eine schnellere Abfrageverarbeitung, indem temporäre Tabellen (die von Aurora PostgreSQL erstellt wurden) im lokalen Speicher platziert werden. Dadurch wird die Leistung von Abfragen verbessert, die Sortierungen, Hash-Aggregationen, Verbindungen mit hoher Last und andere datenintensive Operationen beinhalten.

Die Null-ETL-Integration von Amazon Aurora mit Amazon Redshift ermöglicht Analysen und ML mit Amazon Redshift auf Petabytes von Transaktionsdaten aus Aurora nahezu in Echtzeit, da Sie keine komplexen Datenpipelines erstellen und pflegen müssen, die Extract, Transform, Load (ETL)-Vorgänge durchführen. Transaktionsdaten werden automatisch und kontinuierlich innerhalb von Sekunden nach dem Schreiben in Aurora repliziert und nahtlos in Amazon Redshift zur Verfügung gestellt.

Sobald die Daten in Amazon Redshift verfügbar sind, können Sie sofort mit der Analyse beginnen und erweiterte Feature wie Datenfreigabe, materialisierte Ansichten und Amazon Redshift ML anwenden, um ganzheitliche und prädiktive Erkenntnisse zu gewinnen. Sie können mehrere Tabellen aus verschiedenen Aurora-Datenbank-Clustern konsolidieren und Ihre Daten in ein Amazon Redshift Data Warehouse replizieren, um einheitliche Analysen über mehrere Anwendungen und Datenquellen hinweg auszuführen. Wenn Sie sowohl Aurora Serverless als auch Amazon Redshift Serverless verwenden, können Sie Analysen zu Transaktionsdaten nahezu in Echtzeit erstellen, ohne die Infrastruktur für Daten-Pipelines verwalten zu müssen. Lesen Sie unsere Dokumentation zur Arbeit mit Aurora-Null-ETL-Integrationen mit Amazon Redshift.

Aurora bietet Funktionen, mit denen Modelle für Machine Learning (ML) und generative künstliche Intelligenz (KI) mit den in Aurora gespeicherten Daten in Echtzeit und ohne Verschieben der Daten arbeiten können. Mit der Amazon-Aurora-PostgreSQL-kompatiblen Edition können Sie auf Vektordatenbankfunktionen zugreifen, um ML-Einbettungen mit der Erweiterung pgvector zu speichern, zu suchen, zu indizieren und abzufragen.

Eine Vektoreinbettung ist eine numerische Darstellung, die die semantische Bedeutung von Inhalten wie Text, Bildern und Videos darstellt. Generative KI und andere KI/ML-Systeme verwenden Einbettungen, um die semantische Bedeutung dieses Inhalts in einem großen Sprachmodell (LLM) zu erfassen. Sie können Einbettungen aus ML- und KI-Modellen, z. B. von Amazon Bedrock und Amazon SageMaker in Ihren Aurora-Datenbanken speichern. Lesen Sie unsere Dokumentation über Erweiterungsversionen für Aurora PostgreSQL.

Amazon Aurora PostgreSQL ist als Knowledge Base für Amazon Bedrock verfügbar, um die privaten Datenquellen Ihres Unternehmens mit Basismodellen (FM) zu verbinden und automatisierte erweiterte Generierung beim Abruf (RAG)-Workflows auf ihnen zu ermöglichen. Dadurch verfügen Ihre FMs über mehr Wissen über Ihren spezifischen Bereich und Ihre Organisation. Lesen Sie unsere Dokumentation zur Verwendung von Aurora PostgreSQL als Wissensbasis für Amazon Bedrock.

Das Machine Learning mit Aurora (Aurora ML) vereinfacht auch das Hinzufügen generativer KI-Modellvorhersagen zu Ihrer Aurora-Datenbank. Aurora ML stellt ML-Modelle als SQL-Funktionen dar, sodass Sie Standard-SQL verwenden können, um ML-Modelle aufzurufen, Daten an sie zu übergeben und Vorhersagen, Textzusammenfassungen oder Stimmungen als Abfrageergebnisse zurückzugeben. Mit Aurora ML können Sie das Hinzufügen neuer Einbettungen zu Ihrer Aurora-PostgreSQL-Datenbank mit der Erweiterung pgvector in Echtzeit durchführen, indem Sie regelmäßig ein SageMaker- oder Amazon-Bedrock-Modell aufrufen, das die neuesten, aktuellen Einbettungen zurückgibt.

Die Standard-MySQL-Import- und Exportwerkzeuge funktionieren mit Aurora. Sie können auch einfach eine neue Aurora-Datenbank aus einem Snapshot von Amazon RDS für MySQL DB erstellen. Migrationsvorgänge auf der Grundlage von DB-Snapshots sind in der Regel in weniger als einer Stunde abgeschlossen, variieren jedoch je nach Menge und Format der zu migrierenden Daten.

Alternativ bietet AWS Database Migration Service (AWS DMS) integrierte native Tools innerhalb der DMS-Konsole für eine reibungslose Migration. Da keine Replikations-Instances bereitgestellt oder skaliert werden müssen, können Sie mit ein paar einfachen Klicks eine Datenbankmigration initiieren und zahlen nur auf Stundenbasis für die genutzte Zeit.

Sie können auch eine binlog-basierte Replikation zwischen einer Aurora-MySQL-kompatiblen Edition einer Datenbank und einer externen MySQL-Datenbank einrichten, die innerhalb oder außerhalb von AWS ausgeführt wird.

Standardmäßige PostgreSQL-Import- und Exportwerkzeuge funktionieren mit Aurora, einschließlich pg_dump und pg_restore. Aurora unterstützt auch den Snapshot-Import aus Amazon RDS für PostgreSQL und die Replikation mit AWS Database Migration Service (AWS DMS).

Aurora bietet eine ideale Umgebung für die Verlagerung von Datenbank-Workloads von kommerziellen Datenbanken. Aurora verfügt über funktionale Fähigkeiten, die denen kommerzieller Datenbank-Engines sehr ähnlich sind, und bietet die Leistung, Langlebigkeit und Hochverfügbarkeit auf Unternehmensniveau, die für die meisten Datenbank-Workloads in Unternehmen erforderlich sind. AWS Database Migration Service (AWS DMS) kann Datenbankmigrationen zu Aurora mit verwalteten Funktionen wie DMS Schema Conversion und DMS Serverless beschleunigen. DMS Schema Conversion bewertet und konvertiert automatisch Schemas und Quellobjekte, damit sie mit dem Aurora-Ziel-Cluster kompatibel sind. In der Zwischenzeit automatisiert DMS Serverless die Bereitstellung, Überwachung und Skalierung von Migrationsressourcen.

Babelfish für Aurora PostgreSQL ist eine neue Funktion für die PostgreSQL-kompatible Edition von Aurora, die es Aurora ermöglicht, Befehle von Anwendungen zu verstehen, die für Microsoft SQL Server geschrieben wurden. Mit Babelfish versteht Aurora PostgreSQL jetzt T-SQL, den proprietären SQL-Dialekt von Microsoft SQL Server, und unterstützt dasselbe Kommunikationsprotokoll, sodass Ihre Anwendungen, die ursprünglich für SQL Server geschrieben wurden, jetzt mit weniger Codeänderungen mit Aurora funktionieren. Dadurch wird der Aufwand für die Änderung und Verschiebung von Anwendungen unter SQL Server 2005 oder einer neueren Version auf Aurora reduziert, sodass schnellere, risikoärmere und kostengünstigere Migrationen möglich sind. Babelfish ist eine integrierte Funktion von Aurora, für die keine zusätzlichen Kosten anfallen. Sie können Babelfish auf Ihrem Aurora-Cluster in nur wenigen Schritten in der RDS-Konsole aktivieren.

Trusted-Language-Erweiterungen (TLE) für PostgreSQL ist ein Entwicklungskit und Open-Source-Projekt, mit dem Sie schnell leistungsstarke Erweiterungen erstellen und sicher auf Aurora ausführen können, ohne dass AWS den Code zertifizieren muss. Die Entwickler können populäre, vertrauenswürdige Sprachen wie JavaScript, PL/pgSQL, Perl und SQL verwenden, um Erweiterungen sicher zu schreiben. TLE soll den Zugriff auf unsichere Ressourcen verhindern und beschränkt Erweiterungsfehler auf eine einzige Datenbank-Verbindung. DBAs verfügen über eine präzise Online-Kontrolle darüber, wer Erweiterungen installieren und ein Berechtigungsmodel für ihre Ausführung erstellen kann. TLE steht Aurora-Kunden ohne Zusatzkosten zur Verfügung.

Aurora bietet Machine-Learning-Funktionen unmittelbar von der Datenbank, wodurch Sie Ihre Anwendungen über die gewohnte SQL-Programmiersprache um ML-basierte Prognosen erweitern können. Mit einer einfachen, optimierten und sicheren Integration zwischen Aurora und AWS Machine Learning haben Sie Zugang zu einer umfassenden Auswahl an ML-Algorithmen, ohne dass Sie kundenspezifische Integrationen erstellen oder Daten verschieben müssen. Weitere Informationen zu Aurora Machine Learning.

Aurora arbeitet zusammen mit Amazon RDS Proxy, eine vollständig verwaltete, hochverfügbare Datenbank-Proxy-Funktion, die dafür sorgt, dass Anwendungen skalierbarer, widerstandsfähiger gegen Datenbankausfälle und sicherer sind. Mit RDS Proxy können Anwendungen etablierte Datenbankverbindungen bündeln und gemeinsam nutzen, was die Effizienz der Datenbank und die Skalierbarkeit der Anwendung verbessert. Ausfallzeiten werden reduziert, indem automatisch eine Verbindung zu einer neuen Datenbankinstanz erstellt wird, während Anwendungsverbindungen erhalten bleiben. Durch die Integration mit AWS IAM und AWS Secrets Manager wird die Sicherheit erhöht.

Die Daten-API ist eine benutzerfreundliche, sichere HTTPS-API zur Ausführung von SQL-Abfragen für Aurora-Datenbanken, die die moderne Anwendungsentwicklung beschleunigt. Die Daten-API eliminiert die Netzwerk- und Anwendungskonfigurationsaufgaben, die für eine sichere Verbindung zu einer Aurora-Datenbank erforderlich sind, wodurch der Zugriff auf Aurora so einfach wird wie ein API-Aufruf. Die Daten-API macht die Verwendung von Datenbanktreibern und clientseitiger Connection-Pooling-Software überflüssig. Außerdem verbessert es die Skalierbarkeit der Anwendung durch automatisches Pooling und gemeinsame Nutzung von Datenbankverbindungen. Die Daten API erhöht die Sicherheit durch die Integration mit AWS IAM und AWS Secrets Manager.

Entwickler können die Daten-API über Anwendungen aufrufen, die mit einem AWS SDK erstellt wurden. Die Daten-API bietet auch Zugriff auf Aurora-Datenbanken für AWS-AppSync-GraphQL-APIs.