Category: Compute

この記事は、2021年9月10日にBrendan BoufflerとRye Robinsonによって投稿された「New: Introducing AWS ParallelCluster 3」をソリューションアーキテクトの小野が翻訳したものです。 コンピュータによる流体力学や分子動力学、天気予報といった一般的なHPCワークロードを走らせるという事は、沢山の関連するコンポーネントを動かすという事でもあります。数百あるいは数千ものCPUコアやそれらを管理するジョブスケジューラ、スループットやIOPSに最適化された共有ファイルシステム、数多のライブラリ、高速なネットワーク、それらをまとめるヘッドノード等が必要です。これらは研究者のようなHPCワークロードの利用者にとっては単に必要最低限のものであって、このコンポーネントを揃える事が目的ではありません。クラウドに移行する事によって、より本質的な事——例えばあなたが研究者なのであれば、研究所の同僚が解答を待っているような問題を解き明かす事——に集中する事ができます。

VMware Cloud on AWS は、VMware ワークロードを AWS クラウドで実行している VMware 管理の Software-Defined Data Center (SDDC) への迅速な移行を可能にします。また、アプリケーションをリプラットフォームまたはリファクタリングすることなく、オンプレミスのデータセンターを拡張できます。 SDDC の仮想マシン (VM) からネイティブ AWS サービスを使用すると、運用のオーバーヘッドと総所有コスト (TCO) を削減しながら、ワークロードの俊敏性とスケーラビリティを向上させることができます。 この投稿では、ネイティブ AWS サービスと VMware ワークロード間の接続パターンについて説明します。 また、SDDC からの AWS クラウドストレージの使用や、AWS ネットワーキングサービスを使用した VM ワークロードの保護、SDDC で実行しているワークロードからの AWS データベースと分析サービスの使用などの、よくある連携例についても説明します。

この記事は “Applying the AWS Shared Responsibility Model to your GxP Solution” を翻訳したものです。 AWS 責任共有モデルは、AWS のセキュリティ原則を説明するトピックとしてよく説明されますが、GxP などのコンプライアンス関連のアクティビティにも適用できます。共有モデルは、AWS とお客様（訳者注: AWS を利用するためにお客様が起用する SI 事業者やソリューションパートナー等を含みます）との間のタスクの分離を示す建設的なメカニズムを提供します。AWS はクラウド “の” セキュリティとコンプライアンスを担当し、お客様はクラウド “における” セキュリティとコンプライアンスについて責任を負います。

この記事は Autoscaling Amazon ECS services based on custom CloudWatch and Prometheus metrics (記事公開日: 2021 年 2 月 26 日) を翻訳したものです。 イントロダクション クラウドネイティブアプリケーションにとって、水平方向のスケーラビリティは非常に重要な要素です。Amazon ECS にデプロイされたマイクロサービスは、Application Auto Scaling サービスを利用して、観測されたメトリクスデータに基づいて自動的にスケーリングします。Amazon ECS は、サービスに属するタスクが消費する CPU とメモリのリソースに基づいてサービスの使用率を測定し、このデータを ECSServiceAverageCPUUtilization と ECSServiceAverageMemoryUtilization という名前の CloudWatch メトリクスとして送信します。Application Auto Scaling は、これらの事前定義されたメトリクスをスケーリングポリシーと組み合わせて使用し、サービスのタスク数をメトリクスに応じてスケールすることができます。しかしながら、サービスの平均的な CPU とメモリの使用量だけでは、いつ、どの程度までスケーリングアクションを実行すべきかの信頼できる指標とはならないユースケースがいくつかあります。受信した HTTP リクエストの数、キュー/トピックから取得したメッセージの数、実行したデータベーストランザクションの数など、アプリケーションの他の側面を追跡するカスタムメトリクスが、スケーリングアクションのトリガーとしてより適している場合があります。 Application Auto Scaling は、事前定義されたメトリクスだけでなく選択した CloudWatch カスタムメトリクスに基づいてサービスをスケーリングすることもサポートしています。お客様は、プログラミング言語やプラットフォームに適した AWS SDK のいずれかを使用して、アプリケーションから CloudWatchに カスタムメトリクスデータを送信することができます。加えて、2020 […]

こんにちは！アマゾンウェブサービスジャパン株式会社 ソリューションアーキテクトの成尾です。 2021年8月20日にオンラインでAWSアドテク夏祭り2021 〜事例から学ぶアドテク業界の先進的取り組み〜を開催いたしました。セミナーの開催報告として、ご紹介した内容や、当日の資料・収録動画などを公開いたします。 開催の背景 私たちが普段お客様と接する中で、市場環境の変化が著しいアドテク業界では、その変化への対応や厳しい技術要件をクリアするために、多くの企業がAWSを活用して日々様々なアプローチで課題解決に取り組まれている事を認識しています。 そこで、アドテクプロダクトを開発/運用されている皆さまの課題解決を加速するため、業界に特化したソリューション・事例紹介セミナーを開催することになりました。 セッションでは、AWSソリューションアーキテクトより、”アドテクにおけるAI/ML活用、QuickSightで実現する、管理画面向けサーバーレス BI、低レイテンシを実現するAWSサービスとアーキテクチャ、Spot Instances, Graviton2 活用によるコンピューティングコスト最適化” をご紹介とアドテクプロダクトを開発・運用されている実際のユースケースとして、株式会社アドウェイズの三谷様より、”機械学習を活用した運用型広告の課題解決 〜 初学者が実践する AutoGluon-Tabular on SageMaker 〜”株式会社AJAの坂本様より、”AJA SSPのアーキテクチャ 〜 マネージドサービスを活用したビジネスの加速を止めないシステム開発 〜” をご紹介いただきました。 セミナーの内容 / 収録動画 / スライド 各セッションの概要を下記に記載しておりますので、ご関心をお持ちの内容があれば資料もご覧いただれば幸いです。 アドテクにおけるAI/ML活用(前編) (SA 黄 光川) 概要：アドテクにおける AI/ML 活用の前編では、海外のアドテク企業で AWS AI/ML 系サービスをビジネスに取り入れた成功事例を２つ ( Smaato 社のリアルタイムビッティングにおけるトラフィックフィルタリングサービスの構築事例、 TripleLift 社の動画内にシームレスに広告を挿入した事例 ) の紹介と共に、事例で登場したサービス Amazon Rekognition, Amazon SageMaker, AWS Elemental MediaTailor について、アドテクでの使い所とユースケースについて紹介しました。 […]

この記事は、2021 年 8 月 5 日に Matt Koop によって投稿された Bare metal performance with the AWS Nitro System をソリューションアーキテクトの小野が翻訳したものです。 ハイ・パフォーマンス・コンピューティング(HPC)は、アプリケーションの中でも特定プラットフォーム上で最も高いパフォーマンスを要する領域として知られています。当然の疑問として、ワークロードをAWS上に移行した場合のパフォーマンスと、既存のオンプレミスの「ベアメタル」プラットフォームでのパフォーマンスの差はどれくらいなのか、というものがあります。このブログ記事では「ベアメタル」インスタンスとAWSのNitro Hypervisorで動くインスタンスのパフォーマンスの差が、HPCワークロードに於いても僅かである事を紹介します。

AWS re: Invent 2020 では、Amazon Elastic Container Service (Amazon ECS) Anywhere と Amazon Elastic Kubernetes Service (Amazon EKS) の新しいデプロイオプションを顧客のデータセンター内で事前発表しました。 2021 年 9 月 8 日、Amazon EKS Anywhere が広く利用可能になったことをお知らせします。Amazon EKS のデプロイオプションで、2021 年 9 月 8 日から VMware vSphere を使用して Kubernetes クラスターをオンプレミスで簡単に作成し、運用できます。EKS Anywhere は、Kubernetes クラスターをオンプレミスで作成し、運用するためのインストール可能なソフトウェアパッケージと、クラスターのライフサイクルサポートのためのオートメーションツールを提供します。

この記事は Fast forward on your first serverless container deployment on AWS を翻訳したものです。 はじめに モダナイゼーションとコンテナ技術は、最近のテクノロジー関連のニュースやレポート、カンファレンスでも話題になっています。コンテナは、オンプレミス、ローカル、およびハイブリッドのワークロードにおいて、モダンなコンピュートレイヤーとして主流になりつつあります。この記事では、コンテナのコンセプトをわかりやすい例で紹介し、AWS に初めてコンテナをデプロイするための軽量なツールセットを提供します。 あなたは技術的な初心者ですか？それとも技術領域以外のロールで仕事をしていますか？時間がある時にコーディングやハンズオンをしていますか？AWS でコンテナをデプロイしてみたいと思ったことはありませんか？もしあなたの答えが「はい」、もしくは「はい」、または「はい」であるならばグッドタイミングです！あなたは数分後には AWS上で最初のコンテナをデプロイして、ビルダーの経験を体験することができるでしょう。

昨今、ビジネスニーズの多様化に伴い、社内外でのアプリケーションのニーズも複雑化しており、従来の構成では要件やパフォーマンスを満たせない場合もあります。このようなニーズの多様化に伴い、データベースもユースケースに基づいて選択する必要があります。AWSでは、Purpose-build databaseを用意しており、ユースケース別にデータベースタイプを選択できます。IQVIAサービシーズ ジャパン株式会社(Research & Development Solutions, Clinical Operations, Site Management Support, Centralized Monitoring)と実施したプロトタイピングでは、薬剤検索アプリケーションの特性から、対象データをグラフデータとして保存することで、アプリケーションニーズと高パフォーマンスを期待できると考え、Amazon Neptuneをデータベースとして採用しました。今回は、グラフデータベースであるAmazon Neptune を活用したプロトタイピングをご紹介致します。

この記事は、2021年5月4日に Fabio Nonato de Paula、Mahadevan Balasubramaniam によって投稿された Achieve 12x higher throughput and lowest latency for PyTorch Natural Language Processing applications out-of-the-box on AWS Inferentia を翻訳したものです。2021年6月25日に発表された Amazon EC2 Inf1 インスタンスで新機能、パフォーマンスの向上、値下げを実現 の記事も併せてご参照下さい。 Snap、Alexa、Autodesk などの AWS のお客様は、 AWS Inferentia を使用して、さまざまな機械学習 (ML) デプロイで最高のパフォーマンスと最小のコストを達成しています。自然言語処理 (NLP) モデルは、リアルタイムおよびオフラインのバッチ処理のユースケースで人気が高まっています。当社のお客様は、サポートチャットボット、検索、ランキング、ドキュメントの要約、自然言語理解など、多くのアプリケーションにこれらのモデルをデプロイしています。AWS Inferentia を使うことで、オープンソースの NLP モデルをカスタマイズ無しですぐに実行でき、かつ最高のパフォーマンスと最小のコストを実現できます。