Amazon Web Services ブログ

Category: Technical How-to

Amazon Q Developer transformation capabilities for VMware を使ってみる

本ブログでは、Amazon Q Developer transformation capabilities for VMware の利用開始方法をご紹介します。Amazon Q Developer は、ソフトウェア開発ライフサイクルのエクスペリエンスを再構築し、AWS 上でのアプリケーションの構築、セキュリティ、管理、最適化をより簡単かつ迅速に行う、ソフトウェア開発のための AI アシスタントです。18 年にわたる AWS の専門知識に基づき、Amazon Q Developer transformation capabilities for VMware エージェントは、自然言語を使用して VMware ワークロードを移行し、最新化するための、よりシンプルで迅速なアプローチを組織に提供します。

本稿では、開始にあたって必要な全てをカバーし、新しい Q Developer ウェブエクスペリエンスを使用した移行について説明します。最後に、Amazon Q Developer によって一連の移行が我々のリホストソリューション、すなわち AWS Application Migration Service (MGN) にどのように統合されるかを紹介します。

Amazon CloudWatch Logs Insights を用いたAmazon ECSライフサイクルイベントの効果的な分析

本記事では、Container Insights や Amazon EventBridge 、あるいはその両方を使用して、Amazon CloudWatch Logs Insights のクエリを通じて Amazon ECS のサービスイベントを効果的に分析する方法を紹介します。Container Insights は Amazon ECS のライフサイクルイベントを Amazon CloudWatch Log Group に保存することができ、イベントを遡って分析することが可能となり、運用効率が向上します。これにより、Amazon CloudWatch Logs Insights を使用したインシデント後の分析が可能になります。

Amazon Keyspaces (for Apache Cassandra) のキャッシュとしての Amazon ElastiCache の利用

Amazon Keyspaces (for Apache Cassandra) のキャッシュとしての Amazon ElastiCache の利用

このブログ記事では、Amazon ElastiCache を Amazon Keyspaces (for Apache Cassandra) のキャッシュとして使用する方法を説明します。ブックアワードのデータを保存する Amazon Keyspaces テーブルを使用するアプリケーションで、Amazon ElastiCache をキャッシュとして実装するコードと結果を見てみましょう。

Kinesis Client Library 3.0 を活用してストリーム処理アプリケーションのコンピューティングコストを削減しましょう

Amazon Kinesis Data Streams は、リアルタイムのデータストリームをキャプチャおよび保存を簡単化するサーバーレスのデータストリーミングサービスです。Kinesis Client Library (KCL) 3.0 の新しいロードバランシングアルゴリズムにより、ワーカーの CPU 使用率を継続的に監視し、ワーカー間でロードを均等に再分散することで、従来の KCL バージョンと比べてストリーム処理コストを最大 33% 削減できるようになりました。KCL 3.0 への移行方法と使用する際のチェックリストも合わせてご紹介します。

vSphere 管理者のための AWS の高可用性とレプリケーションの理解

vSphere HA は vSphere の基本的かつ頻繁に使用される機能です。いくつかの障害シナリオのいずれかが発生した場合、仮想マシンを再起動します。障害シナリオは、仮想マシンやホストのクラッシュから、応答しないホスト (例えば、ネットワーク分離や停止) まで多岐にわたります。vSphere High Availability (HA) をパブリッククラウドに移行することは、複雑なプロセスとなる場合があります。

Amazon SageMaker Canvas でノーコード機械学習を行うために Google Cloud Platform BigQuery からデータをインポートする

現代のクラウド中心のビジネス環境では、データが複数のクラウドやオンプレミスのシステムに分散していることが多くあります。この断片化は、お客様が機械学習 (ML) イニシアチブとして、データを統合し、分析する作業を複雑にしています。

本稿では、さまざまなクラウド環境の中でも Google Cloud Platform (GCP) BigQueryに焦点を当て、データソースを移動することなく、データを直接抽出するアプローチをご紹介します。これにより、クラウド環境間でデータ移動の際に発生する複雑さとオーバーヘッドを最小限に抑えることができるため、組織は ML プロジェクトで様々なデータ資産にアクセスし、活用できるようになります。