Amazon Web Services ブログ

Amazon DocumentDB (MongoDB 互換) を使って大規模なアプリケーションの構築と管理を行う方法

Amazon DocumentDB (MongoDB 互換) は、MongoDB のワークロードをサポートする高速でスケーラブル、かつ可用性に優れた完全マネージド型のドキュメントデータベースサービスです。Amazon DocumentDB 内のデータは JSON に似たドキュメントとして保存され、アプリケーションにおけるデータのモデル化方法に自然に対応します。このアプローチは、アプリケーションと Amazon DocumentDB の間でのデータの保存、クエリ、および処理を素早く直観的なものにします。 ドキュメントの柔軟な半構造の階層的性質は、各ドキュメントがアプリケーションのニーズと共に進化することを可能にします。このドキュメントモデルは、特に各ドキュメントがユニークで時間の経過とともに進化し得るカタログ、ユーザープロファイル、およびコンテンツ管理システムに適しています。MongoDB API を使用することにより、Amazon DocumentDB クラスターのために強力で直観的なクエリを作成することができます。これらのクエリは、単一のドキュメント、複数のドキュメント、またはドキュメントの集計にあるデータにアクセスできます。 Amazon DocumentDB は、AWS が提供する最新の専用データベースです。Amazon DocumentDB のオンデマンド料金により、長期間の契約や前払い料金なしで時間単位の料金を支払うことができます。これによって、ニーズに先立ってデータベースの容量を計画して購入するコストと複雑性から解放されます。料金と対応 AWS リージョンの詳細については、Amazon DocumentDB 料金を参照してください。 このブログ記事では、Amazon DocumentDB について紹介し、そのユニークな側面を明らかにしていきます。また、Amazon DocumentDB のアーキテクチャが、大規模なアプリケーションの構築と管理にどのように役立つかについても説明します。 Amazon DocumentDB の使用の開始 Amazon DocumentDB の使用は簡単に開始することができます (以下の動画をご覧ください)。Amazon DocumentDB クラスターは、AWS マネジメントコンソールもしくは AWS CLI、または AWS CloudFormation を使用することによって、数分でスピンアップできます。クラスターは、必要なくなれば削除することができます。スピンアップしたら、現在 MongoDB で使用しているものと同じアプリケーションコード、ドライバ、およびツールを使って、Amazon DocumentDB での開発を開始できます。 この記事では、以下のスクリーンショットにあるように、3 個の db.r4.large […]

Read More

AWS Educate日本語の学習コースがリリース

クラウドの学習コンテンツやトレーニング環境に無料でアクセスできる教育プログラムAWS Educateの学生メンバーが利用できるクラウドの基本を学ぶコースと11の職業に紐づくクラウド学習コース(キャリアパスウェイ)が、簡体字中国語、繁体字中国語、フランス語、ドイツ語、イタリア語、スペイン語、ポルトガル語、そして新たに日本語、韓国語、およびインドネシア語の10の言語でご利用いただけるようになりました。(※)世界中のよりたくさんの学生が、クラウドを使った学習を行い、将来クラウドを使う仕事に就くチャンスを得られることになりました。 クラウドキャリアパスウェイは、何百ものコンピュータサイエンスとクラウド関連の仕事に必要な技術的スキルを組み込んだ学習コースです。各コースは、目標とする職業にもとづき設計された自習型コースで30時間から40時間程度の時間を要するコンテンツが含まれます。それぞれのコースには小テストが埋め込まれていて身に着けた知識のチェックをしながら学習を進めて行くことができます。 世界の多くの地域の40万人以上の学生や教員の方がすでにAWS Educateのクラウド学習のキャリアパスを生徒の自習課題やコンピュータサイエンスのカリキュラムに組み込んで活用しています。新しい言語への対応は、より多くの方がAWS Educateの利点を活用できるようになります。 【12の学習コース】 (基礎を学ぶコース)  クラウドコンピューティング 101 (目標とする職種に紐づく11のコース)  アプリケーションデベロッパー  クラウドサポートアソシエイト  クラウドサポートエンジニア  サイバーセキュリティスペシャリスト  データインテグレーションスペシャリスト  データサイエンティスト  DevOpsエンジニア  マシンラーニングスペシャリスト  ソフトウェアデベロップメントエンジニア  ソリューションアーキテクト  Webデベロップメントエンジニア AWS Educateは14歳以上の学生、教員、企業のリクルータの方が参加でき、学生は学習、教員は授業、リクルータは採用活動のために利用できます。メンバーが自由に参加する機会に加え、学校が加盟することでよりクレジットの増額など多くの参加特典を学生、教員に提供することが可能になります。 これから社会にはばたいていく学生の支援を通じ、教育機関とクラウド技術を活用する企業、そしてクラウドを提供する企業の密なつながりが生まれ、社会全体のクラウド技術者の需要の増大に応えることに繋がっていきます。 (※各学習コース内からリンクがある一部の外部学習教材は英語でのご提供となります。) 【問い合わせ】aws-jpps-qa@amazon.com パブリックセクター エデュケーションプログラム担当 澤

Read More

Amazon SageMaker で複数の TensorFlow モデルを一つのエンドポイントへデプロイする方法

概要 Amazon SageMaker では、TensorFlow、MXNet、Chainer、PyTorch、scikit-learn といった機械学習フレームワークをサポートしています。これらのフレームワークを利用して機械学習による予測結果を得るためには、学習した機械学習モデルをエンドポイントにデプロイする必要があります。複数のモデルを利用したい場合、モデル一つ一つに対してエンドポイントを作成する方法が一般的ですが、推論リクエストが少ないモデルに対してエンドポイントを常時起動すると、推論処理に対するコストが高くなってしまいます。そこで、推論リクエストの少ないモデルを、他のモデルと同じエンドポイントにデプロイし、常時起動するインスタンス数を低減する方法があります。この手法はリアルタイム処理が必要な場合は特に有効です。なお、推論処理がリアルタイム性を要求しない場合はバッチ変換ジョブをご利用ください。 本記事では、複数のモデルを一つのエンドポイントにデプロイする方法について説明いたします。Amazon SageMaker がサポートする全ての機械学習フレームワークで、複数のモデルを一つのエンドポイントにデプロイすることができますが、ここでは Tensorflow Serving を利用して、複数のモデルをデプロイする方法について説明します。例として、軽量な物体検出モデル SSD MobileNet と、軽量な画像分類モデル MobileNet を1つのインスタンスにデプロイします。デプロイまでの手順の概要は以下のとおりです。 複数の TensorFlow モデルを TensorFlow Serving にデプロイ可能な SavedModel 形式で保存します。 保存したモデルを1つのアーカイブファイル (tar.gz 形式) にして、Amazon S3 (S3) にアップロードします。 Amazon SageMaker の API を利用して、1 つのインスタンスにデプロイし、テストします。 それでは各手順について以下で説明します。 1. TensorFlow モデルの保存 Jupyter Notebook からコードを実行し、TensorFlow の学習済みモデルをダウンロードして、以下のような SavedModel 形式で保存します。model1 を SSD MobileNet、model2 を MobileNet とします。TensorFlow モデルには、SavedModel 形式以外の学習済みモデルが公開されている場合があるので、必要に応じて変換します。今回は […]

Read More

Bridgeman Images は Amazon Translate を使用してグローバルに事業を確立

多くの企業は、新規顧客を獲得し成長を加速させるために世界規模で拡大することを目指しています。Bridgeman Images の場合、これは英語以外の言語を話す顧客を引き付けることを意味しました。手作業で翻訳しただけでは十分なスピードや費用対効果が得られないため、同社は言語の壁を克服するためのスケーラブルなソリューションを必要としていました。Amazon Translate を使用して、コンテンツのローカライズに必要な時間を数か月から数週間に短縮し、5 億 7000 万の英語の文字をイタリア語、フランス語、ドイツ語、スペイン語に翻訳しました。 Bridgeman Images は、アーカイブ内に 300 万近くのアクティブアセットを保有する権利管理型のイメージライセンス会社です。自社サイトで簡単に検索できるように、これらの各アセットには、タイトル、説明、および Amazon Elasticsearch Service (Amazon ES) にインデックス付けする一連のキーワードや媒体が含まれています。同社の調査によると、すべてのプラットフォームで集計した顧客の 20~30% が、英語以外のイタリア語、フランス語、ドイツ語、スペイン語のいずれかの言語で画像データを表示する必要があることが分かりました。そこで同社は、顧客に可能な限り最高の体験を提供するために、すべてのメタデータを翻訳することにしました。 Bridgeman Images はさまざまな数多くの選択肢を研究し、機械翻訳が彼らのビジネスに全体的に最高の価値をもたらすだろうと判断しました。新しい翻訳の準備をするとき、同社はその機会に内部のメタデータ構造を見直し、重複を最小限に抑えて翻訳コストを節約する堅牢なワークフローを実行することにしました。 同社は最初にキーワードシステムを更新しました。キーワードシステムもともとはセミコロンで区切られたレコードを持つフラットなデータ構造として作成されたものでした。同社はこれらのエントリーの重複を排除し、複数のアセットがその翻訳と同時にキーワードを共有できるようにするリレーショナル構造を作成しました。キーワードは Amazon RDS MySQL インスタンスに保存され、キーワードへの変更がトリガーされるかシステムに新しいキーワードが入力されるたびに Amazon Elasticsearch Service インデックスに反映されます。 キーワード (およびその他のデータ) の翻訳を処理するために次に行った作業は、Python、Boto3 や Zappa と共に AWS Lambda にデプロイされた Flask API を使用して、Amazon Translate サービス用の単純なラッパーを作成することでした。 その後、システムに新しいキーワードが追加されるたびにタスクが RabbitMQ クラスターのキューに入れられるようにトリガーを設計しました。これにより、ワーカーを呼び出して AWS Lambda 関数をクエリして Amazon Translate […]

Read More

顔認識法についての考察

  顔認識テクノロジーは、写真と動画で人物または物を識別するためにかかる時間を大幅に短縮します。このため、顔認識はビジネス目的のための強力なツールとなりますが、同様に、法執行機関と政府機関にとっても犯罪者の逮捕、犯罪の防止、および行方不明者の発見において重要です。私たちは、人身売買の防止、行方不明の子供の両親との再会、アクセスの自動化による施設の物理的セキュリティの強化、およびインターネット上に掲載された不快で違法な画像の削除のための抑制にこのテクノロジーが使われているのをすでに目にしています。私たちのコミュニティは、ツールキットに顔認識テクノロジーを含む最新テクノロジーを備え持つときにより安全になり、緊急時に援助するためのより良い態勢を整えることができます。 この数ヵ月、顔認識が差別待遇のために使用され、公民権を侵害する恐れがあるという懸念が提起されています。Amazon Rekognition がいかに差別待遇のために使用され得るかを指摘しようと試みた外部グループによるこのサービスのテストについて、いくらかお読みになった方もおられるかと思います。AWS では、その都度このサービスが適切に使用されていなかったことを立証してきました。サービスを正しく使用してこれらのテストを再現したときは、人による手作業のプロセスと比較すると、顔認識が実際に、正確さを高めて偏見を排除する非常に価値のあるツールであることを明らかにしました。これらのグループはそのトレーニングデータとテストパラメーターの公開を拒否していますが、私たちには、AWS のアルゴリズムの正確なテストと改善において連携する用意ができており、これらのアルゴリズムは AWS のチームが毎月強化させ続けています。 Amazon Rekognition を提供してきた 2 年以上の間、法執行機関による誤用の報告を受けたことは一度もありません。これまでの確固たる実績があるといえども、私たちは、顔認識テクノロジーが差別待遇のために使用されないことを確実にするための監視とガイドラインの確立を人々が望む理由も理解しています。私たちは、個人の公民権を保護し、政府が顔認識テクノロジーの使用を透明化することを確実にする、適切な国家の法的枠組みを求める声をサポートします。 過去数ヵ月の間、私たちは、顔認識のメリットと潜在的なリスクとのバランスを取る最良の方法を理解するために、お客様、研究者、学者、政策立案者、およびその他の人々と話してきました。どのような法律についても、それが公民権を保護すると同時に、継続的なイノベーションとテクノロジーの実用的な応用を可能にすることが非常に重要です。これらの話し合いは、このテクノロジーの責任ある使用に対する AWS のガイドライン案の策定につながりました。今日はこのガイドラインをご紹介したいと思います。AWS は政策立案者に対して、これらのガイドラインを法律案として考慮することを奨励しており、米国およびその他の国々で規則が検討されています。 1.顔認識は、常に公民権を保護するものを含む法律に従って使用されるべきである。 顔認識テクノロジーの使用は、公民権を保護する法律を含むすべての法律に従う必要があります。現行法 (例えば、1964 年公民権法と憲法修正第 4 条) が適用され、状況によってはこのテクノロジーの使用が制限される場合があることに関して、曖昧さがまったくないようにしなければなりません。 AWS のお客様は、このテクノロジーの使用方法において法律に従う責任を負います。AWS 利用規約 (AUP) は、法律に違反する AWS サービス (Amazon Rekognition を含む) の使用を禁じており、この AUP に違反するお客様は AWS のサービスを使用できなくなります。現行法が顔認識テクノロジーにどのように適用されるべきかについての曖昧性または不確実性が存在する可能性がある限り、私たちは、これらの法律の適切な適用を明確化するためのガイドラインと法律を策定する分野を識別することにおいて、引き続き政策立案者と国会議員にサポートを提供していきます。 2.法執行機関で顔認識テクノロジーが使用される場合、人による見直しは、判断を行うための予測の使用が公民権を侵害しないことを確実にするために必要な要素である。 顔認識は、一致する可能性のある何十万人もの人から、一握りの人数まで「選択の幅を狭める」ために使用されることがよくあります。この機能こそが、人間が行うとはるかに長い時間がかかるタスクの完了をより簡単に、より効率的にすることによって、さまざまな面で社会に利益をもたらす機能です。しかし、顔認識は、人の公民権を侵害する結果を生じる可能性がある、完全に自動化された最終的な判断を行うために使用されるべきではありません。これらの状況では、権利が侵害されないことを確実にするために、人間による顔認識結果の見直しが行われなければなりません。 例えば、犯罪捜査における容疑者の特定に顔認識を使用する法執行機関はいずれも、一致した人物を尋問したり拘束したりする判断を行う前に、法執行官がその個人を手作業で見直す必要があります。いかなる場合においても、顔認識の一致は他の有力な証拠に照らして評価されるべきで、法的措置を講じるための唯一の決定要因として使用されてはなりません。その一方、携帯電話のロック解除、またはセキュアな私有のオフィスビルへの立ち入りのための社員の ID 認証に顔認識が使用される場合、これらの判断が個人の公民権を侵害しないことから、手作業による監査は必要ありません。 3.顔認識テクノロジーが身元確認のために法執行機関によって使用される場合、または市民的自由を脅かし得る方法で使用される場合は、99% の信頼性スコアのしきい値が推奨される。 信頼性スコアは、顔認識システムがそれ自体の結果に置く信頼度を測る基準として考えることができ、信頼性スコアが高ければ高いほど、結果への信頼度も高くなります。犯罪捜査における容疑者の特定に顔認識を使用する場合、法執行機関は推奨されている 99% の信頼度しきい値を使用し、これらの予測を唯一の決定要因ではなく、あくまでも捜査の一要素として使用すべきです。 4.法執行機関は、顔認識テクノロジーの使用方法において高い透明性を保つ必要がある。 法執行機関による顔認識の責任ある使用に関して公衆における最も高い信頼を生み出すためにも、AWS は法執行組織に対して、このテクノロジーの使用についての透明性を高く保ち、定期的な透明性レポートでこの使用を説明することを奨励しています。このようなレポートには、顔認識テクノロジーが使用される場合と方法、および市民のプライバシーと公民権を保護するために策定された詳しい防衛手段を記載する必要があります。 このタイプの報告は、治安と公民権に関する懸念とのバランスを取るために役立ち、顔認識テクノロジーの法執行機関による使用に対する効果的な監視と説明責任を可能にするためにも役立ちます。AWS はこれからも、これらのレポートと、それらの提供方法の定義を援助するために、政策立案者、市民社会グループとローカルコミュニティグループ、そして法執行機関のお客様と交流していきます。 […]

Read More

Amazon SageMaker Ground Truth と自動化されたデータのラベル付けによる低コストでのデータのアノテーション

  Amazon SageMaker Ground Truth を使うと、正確にラベル付けされた機械学習データセットを簡単に低価格で構築することができます。ラベル付けのコストを削減するために、Ground Truth の機械学習を使用して、人によるアノテーションが必要な「困難な」画像と、機械学習で自動的にラベル付けできる「簡単な」画像を選択します。この記事では、自動化されたデータのラベル付けの仕組みと、その結果の評価方法について説明します。 自動化されたデータのラベル付けを伴う物体検出ジョブを実行する 以前のブログ記事では、Julien Simon が AWS マネジメントコンソールを使ってデータのラベル付けジョブを実行する方法を説明しました。このプロセスをより細かく制御するには、API を使用できます。  その方法をご紹介するため、今回は鳥の画像 1,000 個に対して バウンディングボックスアノテーション を生成する API を使用した Amazon SageMaker Jupyter ノートブックを使用します。 注意: デモノートブックの実行コストは約 200 USD です。 デモノートブックにアクセスするには、ml.m4.xlarge インスタンスタイプを使用して Amazon SageMaker ノートブックインスタンスを開始します。インスタンスは、このステップバイステップチュートリアルに従ってセットアップできます。ステップ 3 では、IAM ロールの作成時に「任意の S3 バケット」にチェックを入れるようにしてください。 以下にあるように、Jupyter ノートブックを開いて [SageMaker Examples] タブを選択し、object_detection_tutorial.ipynb を起動します。 ノートブックの「Introduction」および「Run a Ground Truth labeling job」の各セクションにあるセルのすべてを実行します。セルには変更が必要なものもあるため、ノートブックの指示を注意深く読んでください。これらのセクションを実行すると、以下が行われます。 鳥の画像 1,000 […]

Read More

DXC Technology が AWS の機械学習を使ってサポートチケットの選別を自動化

  DXC Technology は、さまざまな企業や政府機関向けに、デジタルトランスフォーメーション上でエンドツーエンドのサービスを提供している IT サービスの世界的大手企業です。同社は、オンプレミスとクラウドで、クライアントのサービス管理も行っています。  プロセスの過程でインシデントチケットが発生した場合は、サービスレベルアグリーメント (SLA) に沿ってすばやく解決する必要があります。  DXC は、人的作業を減らし、インシデントの解決時間を短縮し、知識管理を強化して、インシデント解決の一貫性を向上させることを目標に掲げています。  そして、この目標を念頭に、知識管理 (KM) 記事の予測メカニズムを開発しました。 今回のブログでは、DXC が、KM 記事を自動的に特定するために AWS で機械学習をどのように使用しているか、またそれをチケット解決用のオーケストレーションランブックで自動化し、IT サポートの効率をいかに向上できるかについてご紹介します。 AWS を活用した DXC のソリューション その 1: Amazon S3 にデータレイクを構築する DXC の顧客が、インシデントチケットを IT サービスマネジメントツール (ITSM) へ送ります。チケットは、ユーザーまたはマシンにより生成できます。データは、Amazon S3 のバケットへプッシュまたはプルされます。Amazon S3 は、高い耐久性で低価格のオブジェクトストレージであり、形式やフォーマットを問わずあらゆるデータを保存できます。 その 2: 最適な機械学習ツールとアルゴリズムを選択する 一般に、問題は、テキストをいかに分類するかということです。AWS は、テキストを分類するためのさまざまな選択肢を顧客に提供しています。DXC は、次の AWS サービスの評価を行いました。 BlazingText と呼ばれるアルゴリズム内蔵の Amazon SageMaker Amazon Comprehend のカスタム分類 最適な選択肢は、Amazon […]

Read More

[AWS Black Belt Online Seminar] Amazon SageMaker Basic Session 資料及び QA 公開

先日 (2019/2/6) 開催しました AWS Black Belt Online Seminar「Amazon SageMaker Basic Session」の資料を公開しました。当日、参加者の皆様から頂いた QA の一部についても共有しております。 20190206 AWS Black Belt Online Seminar Amazon SageMaker Basic Session from Amazon Web Services Japan AWS クラウドサービス活用資料集(すべての過去資料が閲覧できます) Q. バッチ推論とは何ですか? A. バッチ推論とは、大量の推論対象データに対して、一括で推論処理を行うことを指します。Amazon SageMaker においては、推論用のインスタンスを立ち上げて、S3 から対象データを読み込んで推論を行い、結果を S3 に書き出す形で実現しています。 Q. SageMakerの各コンポーネントで、モデル変換とありましたが、このモデル変換後出てくるモデルの形式は何になりますでしょうか(例:Keras⇒Chainer等) A. モデル変換は、Neo-AI プロジェクトとして OSS で公開されておりますコンパイラによって実施されます。出力形式は、Neo の独自フォーマットとなり、Neo Runtime にて動作いたします。Neo-AI プロジェクトの詳細については、こちらのブロク記事も参照ください。 Q. SDKの基本コード3行目のchainer_estimator.fitはestimator.fitの間違いでしょうか?chainer_estimatorという変数が宣言されていないように思えます。 A. ご指摘の通りです。こちらの資料間違いでご迷惑をおかけして申し訳ありません。公開バージョンの資料では、こちらの間違いは修正いたしました。 Q. SageMakerのハイパーパラメータチューニングについて、通常のGridSearchやベイズ最適化をPythonで組んで実行するのと何か違いはありますか?例えばGridSearchの範囲を指定しなくても最適なものを選んでくれるとか。 A. SageMaker のハイパーパラメタチューニングは、ベイズ最適のみをサポートしています。通常の最適化ライブラリとの違いは、SageMaker […]

Read More

Amazon RDS for MySQL のパラメータ設定 パート 2: レプリケーション関連のパラメータ

このシリーズの前回のブログ投稿では、Amazon RDS for MySQL のパフォーマンスを調整および最適化するために使用する MySQL パラメータと、それらに関連するベストプラクティスについて説明しました。今回の投稿では、RDS MySQL 環境でのレプリケーション構成とレプリケーションの最適化に使用される最も重要な MySQL パラメータについて説明します。 シングルスレッドおよびマルチスレッドの両方のレプリケーションに関連するパラメータ 以下に、シングルスレッドのレプリケーションとマルチスレッドのレプリケーションの両方に使用できるパラメータと、それぞれを設定するためのベストプラクティスの提案を示します。 sync_binlog sync_binlog オプションは、MySQL がバイナリログをディスクにフラッシュする方法をコントロールします。 sync_binlog のデフォルト値は 1 です。マスターサーバで、sync_binlog が 0 に設定されているとディスクと同期しません。この場合、他のファイルと同様に、バイナリログの内容をフラッシュするタイミングはオペレーティングシステムに依存します。したがって、この設定は、MySQL がバイナリログ (binlog) をディスクにフラッシュしないようにすることでレプリケーションのパフォーマンスを向上させます。この方法で、最高のパフォーマンスが得られます。 ただし、MySQL がクラッシュした場合、いくつかのトランザクションが失われる可能性があります。通常、確実にレプリカをマスターと同期させるために、レプリカを再構築する必要があります。バックアップを無効にし、「チェーン接続された」リードレプリカがないRDS リードレプリカでは、binlog を同期する必要がないため、sync_binlog は適用されません。バイナリログが生成されないように、レプリカのバックアップ保存期間を 0 に設定することをお勧めします。 ただし、データの損失を最小限に抑えるには、レプリカソースで sync_binlog パラメータを 1 に設定する必要があります。設定する最善の値は、パフォーマンスと耐久性のどちらを優先するかによって異なります。 binlog_row_image binlog_format パラメータを使用すると、バイナリログでサポートされている 2 つのイベントフォーマットを指定することができます。STATEMENT と ROW です。行ベースのフォーマットを使用すると、非決定性のクエリをログに記録することができるので、レプリカで一時テーブルは作成されません。一方、ステートメントベースのフォーマットは、行ベースのフォーマットよりもコンパクトです。 binlog_row_imag パラメータを使用して、行ベースのイベントについてバイナリログに記録される情報量をコントロールすることができます。行の状態は、バイナリログの「イメージ」で表されます。どの行ベースのイベントでも、変更前イメージと変更後イメージの 2 種類のイメージがあります。変更が行われる前の行は、変更前イメージによって表されます。変更が行われた後の行は、変更後イメージによって表されます。すべてのイベントに、変更の前後のイメージがあるわけではありません。 次の表は、さまざまな行ベースのイベントとそれらの使用可能なイメージをまとめたものです。INSERT ステートメントは Write_rows イベントを作成します。 イベントのタイプ […]

Read More

MySQL との互換性を持つ Amazon Aurora での MariaDB JDBC ドライバーの使用

このブログ記事は、Amazon Aurora クラスターへの接続に MariaDB Connector/J として知られる MariaDB JDBC ドライバーを使用する方法について説明するものです。この記事では、フェイルオーバーの状況下でマスターとレプリカを迅速かつシームレスに切り替えるために、このコネクターの自動フェイルオーバー機能を使用します。MariaDB Connector/J は MariaDB サイトからダウンロードできます。 MariaDB Connector/J を使用した Aurora MySQL への接続 この記事を書いている時点でのコネクターの最新バージョンは MariaDB Connector/J 2.3.0 です。コネクターは 2 つの方法でインストールできます。 Maven または Gradle などのパッケージマネージャーを利用する .jar ファイルを直接使用する この記事では、.jar ファイルを使用します。完全なインストールガイドは、MariaDB サイトでご覧いただけます。 コネクターをインストールしたら、次のステップは Aurora MySQL クラスターの作成です。まず、AWS マネジメントコンソールにサインインします。RDS を選択してから [データベース] を選択し、次に [データベースの作成] を選択します。次のページで、エンジンのオプションをデフォルトの [Amazon Aurora] のままにしておき、エディションに [MySQL 5.6 との互換性] または [MySQL 5.7 との互換性] […]

Read More