Amazon Web Services ブログ

2015年、私たちはAWS Well-Architected フレームワークを発表し、私は”Are you Well-Architected?“と問いかけをしました。このフレームワークには、クラウドでのシステム設計する際の、5つの柱について設計原則とベストプラクティスが含まれています。

Werner VogelsのKeynoteで、AWS LambdaのアップデートやServerless関連のアップデートが発表されました。 Rubyサポート 従来のJava, Go, PowerShell, Node.js, C#, Pythonに加えて Ruby がサポートされました。 Custome Runtime Linuxで動作するあらゆる言語のランタイムを利用することができるようになりました。 Nested Applications using Serverless Application Repository ネストされたアプリケーションを使用すると、小さなアプリケーションコンポーネントからアプリケーションをまとめて、これらのネストされたアプリケーションを展開することができます。 敏捷性を向上させるために、コンポーネント、モジュール、および完全なアプリケーションをチームと共有することができます。 ALB Support for Lambda LambdaがALBとの連携をサポートしました。 LambdaをALBのターゲットとして登録できるようになり、これにより、既存のアーキテクチャをLambdaに簡単に移行することができます。 EC2、Fargate、およびLambdaを一括して使用するなど、ニーズに基づいてコンピューティングバックエンドを混在させることも可能となります。 Step Functions service integrations AWSの各サービスサーと連携するワークフローをコードの記述なしで作成することができるようになります。 Web Socket support for API Gateway API GatewayのWeb Socket対応予定が発表されました。 LambdaとAPI Gatewayで実行されるリアルタイムの双方向通信アプリケーションを構築することができるようになります。    

AWS Step Functions はアプリケーション開発者のためのフルマネージドなワークフローサービスです。各アクティビティの接続と整理を、信頼性があり繰り返し可能な形で、ビジネスロジックとワークフローロジックを分離しながら、高レベルの設計と作業で実現できます。ワークフロー（ステートマシンと言います）を設計、テストした後、スケーラブルにデプロイして10,000から100,000もの処理を独立かつ同時に実行することができます。Step Functions は各ワークフローの状態を追跡し、モニタリングやロギングもシンプルにします。詳しくは 「サーバーレスワークフローを作成する」 のチュートリアルをお試しください。

Amazon Managed Streaming for Kafka(MSK)のプレビューが発表になりました。 Amazon MSK ストリーミングデータを処理するApache Kafkaは、リアルタイムのストリーミングデータパイプラインとアプリケーションを構築するためのオープンソースのプラットフォームです。Amazon MSKは、Apache Kafka APIを使用してデータ・レイクを作成したり、データベースとの間で変更をストリーミングしたり、マシンの学習および分析アプリケーションを強化することができるフルマネージドサービスです。 Apache Kafkaクラスターは、実動環境でセットアップ、スケール、および管理が難しく、、サーバーのプロビジョニング、手動によるApache Kafkaの構成、障害が発生したサーバーの置き換え、サーバーのパッチとアップグレードの調整、高可用性のためのクラスターの設計、データの永続的な保管と保護、負荷変動をサポートするスケーリングイベントの計画などが必要になります。 KafkaのAmazon Managed Streamingは、Apache Kafkaのインフラストラクチャ管理の専門知識を必要とせずに、Apache Kafkaで本番アプリケーションを構築して実行することを容易にします。つまり、インフラストラクチャの管理に要する時間を短縮し、アプリケーションを構築する時間を短縮できます。 Amazon MSKは、ネットワーク分離、Amazon VPC、コントロールプレーンAPI認証用のAWS IAM、および残りの暗号化など、Apache Kafkaクラスターの複数レベルのセキュリティーを提供します。Amazon MSKの暗号化サポートは、AWS Key Management Service  （KMS）と統合されてい  ます。 – プロダクトマーケティング エバンジェリスト 亀田  

By: Alexandr Moroz, Sr. Product Manager, Amazon Route 53; Madhuri Peri, Sr. IoT Architect, AWS Professional Services; Aaron Molitor, Sr. Infrastructure Architect, AWS Professional Services; and Sarma Palli, Sr. DevOps Architect, AWS Professional Services AWS Cloud Mapを利用するとクラウドをマッピングすることができます。Amazon S3のバケットやAmazon DynamoDBのテーブル、Amazon SQSのキュー Amazon EC2やAmazon ECS、Amazon EKSやAWS Lambda上で構成されたカスタムクラウドサービスの様な任意のリソースに対しても分かりやすい名前を定義できます。AWS SDKと認証されたAPIクエリを使って分かりやすい名前にてリソースの場所やメタデータを検出することができます。 デプロイメントステージやバージョンの様なカスタム属性によって、リソースをさらにフィルターし、検出することができます。

アプリケーションをマイクロサービス(多数の別れたサービスがそれぞれ1つのジョブを実行する)として構成するお客様が増えています。マイクロサービスによりお客様は、多くの場合で反復的かつ、より素早いデプロイを可能になります。これらのマイクロサービスをベースとしたモダンなアプリケーションの多くは、様々な種類のクラウドリソースを利用して構成され、動的に変更されるインフラストラクチャ上にデプロイされます。これまでは、アプリケーションリソースの場所を管理するために設定ファイルを利用する必要がありました。しかし、マイクロサービスをベースとしたアプリケーションにおける依存関係は簡単に管理するには、複雑すぎる様になります。加えて、多数のアプリケーションは動的にスケールし、トラフィックにあわせて変更されるコンテナを利用して構成されていています。その様な構成はアプリケーションの応答性を向上させますが、新しい問題をもたらします。- 現在、アプリケーションのコンポーネントはその動作時にアップストリームサービスを検出し、接続する必要があります。この動的に変更されるインフラストラクチャーおよびマイクロサービスにおける接続性に関する問題は、共通してサービスディスカバリーによって解決されます。

機械学習（Machine Learning: ML）は、トレーニングと推論という2つの異なるフェーズに分かれています。 トレーニングは、モデルを構築すること、すなわち、意味のあるパターンを識別するためにデータセット上で ML アルゴリズムを実行することを扱います。これには大量のストレージとコンピューティングパワーが必要なことが多く、クラウドは Amazon SageMaker や AWS Deep Learning AMI などのサービスで ML ジョブをトレーニングするためのうってつけな場所になります。 推論は、モデルの使用、すなわちモデルが一度も見たことがないデータサンプルの結果を予測することを扱います。ここでは、要件が異なります。開発者は通常、待ち時間（1回の予測でどれくらい時間がかかるか）とスループット（並列で実行できる予測の数）を最適化することに関心があります。 もちろん、リソースが制約されているデバイスを扱う場合は、予測環境のハードウェアアーキテクチャがこのようなメトリックに非常に大きな影響を与えます。Raspberry Pi の愛好家として、私はしばしば、若い仲間が私の推論コードをスピードアップするためにもう少し誘導して欲しいと思っています。 特定のハードウェアアーキテクチャーのモデルをチューニングすることは可能ですが、ツールの欠如が原因でエラーが発生しやすく時間がかかります。ML フレームワークやモデル自体にマイナーな変更を加えると、通常、ユーザーは再び最初からやり直す必要があります。残念なことに、ほとんどの ML 開発者は、基礎となるハードウェアにかかわらずどこでも同じモデルを展開する必要があり、パフォーマンスは大幅に向上しません。

みなさん、こんにちは。アマゾン ウェブ サービス ジャパン、プロダクトマーケティング エバンジェリストの亀田です。 今日はAndy Jassy のKeynoteでの多くの発表を中心として、多くの発表がありました。その纏めをお届けします。 Glacier Deep Archiveが発表されました。（Pre Announce） S3 Glacier ディープアーカイブは Amazon S3 の最も低コストのストレージクラスであり、定期的にアクセスされないデータの長期保存とデジタル保存をサポートします。保存されたすべてのオブジェクトは、地理的に分散した 3 つ以上のアベイラビリティーゾーンにレプリケートおよび保存され、99.999999999% の耐久性によって保護され、12 時間以内に復元できます。 Amazon FSx for Windows File Serverが発表されました。 完全マネージド型の Windows ファイルサーバーに裏付けられたネイティブ Windows ファイルサーバーに、広く採用されている SMB (Server Message Block) プロトコルを介してアクセスできます。SSD ストレージで構築されている Amazon FSx for Windows ファイルサーバーは、一貫したミリ秒未満のパフォーマンスを提供します。 Amazon FSx for Lustreが発表されました。 オープンソースプロジェクトであるLustreをベースにした高並列なファイルシステムであり、ペタバイトスケールのファイルシステムに対するミリ秒以下でのアクセスをサポートします。数千のクライアント（EC2インスタンスやオンプレミスサーバー）による同時アクセスにより、数百万IOPS（Input/Output Operation per Second）や数百GB/secものデータ転送を行うことが可能です。各ファイルシステムはNVMe SSDストレージにより構成されており、3.6 TiB単位でプロビジョンされ、1 TiBごとに200 […]

今日は、Amazon のエンジニアを訓練するために使用されるものと同じ機械学習コースが、AWS を通して初めてすべての開発者にご利用いただけるようになったことをお知らせしたいと思います。 私たちは 20 年以上もの間、Amazon 全体において機械学習を使用してきました。社内全域で機械学習に重点を置くエンジニアを何千人も抱える Amazon では、ほとんどすべての小売ページ、製品、フルフィルメントテクノロジー、および店舗が何らかの形で機械学習の使用を通じて改善されています。AWS のお客様の多くがこの熱意を共有しておられ、私たちは大規模で十分な資金を持つ組織にしか手の届かなかったテクノロジーを、すべての開発者が利用できるようにすることを使命としてきました。Amazon SageMaker、Amazon Rekognition、Amazon Comprehend、Amazon Transcribe、Amazon Polly、Amazon Translate、および Amazon Lex などのサービスのおかげで、何万人もの開発者が機械学習を通じてよりインテリジェントなアプリケーションを構築する過程を歩んでいます。 機械学習の旅のどの地点にいるかにかかわらず、お客様から頻繁にいただく質問は「どのようにチームにおける機械学習スキルの成長を迅速化できるか」というものです。 機械学習のための新しい AWS トレーニングと認定の一環として利用できるこれらのコースは、この質問に対する回答の一部になりました。 これには、セルフサービス、かつ自分のペースで進めることができる 30 を超えるデジタルコースがあり、開発者、データサイエンティスト、データプラットフォームエンジニア、そしてビジネス専門家の 4 つの主要グループのための 45 時間以上におよぶコース、ビデオ、およびラボで構成されています。各コースは基礎から始まり、現実的な例とラボを経て基礎を強化していくため、開発者は Amazon で解決しなければならなかったいくつかの興味深い問題を通じて機械学習を掘り下げていくことができます。これには、ギフト包装対象資格の予測、配達ルートの最適化、または Amazon の子会社である IMDb からのデータを使用したエンターテイメント賞ノミネートの予測などが含まれます。コースワークはベストプラクティスの確立に役立ち、Amazon SageMaker、AWS DeepLens、Amazon Rekognition、Amazon Lex、Amazon Polly、および Amazon Comprehend を含む様々な AWS 機械学習サービスの使用を開始する方法を実演します。 機械学習のための新しい AWS 認定 今日は、開発者がその知識を実証する (そして雇用主がより効率的に雇用する) ために役立つ、新しい「AWS 認定機械学習 – 専門知識」認定についてもお知らせします。この試験は今すぐ受けていただくことができます […]

BYOL（Bring Your Own License）を使用してAWSクラウドで商用ライセンスソフトウェアを使用する場合、不必要なライセンス調達を避けつつ、ライセンス条項の範囲内に収まるように展開を管理する必要があります。必要に応じてオンデマンドでインスタンスを起動したい場合、これは難しい課題です。 新サービス “AWS License Manager” 2018年11月28日、AWS License Managerをローンチしました。このサービスはライセンスルールを定義して、その中にエンタープライズ契約やライセンスされたソフトウェアの使用に適用されるその他の条件を考慮に入れるよう設定することができます。そして、定義したルールは展開メカニズム（ゴールデンAMIまたは起動テンプレート）に関連付けることができます。ルールが適用され起動されたEC2インスタンスは自動的に追跡されます。 また、1つまたは複数のAWSアカウントで使用状況を検出し、AWS管理コンソールからすべての使用状況を追跡することもできます。 それでは簡単に機能を見ていきましょう。ここでは、エンタープライズデータベース用のvCPUライセンスを100持っていると仮定します。 最初のステップは、1つ以上のライセンス設定を定義することです。 ライセンスマネージャコンソールを開き、[Create license configuration]をクリックして開始します: 構成の名前と説明を入力し、ライセンスがvCPUに基づいており(最大100に制限されています)、ライセンス数を限定強制したい事が示されます(Enforce license limit チェックボックスをオン)： また、新たなライセンスルールを作成することもできます。 ルールは、EC2の構成に対するライセンスの適用可否を制御します。 vCPUの最小数や最大数、EC2テナントタイプ (共有、専有インスタンス、Dedicated Host) を指定できます。 例えば 4～64のvCPUと共有テナントを指定するルールは次のようになります： ルールが正しく定義されていることを確認し、Submitをクリックして次に進みます。 これで、ライセンスルールは準備が整いました。この画面ではルールの一覧が表示されており、私が作成したものと、他の人が作成したものも見る事が出来ます： ライセンスルールを作成したら、ルールを選択して[Actions]メニューの[Associate AMI]をクリックしてAMIと関連付けることができます。 1つ以上のAMIを選択し[Associate]をクリックします： 全体的なライセンスの使用状況を一目で確認できます（これは、複数のアカウントとAWS Organizationsと連携して機能するセントラルダッシュボード画面です）： [Settings]をクリックして自分のAWS Organizationsアカウントにリンクし、クロスアカウントインベントリ検索を設定してライセンスの使用制限を逸脱したとき、SNSアラートを受信するように設定することも出来ます： その他 ここではAWS License Managerについてその他のいくつか知っておくべきことについて触れます： サポートされるライセンスタイプ – AWS License ManagerはvCPU、物理コア、物理ソケットをベースとしたライセンスをサポートします。特定のソフトウェアベンダーに紐づくものではありません。 クロスアカウントの使用管理 – AWS License Managerは、AWS Organizationsと組み合わせて使用する事が可能です。 マスターアカウントに署名した全てのアカウントでリンクし、組織全体でライセンス設定を共有することができます。 ダッシュボードを使用して、組織全体のライセンス使用状況を確認することができます。 […]