互联网、移动互联网应用开发的兴起,产生了大量的NoSQL数据,这也驱动了云原生关系型数据库的出现;越来越多的用户希望把应用架构在开源数据库引擎上,无论是MySQL还是PostgreSQL;拥抱现代化应用的企业希望让开发更专注于应用和数据,向着全托管式数据库迁移;软件架构的迭代和转型驱动着数据库选型的变化以及数据库技术和架构的迭代。
亚马逊云科技大中华区产品部总经理顾凡从这四个趋势讲述了应用端正驱动着整个数据库技术和生态发生着变化。
亚马逊云科技大中华区产品部总经理顾凡
而亚马逊云科技在做云上数据库产品方面有五大理念可以很好的应对这些变化:第一是专库专用,极致性能;第二是无服务器,敏捷创新;第三是全球架构,一键部署;第四是平滑迁移,加速上云;第五是AI赋能,深度集成。
专库专用,极致性能
在数据爆炸式增长,微服务架构与DevOps愈发流行的今天,一个数据库打天下的时代早就过去。亚马逊云科技目前提供十多种专门构建的数据库服务,支持关系、键值、文档、内存、图、时间序列、宽列和分类账八大数据类型。
目前,亚马逊云科技专门构建数据库的产品家族主要包括:托管的关系型数据库Amazon RDS,开启托管数据库服务的新模式;开源的数据库Amazon Aurora;非关系型数据库Amazon DynamoDB以及图数据库Amazon Neptune等。
无服务器,敏捷创新
绝大多数企业在做数据库规划时,都是按照峰值留有余地的方式计算资源,这势必会带来成本的浪费,而无服务器最大的优势就是可以让数据库的管理和运维解放。
Amazon DynamoDB一直使用无服务器的模式对外提供服务;Amazon Aurora Serverless V2可以在几分之一秒内将数据库工作负载从数百个事务扩展到数十万个事务,与按照峰值负载配置容量的成本相比,最多可节省 90% 的数据库成本。
全球架构,一键部署
企业的客户往往分布在全球各地,在灾难恢复时也对现代化、全球化的分布式应用架构提出了新的挑战,需要保证全球业务的连续性,为全球客户提供一致的用户体验。
亚马逊云科技提供了具备全球数据库能力的数据库服务,包括Amazon Aurora Global Database、Amazon DynamoDB Global Tables、Amazon ElastiCache for Redis Global Datastore、Amazon DocumentDB Global Clusters。以一键部署的方式,帮助客户实现几千公里跨区域数据库灾备,故障恢复大概能在一分钟之内完成,同时跨区域的数据复制延迟通常小于一秒。
平滑迁移,加速上云
目前,全球已经有超过45万的数据库通过亚马逊云科技的数据库迁移服务实现了迁移到亚马逊云科技云平台。
服务包括Amazon Schema Conversion Tool可转换数据库架构,Amazon Database Migration Service可迁移数据,新发布的Babelfish for Amazon Aurora PostgreSQL则可帮助客户迁移SQL Server应用程序。Babelfish for PostgreSQL源代码现已在Github开源。客户还可以通过亚马逊云科技Database Freedom项目,了解如何从传统商业数据迁移至云数据库。
AI赋能,深度集成
构建现代化应用尤其是用数据驱动去做创新时,已经无数次的证明,使用机器学习的方式要比传统方式更好。
亚马逊云科技数据库服务与其AI/ML深度集成,推出Amazon Aurora ML、Amazon Neptune ML等特性,数据库开发者无需具备机器学习专业知识,只需使用熟悉的数据库语言,即可进行机器学习操作。
亚马逊云科技大中华区产品部数据类产品高级经理王晓野指出,亚马逊云科技在数据库领域已经连续六年被Gartner评为领导者象限,同时,在全球范围内,已有数十万客户共同选择亚马逊云科技数据库服务。
伊克罗德一直在基于亚马逊云科技数据库服务来赋能企业应用新格局。伊克罗德信息科技总经理桂梓捷表示,伊克罗德可以为客户提供咨询、部署、托管和专业性的服务,加上亚马逊云科技数据库所提供的全托管特性,可以大幅改善客户在运维上的时间,创造市场竞争力。
未来,伊克罗德也将会与亚马逊云科技携手做更深度的合作,持续帮助企业在上云这件事上提供完整的一站式技术支持服务。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。