← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 05: FSI Meetup 2025 Q4 - Graviton 迁移成功案例

演讲者: Francois Vernet

场次: 05

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

利用 AWS 和 EC2 Graviton 推动系统转型

Numora 概览

● 成立已有 100 年,总部位于东京

● 五大业务部门:财富管理、投资管理、销售、全球市场和投资银行

● 口号:“连接东西方市场”

● 秉承纪律严明、锐意进取、提供创新解决方案和发挥思想领导力的传统

● 为企业风险职能提供支持

● 为全球业务运行市场风险和交易对手风险模型

● 计算和数据密集型运营非常适合使用云

● 对延迟基本没有顾虑

部署规模

● 每天使用 EC2 Spot 部署超过 65,000 个核心来执行定价批处理

● 每天生成约 2 TB 数据

● 数据最长保留 7 年

● 目前 S3 占用空间约为 2 TB,并利用 S3 Integring 以经济高效的方式存储历史数据

数据聚合与汇总

● Numora 选择在内存中进行聚合

● 使用超过 100 个超大型 EC2 实例,对信用风险和市场风险模型进行亚秒级聚合

议程

● 公有云对金融机构计算风险的影响

● Numora 风险系统的高层架构

● 定价和聚合使用场景的 Graviton 案例研究

● 迁移过程中的其他注意事项和经验


Numora 系统的高层架构

数据湖仓存储所有输入和输出

● 输入包括交易、历史市场数据和参考数据(账户、货币、国家/地区)

● 混合数据湖仓:主要在本地处理数据,并将数据导出到 S3 以供云端部署使用

定价引擎

● 由 C++ 定价计算器组成

● 加载输入数据、运行模型并输出交易级结果

聚合引擎

● 同时加载数据和参考数据,以便按账簿、国家/地区、货币或交易对手进行亚秒级切片分析

内部定制 BI 工具

● 基于事件的平台

● 提供预设视图,并允许用户创建自己的视图

● 创建虚拟表,以便在应用程序和电子表格中通过 SQL 访问并进行数据透视


定价使用场景与 Graviton 实施

● 大约 5 年前在 AWS 上正式启用定价功能,最初在北弗吉尼亚区域使用 Intel,一年后又增加了俄亥俄区域

● 大约 3 年前将所有定价引擎迁移到 Graviton

● 由于数值准确性至关重要,需要完整地重新编译 C++ 定价引擎并进行数值回归测试

● 在北弗吉尼亚和俄亥俄区域使用完全由 Spot 实例组成的 Auto Scaling 组运行定价引擎

● 利用多种实例类型和不同的 T 恤式规格

● 使用所有 Graviton 实例系列(Graviton 2、3 和 4)及其实例


定价层迁移到 Graviton 后的成果

● 在 4xlarge 实例上运行一个引擎,在 24xlarge 实例上运行四个引擎

● 成本降低 50%

● 性能没有下降,且观察到小幅提升

● 经验总结:谨慎选择部署区域、利用多区域并优化批处理尾部以降低成本

聚合使用场景与 Graviton 实施

● 聚合由大型 JVM 完成

● Java 供应商提供兼容 ARM 的 JVM 后,将聚合层切换到 Graviton

● 由于系统基于 Java,无需重新编译,但进行了全面回归测试

● 使用按需实例加载有状态数据并提供切片分析功能(切片分析通过将数据拆分为更小、更易管理的部分(切片),并重新排列这些元素来观察模式和趋势(切块)。其功能包括:将数据细分以便开展详细分析,以及支持对数据进行多维分析)

● 实施 Compute Savings Plans,覆盖 80% 的用量并降低成本

● 改用可提供额外优化的供应商

● 为聚合引擎实施定制 Spot 实例方案,可暂停或回收未使用的实例,进一步降低成本

● 目前使用 X2GD 实例(带磁盘存储的 Graviton),但也可以利用其他实例类型

● 计划近期迁移到 Graviton 4

聚合平台迁移到 Graviton 后的成果

● 据估算,在相同成本下,聚合平台的扩展能力提升到 3 倍

● 在保持成本不变的同时,支持部署 FRTB IMA 模型等新业务功能


Numora 云迁移历程中的关键经验与建议

尽早投资部署流水线并强制实施资源标记

● 使用集成了实例和操作系统控制引擎的集中式部署流水线

● 有助于保持成本效益并减少错误

在团队中培养创业意识和主人翁精神

● 通过 AWS 节省的成本可再投资于其他使用场景,或直接转化为利润

● 实施一流的可观测性和防护机制

重点关注韧性

● 首先在区域内进行多可用区部署

● 实施多区域部署以增强韧性

● 紧跟 AWS 创新,并在此基础上打造自己的创新

● AWS 为构建系统和解决问题提供了强大的环境