← Financial Cloud Cloud Cloud Club · AWS Re:cap

極點宏觀|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 05: 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享

講者: AWS re:Invent 2025

場次: 05

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
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技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

影片: https://www.youtube.com/watch?v=PecK_inxe5Y

● Barbara Lipskovoff 引言:同步時鐘可藉由減少通訊來改善分散式系統效能。

● 時鐘的用途

● 時鐘作為共同的測量尺度。

● 在分散式系統中的傳統用途:不受信任,用於供人員觀察。

● 應用:

● 日誌訊息、指標、監控、UI 儀表板。

● 金融服務、醫療保健、廣播媒體、線上遊戲等產業中的稽核。

● 在分散式系統中,可靠的時鐘有潛力簡化作業、減少鎖定,以及簡化領導者選舉。

什麼是時鐘?

建置電腦時鐘的基礎知識

● 需要會週期性振盪的元件,以及計算這些振盪次數的元件。

● 通常由單一硬體同時結合這兩項功能。

● 方程式表示法:

● 在時間 T,讀取時鐘 C 所得到的值,可以表示為經過的週期數除以頻率,再加上一個常數。

● 簡單範例:

● 以每秒振盪 1 個週期的硬體計算 1000 個週期,代表經過了 1000 秒。

● 結論:

● 這是在電腦上建置時鐘的基本元件。

時鐘的硬體選項

硬體範圍

● 從小型石英振盪器,到銫原子束、氫微波激射器及即將推出的光學時鐘等大型設備。

● 外型尺寸從幾毫米到機櫃大小的設備不等。

● 價位:

● 小型規格對雲端運算而言更具成本效益。

● 大型設備可能要價數十萬美元。

● 品質與準確度:

● 將時間維持在一微秒內的準確度各不相同:

● 小型規格:可準確維持數秒。

● 氫微波激射器與光學時鐘:可準確維持數年,甚至可能數百年。

時鐘漂移

所有振盪器都會漂移

● 即使最準確的原子鐘也會發生漂移。

● 在高度準確的時鐘中,微秒等級的漂移可能要數百年才能觀察到。

● 漂移原因:

● 製造流程、老化(物理學家關注的問題)。

● 對雲端供應商而言:電源供應的微小差異,或工作負載對 CPU 與伺服器造成影響所引發的溫度變化。

● 漂移的影響:

● 週期頻率會隨時間變化,進而導致時鐘漂移。

● 範例:一個執行 5 天的 EC2 執行個體,在未校正的情況下出現 75 毫秒的漂移。

● 處理時鐘漂移

● 追蹤與校正:

● 就像人類調整腕錶一樣,電腦也需要追蹤並校正漂移。

● 網路時間協定 (NTP):

● 數十年來一直用於同步時鐘。

● 作法是由用戶端時鐘傳送訊息至伺服器(參考時鐘),以調整時間。

時鐘同步的挑戰

需要持續調整

● 時鐘週期的頻率會持續變化。

● 需要反覆詢問正確時間,而非只詢問一次。

● 網路通訊問題:

● 透過網路交換的訊息會有不同的延遲。

● 訊息遭丟棄時,存在傳送失敗的風險。

網路也是問題的一部分

可行性與延遲

● 雜訊繁多的通訊延遲,使人難以判斷實際的時鐘漂移。

● 網路不對稱:

● 網路並非對稱,因此即使時鐘完美,觀察到的時間仍會有差異。

● 很難區分時鐘誤差與網路不對稱。

AWS 解決方案:Amazon Time Sync Service

● 為客戶解決透過非確定性網路進行時鐘同步的複雜問題。

● 實作:

● 於 2017 年推出。

● 使用 NTP (Network Time Protocol) 端點。

● 全球每個 EC2 執行個體皆可在本機使用。

● 投資:

● 投入大量工程與硬體資源,在全球支援這項服務。

Amazon Time Sync Service

基本設定

● 具備 Nitro system 與軟體時間常駐程式的 EC2 執行個體。

● NTP 封包從 AWS 分發系統經由 Nitro system 傳送,以校正伺服器時鐘。

● 準確度:

● NTP 服務準確度:低於 1 毫秒,通常為 500-700 微秒。

● 客戶效益:

● 簡單且無須介入的服務;客戶不需要瞭解底層技術。

奈秒準確度的挑戰與解決方案

客戶需求

● 客戶希望分散式系統能達到優於 1 毫秒的準確度。

● AWS 方法:

● 投資硬體以實現奈秒等級的準確度。

● 使用 GPS 專用纜線與備援原子硬體時鐘。

● 訊號 (GPS) 直接傳送至 EC2 執行個體,繞過 AWS 網路。

● 專用時鐘同步:

● 時鐘同步訊號完全專用,不經過資料平面或控制平面。

Nitro 型系統

● Nitro 時鐘:硬體參考時鐘。

● NTP 封包通訊:直接送至 Nitro 卡再返回,不涉及網路。

● PTP 硬體時鐘:

● 在 Nitro system 中加入 Precision Time Protocol (PTP) 硬體時鐘。

● 使用者讀取 PTP 硬體時鐘 (PHC),在本機校正系統時鐘。

● 準確度等級:

● NTP:軟體層級低於 100 微秒。

● PTP:軟體層級約 20 微秒。

● 廣泛實作:

● 在各種伺服器類型(Graviton、Intel、AMD、GPU)中加入參考 PTP 硬體時鐘。

● 以 Nitro system 硬體為基礎,支援全球基礎設施投資。

硬體封包時間戳記

主要應用與效益

用途

● 為網路封包加上時間戳記時,可達到奈秒等級的準確度。

● 效益:

● 改善分散式工作負載的網路效能可觀察性。

● 能以奈秒解析度排列伺服器所接收訊息的順序。

● 驅動程式中的內建功能,可透過傳統 socket API 或 DPDK 工具組存取。

運作方式

功能發布前

● 應用程式層時間戳記:

● 訊息抵達、通過 Nitro system,然後到達執行個體。

● 應用程式從系統時鐘讀取時間,並將時間戳記附加至訊息。

● 使用 socket API,以 4 行 C 程式碼完成。

● 功能發布後(硬體封包時間戳記):

● Nitro system 與 Nitro 時鐘:

● 訊息抵達後,在到達執行個體之前,由 Nitro system 與 Nitro 時鐘為封包加上時間戳記。

● 已加上時間戳記的訊息會傳遞至應用程式層。

實作與存取

存取方式

● 傳統 socket API。

● DPDK (Data Plane Development Kit) 工具組,用於繞過核心基礎設施直接存取封包。

● 解析度:

● 為所接收網路封包的時間戳記提供奈秒解析度。

比較範例

之前

● 簡單的流程,在收到訊息後從系統時鐘讀取時間。

● 之後:

● 強化的流程,在訊息抵達應用程式之前由硬體完成封包時間戳記,提供更準確的時間戳記。

硬體封包時間戳記的增強效益

提高準確度

● 提供更準確的網路效能視圖。

● 範例:測量兩個執行個體之間的往返時間。

● 使用者空間應用程式測量值:~400 微秒。

● 硬體封包時間戳記測量值:~100-150 微秒。

● 可觀察到的差異:

● ~250 微秒的差異,歸因於作業系統與網路堆疊所花費的時間。

● 約占往返時間的 2/3,突顯更精確的可觀察性。

● 更清晰的網路效能:

● 能夠識別並拆解應用程式與網路之間的延遲。

NASDAQ 使用案例簡介

目標

● 展示 NASDAQ 使用 AWS 精準時間技術,在公有雲環境中營運市場的進展。

NASDAQ 背景

金融市場創新者

● 全球第一家電子交易所,創立於 1971 年。

● 在全球營運超過 30 個市場,包括股票、債券、選擇權及衍生性金融商品。

● 以匯集包括 Amazon 在內、市值領先的頂尖科技公司而聞名。

● 技術供應商:

● 服務超過 130 家市場營運商及 2300 家金融機構。

● 支援在全球 NASDAQ 交易所掛牌的 44,400 多家上市公司。

● 為 6000 家企業提供技術,支援資本市場生命週期。

NASDAQ 的雲端旅程

始於 10 多年前

● 從使用 AWS Redshift 的資料儲存庫與資料倉儲開始(2012-2013 年)。

● 目前儲存約 60 PB 的資料,支援後台功能。

● 演進至即時處理:

● 使用串流即時市場資訊進行市場監控。

● 可透過公有雲分發市場資料。

● 在 AWS Outpost 上推出選擇權交易所:

● 2022 年,在 AWS Outpost 上推出 NASDAQ MRX。

● 目前在 Outpost 上執行 6 個以上的市場系統。

● 公有雲中的關鍵系統:

● 託管為市場參與者提供即時洞察的系統。

● 利用雲端的可擴展性、效能與適當規模調整能力,處理大量訊息與受管的尖峰容量。

移轉至雲端的特定挑戰

地理限制

● 股票與股票選擇權交易主要在紐澤西州北部進行。

● 延遲相依性要求將電腦部署於特定地點。

● 超低延遲交易:

● 交易的下單至執行時間約以 ~20 微秒計。

● 大量訊息:

● 每天處理的訊息量超過 100 個十億,也就是千億則。

● 特定交易所系統每秒可處理多達 2-3 百萬則訊息。

● 高韌性與運作時間期望:

● 對高效率且運作良好的資本市場至關重要。

● 是眾多上市公司的主要掛牌場所。

NASDAQ 交易所系統架構

撮合引擎

● 處理訂單登錄、交易,以及買賣雙方撮合的主要邏輯。

● 訂單連接埠:

● 供客戶向交易所傳送訂單流的介面。

● 執行驗證、交易前風險及其他功能。

● 公開市場資料饋送:

● 向市場發布撮合引擎活動的視圖(例如 NASDAQ I)。

● 用戶端:

● 透過傳入交易向訂單連接埠與撮合引擎提供訂單流。

傳統地端模型

目標

● 為參與者提供具確定性且在統計上公平的市場。

● 依賴實體特性:

● 資料中心內光纖的長度。

● 系統元件與客戶之間的交換器躍點數。

● 網路延遲來源:

● D1 與 D2:

● 實體配置所造成的主要網路延遲來源。

● D3:

● 同時涵蓋網路與處理元件。

● 約占往返延遲的一半,大約 10 微秒。

● 依序處理:

● 撮合引擎依序處理,可確保訂單按照客戶提交、傳回給客戶及公開市場資料饋送的順序,以一致且可重複的方式處理。

公有雲中的挑戰

● 無法預測的網路狀況。

● 沒有固定的纜線長度或已知的交換器躍點。

● 其他網路流量或無法預測的節點配置可能造成延遲。

解決方案:硬體時間戳記與重新排序緩衝區

關鍵時段

● 著重於 D1、D2 與 D3,以瞭解交易通過網路所需的時間。

● 硬體時間戳記:

● 使用奈秒精度,記錄每筆交易在各網路點的時間。

● 透過 Nitro 與 Amazon Time Sync Service 提供。

● 重新排序緩衝區:

● 位於撮合引擎前方。

● 著重於排列傳入交易的順序(類似技術也適用於傳出流量)。

● 時間型界限:

● 使用硬體時間戳記定義(例如來自用戶端訂單的 T1、T2、T3)。

● 確保按照交易產生的順序進行處理。

● 專利技術:

● 是 NASDAQ 推進公有雲低延遲系統策略的基礎。

原型與實驗

使用的 AWS 執行個體

● M7I.2XL 執行個體。

● 鄰近置放群組:

● 確保運算節點彼此鄰近,位於數個機架內或同一機架。

● 用於重新排序的硬體時間戳記:

● 用於根據時間戳記重新排序封包。

● 使用時間界限進行測試:

● 5 微秒界限重新排序了 ~25% 的封包。

● 50 微秒界限重新排序了多達 84% 或更高比例的封包。

● 反覆改良與演進:

● 持續改善鄰近置放功能與 Amazon Time Sync Service,以提供更細緻的精度。

策略願景

可擴展的交易系統

● 目標是開發可擴展的高效能系統,無論部署於公有雲或地端皆然。

● 公有雲創新:

● 擁抱雲端創新,包括 AI 與資料移轉至公有雲。

● 強化安全性與可靠性:

● 對可用性、安全性與可靠性抱持高度期望。

● 若在建置時負責任地考量韌性,公有雲便能提供顯著優勢。

● 運用市場專業知識:

● 身為在全球營運 30 家交易所並為 130 個市場供應技術的領導者,NASDAQ 以策略角度思考如何運用技術。

在軟體中運用良好的時鐘

● 強調使用同步時鐘減少分散式系統中的通訊。

● AWS Time Sync Service:

● 提供奈秒範圍、在軟體中具有微秒準確度的時鐘。

● 硬體封包時間戳記:

● 讓應用程式能受益於更準確的計時,提升效能與可觀察性。

分散式系統的挑戰

多個時鐘

● 分散式系統有多部伺服器,各自擁有自己的時鐘。

● 時鐘並未完美同步,導致事件排序更為複雜。

● 傳統解決方案:

● 使用分散式鎖定、領導者選舉與共識演算法進行排序。

● 隨著系統成長,這些演算法會限制效能並增加複雜度。

時鐘不確定性與誤差範圍

人類觀點

● 人類認為時間是精確的(例如下午 2 點),但時鐘存在不確定性。

● 精準時鐘:

● AWS 精準時鐘在軟體層存在不確定性(例如 ±20 微秒)。

● 應用程式中的誤差範圍:

● 應用程式必須將此誤差範圍納入考量。

● 範例:銀行帳戶交易需要正確排序,以避免透支。

估算時鐘不確定性

複雜問題

● 客戶需要瞭解其時鐘的不確定性區間。

● 範例:

● 檢查 EC2 執行個體上的時間同步常駐程式以估算誤差。

● 時間同步來源:

● 網際網路 NTP 伺服器(例如 time.aws.com):~395 微秒的不確定性。

● 透過 Nitro system 的本機 NTP 伺服器:~90 微秒的不確定性。

● PTP 硬體時鐘(透過 Nitro system 強化的 Amazon Time Sync Service):更準確。

AWS 簡化作法

● AWS 的目標是簡化客戶對時鐘不確定性的理解與管理。

● 提供詳細說明來協助客戶,而不需要深厚的技術知識。

AWS Clockbound 軟體

用途

● 簡化客戶對時鐘不確定性的理解與管理。

● 可用性:

● 開放原始碼,自 2021 年起可在 GitHub 取得。

● 主要功能:

● 在一次作業中提供三項資訊:

● 目前時間:例如星期一下午 2:00。

● 不確定性範圍:例如 ±20 微秒。

● 時鐘狀態:已初始化、自由運行或已同步。

● 支援與擴展能力:

● 支援 PTP 硬體與 NTP 來源。

● 可擴展至要求嚴苛的工作負載,每秒能執行數百萬次查詢。

● 語言與相容性:

● 使用 Rust 撰寫,以獲得效能與記憶體安全性。

● 可在 RSS 中作為雲端及供 C 應用程式使用。

時鐘誤差界限

● 因振盪器漂移與通訊延遲所造成最壞情況時鐘誤差的最緊密界限。

● Clockbound 的角色:

● 儘管誤差會累積,仍能提供準確答案,在奈秒與微秒等級的準確度情境中尤其出色。

● YugabyteDB 使用 Clockbound

● 使用 AWS 開放原始碼 Clockbound 軟體的開放原始碼資料庫。

● 混合邏輯時鐘系統:

● 結合傳統邏輯排序與精準時鐘。

● 觀察到的效益:

● 降低延遲:客戶的延遲減少 3 倍。

● 提高輸送量:交易輸送量加倍。

● 減少重試:由於交易之間(例如讀取與寫入)的衝突減少,重試次數減少 1000 倍。

● 改善客戶體驗:

● 強化資料庫中的一致性、隔離性與整體使用者體驗。

AWS 對精準時鐘的運用

使用精準時鐘的服務

● Aurora DSQL:多區域、全球規模的資料庫。

● Dynamo DB Global Tables:多區域、全球規模的資料庫。

● 使用原因:

● 跨區域網路延遲(例如 US West 2 與 US East 1 之間為 70 毫秒)。

● 精準時鐘的優勢:

● 微秒至奈秒範圍的時鐘,能以比透過網路傳送封包更快的速度排列交易順序。

AWS 在 Aurora DSQL 中運用精準時鐘

多區域資料庫一致性

● 對維持多區域資料庫的一致性與隔離性至關重要。

● Clockbound 的不確定性範圍:

● 用於管理不同區域間的事件。

● 範例:相較於事件 2 或 3,可保證事件 1 已發生於過去。

● 事件 2 與 3 有重疊,需要謹慎處理以避免重試。

● 可能的解決方案:

● 延後事件(例如事件 3)的開始時間,以防止重試。

● 資料庫設計考量:

● 取決於系統設計、事件類型與客戶需求。

新版 EST 常駐程式

用途

● 簡化客戶使用進階計時功能的方式。

● 改善:

● 以現有 Clockbound 軟體的相同軟體堆疊建置。

● 大幅改善準確度與可靠性。

● 客戶信任:

● AWS 的目標是持續維持並改善客戶信任與體驗。

● 獨立時間用戶端:

● Clockbound 現在包含獨立的時間用戶端與常駐程式。

● 同步與資訊提供:

● 同步作業系統時鐘。

● 向應用程式提供目前時間、不確定性範圍大小與時鐘狀態。

● 法規與可觀察性原因:

● 對法規遵循與系統可觀察性很重要。

● 內建指標與可觀察性:

● 可觀察性是首要考量,具備內建指標。

● 高效能與記憶體安全性:

● 以相同的 Rust 軟體堆疊建置,提供記憶體安全性與高效能。

● 透過共用記憶體區段進行程序間通訊,實現高效能。

雲端優先設計的典範轉移

● 將系統重新設計為雲端優先。

● 從傳統回饋迴路系統轉向前饋資訊系統,更適合雲端應用程式。

● 測試用模擬器

● 新軟體堆疊隨附模擬器。

● 讓使用者測試軟體、回報問題並提出改善建議。

● 雲端原生同步

● 可用性是所有虛擬化層的首要任務。

● 為 Linux 核心貢獻名為 VM clock(虛擬機器時鐘)的新功能。

● 與新版 Clockbound 結合:

● 能夠將時間直接從 Nitro 時鐘傳入執行個體。

● 在維護事件期間改善效能,確保工作負載順暢運作。

● 新系統的效能

● 系統可在數小時內持續追蹤並校正漂移,使其維持在 ±1 微秒內。

● 不確定性範圍:

● 透過查詢 Clockbound 常駐程式繪製的不確定性範圍大小。

● 鋸齒狀行為:隨著時鐘更新而擴大及縮小。

● 達成的不確定性範圍:應用程式內介於 20 至 26 微秒。

紐澤西州北部的股票與選擇權意義重大,因為當地是支撐華爾街交易的主要金融資料樞紐(例如位於 Secaucus 的 Equinix),鄰近優勢吸引金融專業人士,加上由 NJR 等提供穩定股息的公司所構成的強健地方經濟,這一切 都由完善的基礎設施與通往 NYC 的通勤網路所支援,形成多元的投資

環境,涵蓋高科技資料中心到歷史悠久的公司。

為何紐澤西州北部是股票與選擇權樞紐

● 資料中心重鎮:紐澤西州 Secaucus 設有關鍵資料中心(例如 Equinix NY4),對高頻交易至關重要;這些設施將交易活動從 Manhattan 轉移,使 NJ 成為金融科技的核心地點。

● 鄰近 NYC:便捷的交通(火車、渡輪)連接 NJ 與 NYC,吸引金融專業人士,也使當地成為 Manhattan 金融區從業人員的首選居住地,帶動 Bergen 與 Hudson Counties 等地的地方經濟。

● 強健的本地公司:New Jersey 擁有歷史悠久的公司,例如 New Jersey Resources (NJR),其持續穩定的股息與價值指標,對著重股息的股票投資人深具吸引力。

● 投資生態系統:該地區受益於房地產強勁增值(股權的一種形式)、穩定需求,以及由 NJEDA (New Jersey Economic Development Authority) 支援且持續成長的「創新生態系統」,同時促進傳統及科技驅動的投資。

● 稅務與監管環境:New Jersey 設有特定法規,例如非居民股票選擇權收入相關規定,顯示其具備會影響投資人的成熟金融監管架構。

● 這對投資人的意義

● 資料與科技焦點:金融科技相關領域及支援金融業的資料基礎設施中存在機會。

● 價值與收益:除了不動產投資(房地產權益)外,也可留意總部位於該州或鄰近地區、穩定配息的公司。

● 通勤吸引力:通往 NYC 的交通便利地區(例如 Weehawken、Bergen County)需求旺盛,是穩健的房地產權益投資標的。


Equinix 位於紐澤西州 Secaucus 的園區(NY2、NY4、NY5、NY6)是華爾

街至關重要的低延遲樞紐,提供通往主要金融交易所與交易生態系統的直接連線,

進駐許多金融公司,並為

高頻交易 (HFT) 與 Dow Jones 新聞饋送等重要資料服務提供高度安全、可靠的主機代管,確保

速度及鄰近市場的優勢。這些設施如同數位骨幹,讓公司能夠

將伺服器設置在交易所附近,以加快交易速度。

為何這對華爾街很重要

● 低延遲:實體位置鄰近交易所,可將資料傳輸時間降至最低,這對 HFT 至關重要。

● 市場存取:直接連線至交易場所、資料供應商(例如 Dow Jones)及其他金融參與者。

● 可靠性:採用穩健的電力、冷卻與安全設計,確保金融作業不中斷。

Amazon Aurora HA 與 DR 的全球韌性設計模式

(DAT442)

韌性定義

● 工作負載從中斷復原的能力

● 涉及動態取得資源及減輕中斷

● 高可用性 (HA):

● 工作負載可供使用的時間比例

● 以歷史資料衡量(例如 5 個 9 的可用性)

● 災難復原 (DR):

● 在事件發生後復原工作負載的技術

● 復原時間目標 (RTO):恢復服務的最長時間

● 復原點目標 (RPO):可接受的最大資料遺失量

● Aurora 焦點:

● Aurora PostgreSQL (APG) 與 Aurora MySQL (AMS)

● 具備類似的功能與韌性能力

高可用性 (HA)

● 目標:讓系統持續運作、將中斷降至最低,並避免單一故障點。

● 作法:備援、自動容錯移轉、負載平衡,通常在相同資料中心或區域內進行。

● 範例:具有多個執行個體的 Web 伺服器;某個節點故障時可自動切換的資料庫叢集。

● 焦點:針對較小且頻繁問題(例如硬體故障、維護)的容錯能力。

● 災難復原 (DR)

● 目標:在重大災難(天然災害、大規模資料損毀)後恢復業務營運。

● 作法:備份、複寫、異地資料中心、明確定義的復原程序 (RTO/RPO)。

● 範例:從雲端備份還原資料;區域中斷後容錯移轉至次要區域。

● 焦點:抵禦大規模災難事件的韌性。

● 主要差異與關係

● 範圍:HA 處理小型故障;DR 處理大型故障。

● 方法:HA 是主動式;DR 是反應式。

● 整合:兩者相輔相成;健全的 HA 可降低使用 DR 的需求,而當 HA 不足時,DR 則提供最終安全網。

如果我的資料庫節點故障會怎樣?

自行管理的資料庫

● 將資料庫引擎與儲存空間結合於單一節點

● 備份期間可能發生效能問題

● RPO 可能高達 24 小時

● 節點故障時,RTO 可能長達數小時

● Aurora 耐久性:

● 從單一可用區中的一個資料庫叢集開始

● 使用 Aurora 儲存空間進行資料複寫

● 多租戶儲存機群的節點分散於 3 個 AZ

● 每次寫入都會跨 3 個 AZ 複寫 6 次

● 使用者只需為一份副本付費

● 不使用非同步複寫,RPO 為 0

● Aurora 僅寫入日誌記錄而非頁面,以提升耐久性與效能

● Aurora 中的備份與還原:

● 儲存引擎會持續將資料備份至 S3,而不影響效能。

● 可從最早可還原時間(最多 35 天前)到最新時間(繁忙資料庫約 5 分鐘前)執行時間點還原 (PITR)。

● 還原程序包括從 S3 提取資料、套用內部日誌記錄,以及啟動引擎以進行交易復原。

● 資料庫執行個體可用性:

● 基本組態包含一個執行個體;故障時需要 10-15 分鐘進行替換。

● 新增待命執行個體可提高可用性;Aurora 會使其與主要執行個體保持同步。

● 在數秒內容錯移轉至待命執行個體,並維持相同大小與負載容量。

● 結果是 RPO 為 0,RTO 通常約為 30 秒,形成多 AZ 可用性模式。

效能韌性

● 效能可能隨應用程式需求波動,導致資源可能遭到浪費。

● 開放原始碼解決方案提供向上擴展(硬體升級)或向外擴展(將資料庫分割成多個部分),但兩者都難以處理一致性與吵雜鄰居問題。