← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

AWS Re:cap 08: 深入探討 Amazon Aurora 及其創新 (DAT441)

講者: AWS re:Invent 2025

場次: 08

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=sfZUQ6sFpxE&pp=2AYB

Aurora 概觀

● Amazon Aurora 是雲端原生關聯式資料庫

● 結合高階商用資料庫的速度與可用性,以及開放原始碼的簡單易用與成本效益

● 完全受管,與 MySQL 及 PostgreSQL 相容

● 包含用於整合無伺服器及機器學習應用程式的工具

● 使用 Aurora 不需要變更應用程式

● 支援 PostgreSQL 的擴充功能

● 最近新增:Aurora DSQL (Distributed SQL)

● Aurora 架構:

● 使用 3 個可用區域

● Aurora 儲存體橫跨所有 3 個可用區域

● 儲存節點處理會轉換成資料庫頁面的日誌記錄

Aurora 儲存體的主要功能

● 不會有檢查點、完整頁面寫入、雙重寫入緩衝區或日誌封存等傳統資料庫問題

● 資料以 6 份副本的形式,跨 3 個可用區域中的 6 個儲存節點進行備援儲存

● 自動以點對點方式修復損壞或遺漏的日誌記錄,或故障的儲存節點

● 複本管理:

● 最多可新增 15 個唯讀複本,而不會產生一致性延遲

● 前端節點之間採用非同步失效及更新

● 複本可採用不同的大小和執行個體類型(例如 Graviton、Intel)

● 儲存體可自動擴充至 256 TB

● 自動容錯移轉:

● 發生故障時,將複本提升為讀寫節點

● 透過 DNS 型端點變更來重新路由應用程式

● 提供進階快速驅動程式,可實現更快(最多快 66%)的容錯移轉

● 多區域功能:

● 跨區域進行儲存體非同步複寫(Global Database)

● 複寫由 Aurora 處理,不需要變更應用程式

● 透過在次要區域執行應用程式,可進行低延遲的區域本機讀取

● 全球資料庫設定最多可使用 10 個區域

● 技術附註:

● 前端節點不參與複寫程序

● 次要區域中的唯讀複本可讓資料近乎即時可見,一般 RPO 延遲少於一秒

全域端點與容錯移轉

● 全域端點是一個指向目前寫入器區域的 DNS 名稱

● 主要區域發生問題時,會發出容錯移轉操作

● 容錯移轉會將另一個區域中的複本提升為寫入器節點

● 由於採用非同步複寫,可能會遺失資料

● 全域端點的 DNS 名稱會透過 Route 53 data plan API 更新 全球資料庫切換:

● 當兩個區域皆運作正常,且基於作業原因移動寫入器時,就會進行切換

● 最近的改善將切換時間從 5 分鐘縮短至 30 秒

● 運用日誌型架構,實現零資料遺失(RPO 為 0)及 30 秒的復原時間(RTO 為 30 秒)

● 本機寫入轉送:

● 允許將來自次要可用區域的寫入轉送至寫入器節點

● 不會將系統轉換成主動-主動組態

● 來自可用區域 2 的寫入會轉送至可用區域 1 的寫入器節點、執行,然後回傳結果

● 在不影響資料完整性或系統設計的情況下,提高作業彈性 Aurora 的一致性模式:

● 提供三種不同的一致性模式(亦稱可見性模式)

● 預設模式為工作階段可見性,會等待更新獲得確認後再繼續讀取

● 最終一致性模式不會等待更新,可能導致讀取結果未反映最新寫入

● 全域一致性模式會等待整個叢集的所有更新完成後再繼續,確保讀取結果反映所有寫入

● 本機寫入轉送:

● 允許將來自次要可用區域的寫入轉送至寫入器節點

● 維持與本機操作相同的一致性模式及考量

● 跨區域延遲差異是全域寫入轉送的一項因素 Aurora 儲存節點操作:

● 每個儲存節點都會執行一個「儲存惡魔」,以協助引擎與儲存體之間進行通訊

● 日誌記錄會寫入傳入佇列、排放至磁碟上的作用中日誌,然後獲得確認

● 遺漏的日誌記錄(例如因傳輸延遲造成)可透過點對點方式從其他儲存節點擷取

● 日誌記錄會合併至資料庫頁面,確保提供讀取要求時,延遲受到的影響降至最低

● 持續備份至 S3,可還原至過去 35 天內的任一時間點

IO 最佳化組態

● 調整組態選項,以提升 IO 密集型應用程式的輸送量。

● 修改儲存驅動程式,以進行更積極的批次處理,對 IO 密集型應用程式很有幫助。

● 使用現代引擎版本,以進一步最佳化。

● 將傳入佇列變更為耐久性佇列,以減少延遲與抖動,從而改善效能。

● Aurora PostgreSQL 相容性與更新:

● Aurora PostgreSQL 與 PostgreSQL 完全相容。

● 定期整合上游的 PostgreSQL 更新。

● 支援最高 PostgreSQL 17.6 版。

● 與具有本機磁碟的 RAG 執行個體類型相容。

● 包含相關子查詢快取、適應性聯結等多項來自上游的效能改善。

● 推出共用計畫快取,以提高記憶體效率。

● 強化大型執行個體及複本的讀取可用性。

● 實作 FIPS 140-3 安全加密。

● 更新各種擴充功能,特別是 PG vector。

● 支援最高 256 TB 的磁碟區。

● Aurora PostgreSQL 效能分析:

● 評估不同執行個體世代的輸送量。

● 測試範例:

● R52.4Xlarge(較舊的執行個體)與 R7i.48Xlarge(較新、較大的執行個體)的 CPU 密集型效能比較顯示,效能提升 2.1 倍。

● 推出的 R8G(下一代 Graviton 版本)比基準提升 2.7 倍,顯示其擴展幅度優於線性。

● 優於線性的擴展,是指當資源(例如資料大小或節點)增加時,系統或程序的效能或效率以不成比例的良好幅度提升,這通常見於對數成長或特殊架構;相較之下,線性成長是輸入加倍時輸出也加倍,而次線性擴展則會出現報酬遞減及 Amdahl 定律限制,其應用包括資料視覺化、資料庫效能及運算效率。

Aurora PostgreSQL 動態資料遮罩

● 用於保護 Aurora 中敏感資料的新功能。

● 敏感資料包括帳號、帳戶持有人姓名及個人身分識別資訊 (PII)。

● Aurora PostgreSQL 中的動態資料遮罩:

● 旨在透過提供經過捨入或遮罩的資料版本,保護敏感資料。

● 透過 Aurora 中新的 PG column mask 擴充功能實作。

● 可針對特定資料表及欄定義遮罩政策。

● 範例:

● 將客戶 ID 遮罩成 X's,並將帳戶餘額捨入。

● 政策會套用至指定角色(例如 'analyst'),並以定義的權重解決衝突。

● 在查詢重寫層中實作,可有效率地執行且不影響索引。

● 動態資料遮罩實作詳細資訊:

● 遮罩函數會在查詢重寫階段套用,而不是在擷取後才套用。

● 確保良好效能並維持索引功能。

● 可在查詢描述輸出中看到遮罩函數套用至目標欄。

● Aurora MySQL 更新:

● 最近發行的 3.11 版與 MySQL 8.0.43 相容。

● 推出功能經過強化的 3.10.0 長期支援版本。

● 記憶體內部轉送日誌快取可讓日誌複寫輸送量提升最多 40%。

● MySQL 的進階快速驅動程式支援 ODBC。ODBC (Open Database Connectivity) 是一種 API,可讓應用程式使用標準語言 SQL,存取各種資料庫管理系統中的資料。它扮演橋接器的角色,讓單一應用程式能連線至 SQL Server、MySQL 或 Oracle 等不同資料庫,而不需要針對每一種資料庫重寫。

● 提高磁碟區支援上限至 256 TB。

● 全球資料庫次要讀取器可在發生全域問題時提高讀取可用性。

Aurora Serverless

● 建議的執行個體類型,可簡化機群管理。

● 根據工作負載需求自動調整 CPU 和記憶體。

● 在 V1 終止生命週期後,從 Aurora Serverless V2 重新命名為 Aurora Serverless。

● 提供彈性執行個體類型,以靈活配置資源。

● Aurora Serverless 功能及優點:

● 無須重新啟動引擎,即可自動擴展記憶體、CPU 及網路。

● 每秒進行擴展,並以 Aurora Capacity Units (ACU) 為衡量單位,每個單位代表 2 GB RAM 及相關資源。

● 回應 Lambda 函數或分析工作而進行擴展,根據需求調整 ACU。

● 採每秒計價,使用者只需為實際使用的資源付費。

● Aurora Serverless 的擴展機制:

● 使用會定期補充額度的擴展貯體運作,讓系統可擴展至設定的 ACU 上限。

● 需要擴展時會消耗額度,而貯體會隨時間重新補充。

● 最近的強化功能包括更快的觸發回應(低於 1 秒)、更大的初始貯體容量及更快的補充速率。

● 平台第 3 版的效能改善:

● 無須進行任何選取或額外設定,即可提供最高 30% 的效能改善。

● 適用於所有新叢集,可透過從備份還原、複製或建立新叢集來使用。

● 效能範例:

● 比較開啟與未開啟快速擴展之平台第 2 版的測試顯示,使用快速擴展時,尖峰效能維持時間延長 3.6 倍,且使用的 ACU 小時數減少 9%。

● 平台第 3 版(搭配快速擴展)的測試顯示,相較於平台第 2 版,執行時間和使用的 ACU 小時數減少 20%,使帳單費用降低 20%。

● 更快速的擴展及平台第 3 版都會自動套用至新叢集,使用者不需額外操作,便能獲得更好的效能及成本效益。

使用快速組態建立

● 在數秒內快速建立資料庫叢集。

● 目標使用者是經常建立叢集的人員,例如使用 CI/CD 管線或代理式 AI 應用程式的人員。

● 可為每次互動建立新資料庫,提高敏捷度及速度。

● 使用快速組態建立的功能:

● 提供靈活且可編輯的組態,起始為 16 ACU (Aurora Capacity Units)。

● 可在建立後修改大部分設定,包括變更 ACU 及其他組態。

● 預設即安全,已啟用加密和 IAM (Identity and Access Management)。

● 支援幾乎所有 Aurora 功能,包括全球資料庫及零 ETL。

● 不需要 VPC:

● 推出 Aurora Internet Access Gateway,這項新元件讓使用者無須 VPC (Virtual Private Cloud) 即可存取資料庫叢集。

● Internet Access Gateway 是與 PostgreSQL wire protocol 相容的高可用性端點,可將延遲降至最低。

● 可從任何位置存取 DB 叢集,減少使用 VPN 的需求,並簡化開發人員的程序。

● 與 Amazon IAM 和 AWS Shield 整合,提供詐騙防護及資料保護等強化安全功能。

● AWS Shield 是一項受管服務,可保護在 Amazon Web Services (AWS) 上執行的應用程式,防範分散式阻斷服務 (DDoS) 攻擊。它提供兩個層級:免費的 AWS Shield Standard 會自動緩解常見的網路層攻擊;付費的 AWS Shield Advanced 則提供更複雜攻擊的防護、進階功能及專家支援。

Aurora 與代理式 AI 的整合

● Aurora 可作為代理式 AI 系統的記憶體,這對代理式 AI 迴圈的運作至關重要。

● 使用「Letter」框架的範例:使用快速組態建立 DB 叢集、啟用用於向量嵌入的 PG vector 擴充功能,並將 Letter 框架指向 PostgreSQL 端點。

● Aurora PostgreSQL 可在 LangChain 等各種框架中用於遺傳式 AI 記憶體。

● 由 AWS 開放原始碼的 MCP (Model Context Protocol) 伺服器,可使用自然語言查詢來理解 Aurora 資料庫的結構描述,並將查詢轉換成 SQL 查詢。這對探索資料庫的新使用者及追求效率的進階使用者都有幫助。

● Aurora 中的修補與升級:

● Aurora 提供叢集修補及升級的受管體驗,主控台中可看見待處理的維護動作。

● OS 修補程式會以滾動方式套用至叢集中的多個節點,以提高可用性。

● 使用者可以設定更新的維護時段,並接收維護動作的通知。

● 維護動作可選擇是否自動化,讓使用者能透過 Terraform 等自己的系統控制升級。

● 對於叢集機群,依序升級開發、QA 及生產環境至關重要。

● Aurora 叢集循序升級:

● 必須依序升級不同環境(開發、QA、生產),才能保留測試及反應時間。

● 隨機發布維護公告可能會在開發環境之前升級 QA 環境,違反期望的順序,因而形成挑戰。

AWS Organization 的升級推出政策

● 為解決順序問題而推出,可將升級分成不同波次(第 1 波、第 2 波、最後一波)。

● 此程序包括通知使用者、等待第一波的維護時段、升級這些執行個體、烘焙(測試期間),接著再進行下一波。

● 提供使用者充分的時間,以便在發生問題時做出反應或選擇退出。

● 無論更新在星期幾發布,升級都會依序進行。

● 升級推出政策的實作:

● 需要啟用 AWS Organizations,並將帳戶置於組織內。

● 一般設定包括啟用自動次要版本升級及設定維護時段。

● 政策透過將標籤與資源建立關聯來設定;例如,為資源標記 "env=prod",將其安排在最後一波。

● 沒有可辨識標籤的資源會預設歸入指定波次(例如第二波)。

● 使用者可以選擇不使用標籤並接受預設值,一次升級所有資源。

● 套用升級推出政策:

● 建立政策後,可將其連結至整個組織(根)或個別帳戶,以選擇性地套用。

● 升級期間,使用者會在待處理的維護動作及 AWS Health 中看到通知,指明升級將在哪個波次進行。

用於主要版本升級的藍綠部署

● 對於與目前版本不相容,且若就地執行便需要停機的主要版本升級,藍綠部署至關重要。

● 此程序涉及建立完整的生產環境副本(「綠色」環境)、使用邏輯複寫同步資料,並在藍綠部署的整個執行期間保持同步。

● 可在切換前徹底測試升級後的環境。

● 透過 CLI 或主控台進行的切換,會重新命名 AWS 資源並將端點切換至綠色環境,確保不會遺失資料且停機時間極短(通常不到一分鐘)。

● 若切換逾時,會提供後援選項,自動還原至原始(藍色)環境。

● 不僅適用於版本升級,也適用於結構描述變更、靜態參數變更,以及被認為不適合就地變更、風險過高的維護更新。

● 全球資料庫的藍綠部署:

● 最近新增對全球資料庫的支援,可使用藍綠部署跨區域進行主要版本升級。

● 此程序與單一區域部署相同,使用邏輯複寫確保資料同步及極短的停機時間(切換約需 1 分鐘)。

● 可在零資料遺失(RPO 為 0)及約 1 分鐘的復原時間目標(RTO)下,升級整個全球叢集的主要版本。

Aurora 的零 ETL 功能

● 無須管理 ETL 管線,即可將資料從 Aurora PostgreSQL 低延遲地傳輸至 Redshift。

● 透過 CLI 命令建立 Aurora 與 Redshift 叢集之間的管線來實現。

● 複寫延遲為 5 至 12 秒,確保資料可在 Redshift 中快速使用。

● 管理資料植入、維護及異動資料擷取 (CDC) 串流,讓使用者免於處理這些複雜工作。

● 支援將多個 Aurora 叢集(包括 MySQL 及 PostgreSQL)整合至單一 Redshift 叢集或資料湖。

● 也可使用相同技術,讓資料從 Aurora MySQL 流向 SageMaker。

● 零 ETL 的基礎技術:

● 在儲存層使用平行直接匯出,將資料快速植入 Redshift,且不影響效能。

● 使用內嵌於儲存體中的增強型 bin log(用於 MySQL)或 PostgreSQL 對等機制,以擷取邏輯複寫日誌。

● CDC 串流伺服器直接從儲存體讀取日誌,套用篩選及修改後再將資料推送至 Redshift,確保不會影響前端節點效能。

● Aurora 儲存體類型:

● Aurora Standard:提供基本效能及成本特性的預設儲存體類型。

Aurora 儲存成本與效能的詳細說明

● 讀取操作:若資料已快取,成本極低(數毫秒的執行個體執行時間)。若快取未命中,則會從儲存體讀取資料;依資料庫引擎而定,每個 8K 或 16K 資料庫頁面的成本不到一美分。

● 寫入操作:最多 4 KB 的成本不到一美分。較大的寫入可能會批次處理成最多 4 次 I/O,每個批次的成本會依其大小而定,皆不到一美分。

● Aurora I/O 最佳化儲存體:

● 提供更可預測的定價,效能也可能更好。

● 這是叢集層級的組態,可在建立叢集時選擇,也可在線上切換。

● 同時變更系統效能和架構,包括儲存體端的變更。

● 建議 Aurora 帳單中 I/O 占比超過 25% 的使用者採用,因為它可能會節省成本並提供更好的效能。

● 適用於過去 18 個月內推出的所有現代引擎版本,並與資料庫 Savings Plans 相容。

● I/O 最佳化儲存體的成本模型:

● 使用者需為運算和儲存體支付略高的費用,但 I/O 完全免費,讓帳單更簡單且更可預測。

● 適合具有大量 I/O 操作的工作負載,因為免除 I/O 成本可抵銷運算和儲存體的額外費用。

● I/O 最佳化的效能改善:

● 在 16X large 執行個體上進行的測試顯示,執行第 14 版的 R6I 16X large 執行個體啟用 I/O 最佳化後,輸送量提升 1.9 倍。

● 升級至搭載 PostgreSQL 16 版的 R7I 執行個體後,觀察到進一步改善(額外 10%)。

I/O 最佳化帶來的延遲與輸送量改善

● 延遲測試:搭載 PostgreSQL 17 版的 R8G 48X large 執行個體使用 I/O 最佳化時,延遲顯著改善,在低端改善 3 倍,高端則改善 6.4 倍。

● 輸送量測試:在相同條件下,輸送量改善 5 倍,突顯 I/O 最佳化對延遲與輸送量的雙重效益。

● 暫存物件與本機 NVMe 儲存體:

● 本機 NVMe 儲存體是指伺服器或雲端執行個體內速度極快、以實體方式連接的固態硬碟 (SSD),可提供極低延遲及高輸送量,非常適合需要暫時、高效能暫存空間的高需求應用程式(AI/ML、資料庫)。

● 速度:使用 PCIe 匯流排,避開網路與控制器瓶頸,實現低於一毫秒的延遲及龐大的 IOPS。

● 直接連接:實體安裝於伺服器或執行個體機箱內(例如 AWS EC2 或 Azure VM)。

● 暫時性:資料是暫時的;執行個體終止、故障,有時甚至重新啟動或維護後,資料便不會保留。

● 在 PostgreSQL 中使用暫存物件執行索引重建或大型排序等操作,這些操作可能超出記憶體容量而需要磁碟儲存體。

● 在一般系統中,此磁碟是 EBS 磁碟,因而需要考量效能。

● 使用 RAGD 等 D 執行個體時,會改用本機 NVMe 執行個體儲存體,讓溢出最多可配置記憶體大小的 6 倍,大幅降低延遲,並改善使用這些暫存物件之工作負載的效能。

● I/O 最佳化對暫存物件儲存體的影響:

● I/O 最佳化會將暫存物件的配置量從記憶體的 6 倍降至 2 倍,仍可提升效能,但使用較少的儲存空間。

● 節省下來的儲存空間會用於名為分層快取的功能,此功能旨在提供額外的快取層,以進一步提升效能。

分層快取

● 使用在 I/O 最佳化下減少暫存物件儲存配置所節省的空間。

● 旨在透過新增額外快取層來改善效能,但摘錄中並未提供分層快取具體運作方式的詳細資訊。

● 一般讀取程序:

● 先在共用緩衝區中檢查;若找到資料,便直接讀回,不需要採取進一步動作。

● 若資料不在共用緩衝區中,會從儲存體讀取至共用緩衝區,再提供給引擎。

● 使用 D 執行個體的最佳化讀取:

● 在磁碟上配置記憶體的 4 倍空間作為分層快取,其使用方式與共用緩衝區相似。

● 使用中繼資料判斷要求的資料是否位於磁碟快取中。

● 從儲存體讀取的資料會放入共用緩衝區;緩衝區已滿時,資料會被逐出至分層快取,並由中繼資料追蹤。

● 使用分層快取處理更新:

● 更新會翻轉中繼資料位元,使分層快取中的資料失效,避免頻繁寫入分層快取。

● 彈性與動態分層快取:

● 可根據工作負載需求,調整分層快取與暫存物件的大小比例。

● 對大量磁碟溢出的工作負載增加暫存空間,並在工作負載結束後縮減暫存空間,以擴大分層快取。

R8GD 執行個體效能

● 新的執行個體類型,價格與 R6GD 相同,但效能提升 165%。

● 鼓勵分層快取使用者及考慮採用分層快取的人員使用。

● 分層快取的效能改善:

● 降低讀取操作的延遲,尤其是資料超出記憶體容量時。

● 在 340 GB 測試中,分層快取的延遲比記憶體增加 1.5%,相較於未使用分層快取時增加 8 倍,則僅落後 3 倍。

● Pareto 隨機分佈測試顯示效能甚至更好,大型測試的延遲僅降低 1.4 倍。

● 真實世界使用案例:

● PG vector 基準測試顯示,使用最佳化讀取(R7GD 與 R8G 相比),每秒查詢數改善超過 3.5 倍。

● 比較 R6GD 與 8GD(價格相同),向量效能提升 1.6 倍。

● R:表示記憶體最佳化執行個體系列。

● 7:代表目前的世代(第 7 代)。

● g:表示執行個體使用 AWS Graviton 處理器(Arm 架構)。

● d:表示包含本機 NVMe 型 SSD 儲存體。

● Amazon EC2 R8g 執行個體由 AWS Graviton 4 處理器提供支援,代表 AWS 最新一代的記憶體最佳化執行個體,適用於大型資料庫、即時分析等高需求記憶體內部工作負載。

● Aurora PostgreSQL 與 Aurora MySQL 概觀:

● Aurora PostgreSQL:與 PostgreSQL 完全相容,使用單一寫入器架構,並以隱含或明確鎖定處理並行寫入。

● Aurora MySQL:使用主動-主動查詢處理器進行多次寫入,並採用開放式並行控制來管理衝突。

● Aurora PostgreSQL 的水平擴展涉及新增採用非同步複寫的複本,因而引發一致性問題,並運用快取提升效能。

● 主要差異:

● 並行處理:PostgreSQL 使用鎖定;MySQL 使用開放式並行控制。

● 寫入架構:PostgreSQL 有單一寫入器;MySQL 支援多個作用中的寫入器。

● 擴展機制:PostgreSQL 透過複本擴展;MySQL 透過額外的查詢處理器擴展。

Aurora PostgreSQL 與 Aurora MySQL 的詳細比較

● Aurora PostgreSQL:使用具有單一寫入器的主動-被動架構,並採用明確鎖定進行並行控制。支援透過新增複本來擴展,並使用非同步複寫。

● Aurora MySQL (DSQL):採用具有多個寫入查詢處理器的主動-主動架構,並使用開放式並行控制。使用分散式區塊儲存區獨立擴展讀取。

● Aurora 的讀取與寫入程序:

● 讀取:由選定的查詢處理器,從各可用區域 (AZ) 的儲存伺服器擷取資料。

● 寫入:查詢處理器會將寫入操作排入多工緩衝處理,直到交易提交為止。提交時,寫入會傳送至裁決器(用於解決衝突),再傳送至日誌(用於跨 AZ 儲存日誌),並由其更新受影響的儲存分片。

● 多區域操作:

● Aurora PostgreSQL:跨區域資料使用非同步複寫,因此提交延遲發生在區域內。

● Aurora MySQL:提交內容會同步複寫至各區域,因此跨區域提交延遲成為根本差異。