← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

AWS Re:cap 04: FSI Meetup 2025 Q4 - Brex 資料庫災難復原

講者: Fabiano Honorato、Michelle Koo、Stephen Brandon

場次: 04

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

Brex 簡介

● 用於管理費用、差旅與信用額度的財務作業系統平台。

● 工程經理與團隊成員討論如何運用 Amazon Aurora 強化韌性並拓展國際市場

Brex 服務

● 公司卡、費用管理、差旅、帳單付款及銀行業務

● 目標是協助客戶明智且精打細算地支出


為災難情境預先準備基礎設施的重要性

● 著重於資料層,主要使用 PostgreSQL 搭配 PG bouncer 與複本,以供應用程式和分析用途使用

● 將較小的資料庫合併至單一資料庫執行個體

● 過去的災難復原流程需手動執行且相當耗時

災難復原解決方案的目標

● 採用溫備援災難復原解決方案,以縮短復原時間目標(RTO)與復原點目標(RPO)

● RTO:災難發生後,恢復正常運作所允許的最長時間

● RPO:可容許遺失的最大資料量

決定 RPO 與 RTO

● 分析指標、評估目前能力,並進行廣泛測試

● 瞭解應用程式將如何因應額外延遲與資料遺失

選擇 Amazon Aurora Global Database

● 無須大幅變更目前設定,即可提供所需功能

● 可在需要時使用次要區域

目前實作的注意事項

● 為讀取應用程式建立自訂 DNS 端點,同時供應用程式與分析用途使用

遷移挑戰與方法

● 由於可能造成應用程式停機,從 PostgreSQL 遷移至 Aurora 並不容易

● 著重於自動化,以盡量減少人工處理

● 建置 Temporal 工作流程來執行自動化工作,以驗證遷移步驟並準備環境

● 在確認自動化流程已驗證資料庫狀態後,執行切換至 Aurora Global 的作業

遷移期間的停機管理

● AWS 為遷移提供一小段停機時間(2 至 3 分鐘)

● 利用這段時間調整端點及使用該資料庫的應用程式

● 善用短暫的停機時間,順利完成轉換


使用 Temporal 工作流程進行自動化

遷移前的目前狀態

● 應用程式連線至 PG bouncer,再由 PG bouncer 連線至 PostgreSQL 執行個體與複本執行個體

遷移流程

● 透過 AWS 建立 Aurora 讀取複本,全程無須停機

● 工作流程提升 Aurora 讀取複本,並建立 Aurora 全域叢集

● 應用程式連線至 PG bouncer,再由 PG bouncer 使用全域寫入器端點連線至 Aurora 全域叢集

● 可建立另一個叢集以設定多區域架構

Flux:

● 透過 git 儲存庫讓 Kubernetes 叢集保持同步的工具

● 工作流程預先產生 Flux git pull request

● 在人工驗證後,工作流程自動合併 pull request

● 將確認訊號傳送至工作流程,以繼續執行停機作業並提升 Aurora 全域叢集

使用 AI 自動檢閱 Flux

● 識別 pull request 中的錯誤或問題,並提供註解供檢閱

dry run 遷移旗標

● 允許測試遷移,而不會造成破壞性動作或停機

● 預先建立 Flux git pull request 以供檢閱,但不合併 pull request 或提升叢集


遷移中使用的其他工具與流程

● Terraform:建立範本,以新的全域叢集形式管理資料庫

● 在遷移工作流程完成後,為每個資料庫加入 Terraform

● 透過 Terraform 管理全域叢集中的讀取器執行個體

內部命令列工具:

● 加入命令,讓團隊能透過自助方式為其 Aurora 全域叢集執行切換或容錯移轉

● 容錯移轉:用於從非計畫性中斷復原;若某個區域停擺,便切換至其他區域

● 切換:用於營運維護或計畫性程序等受控情境,不會遺失資料


以反覆迭代方式改善工作流程效能的歷程

● 初始工作流程完成端對端自動化約需 15 分鐘

● 提升 Aurora 全域叢集和建立 Flux git pull request 所需的停機時間

● 流程依序執行,未進行平行處理

加入平行處理後,工作流程時間縮短至 10 分鐘

● 更新工作流程以平行執行步驟,包括取得憑證及預先建立 Flux pull request

● 導入 dry run 旗標,以進行非破壞性的遷移測試

最終重新調整工作流程結構後,執行時間縮短至 3 分鐘

● 預先建立 Flux pull request,讓工作流程暫停至停機時段

● 減少 git add 作業以降低成本

● 加入訊號命令,以受控方式啟動停機作業

過程中學到的經驗

● 在正式遷移前,全面測試與審慎部署至關重要

● 從預備環境開始,解決問題後再繼續部署至正式環境

● 自動化可減少人為錯誤,並能輕鬆將流程套用至多個資料庫

● 使用 dry run 選項來模擬遷移,在不造成停機的情況下測試工作流程(dry run 或 practice run 是一種試驗或排演,屬於軟體測試流程,用來確保系統正常運作且不會導致嚴重故障。)

● 每週遷移少量資料庫,以反覆迭代的方式改善