在 AWS 上使用生成式人工智能创建超慢动作视频的指南

Well-Architected 支柱

• 卓越运营

  本指南使用 SageMaker 异步推理和 Amazon CloudWatch 来减少运营开销，同时简化视频处理管道的维护和故障排除。具体而言，SageMaker 异步推理使用户能够并行处理多个请求，并通过其内置队列机制提供可扩展和容错的架构。这可确保高效、可靠地处理大量视频处理请求。另一方面，CloudWatch 可收集来自 AWS 服务（如 Lambda、Step Functions 和 SageMaker 异步推理端点）的指标和日志，从而提供对性能、运行状况和利用率的可视性。这种主动监控和警报功能有助于及时发现和解决问题，优化资源利用率，并实现基于数据的决策，从而提高运营和成本效率。
  

  阅读《卓越运营》白皮书 
• 安全性

  API Gateway 添加了一个重要的安全层，可支持强大的身份验证、授权和对常见威胁的防护，实现了以安全和受控的方式访问视频处理管道。它为身份验证和授权 API 请求提供了内置机制，使用户能够使用 Amazon Cognito 用户池、OAuth 2.0 或 AWS Identity and Access Management（IAM）角色来控制对其 API 的访问。从数据保护的角度看，API Gateway 可确保进入端点的数据经过 SSL/TLS 加密，从而保护传输中数据的机密性和完整性。此外，API Gateway 还支持 API 节流，有助于保护后端资源免受过大流量或滥用的影响，并降低受到分布式拒绝服务（DDoS）攻击的风险。
  

  阅读《安全性》白皮书 
• 可靠性

  通过将 API Gateway、Lambda、SageMaker 异步推理和 Step Functions 的功能结合起来，本指南能够处理不同的工作负载，即使面对流量高峰或其他潜在的中断情况，也能为可靠的视频处理提供支持。API Gateway 提供内置容错和自动扩缩功能，使其能够无缝应对流量高峰。它与 Lambda 和 SageMaker 的集成简化了高度可扩展和可靠的无服务器 API 的构建过程。

  Lambda 提供自动扩缩和高可用性，使您能够在无需担心底层基础设施管理的前提下进行代码处理，因此即使在需求高峰时期，视频处理工作负载也能得到可靠处理。

  SageMaker 及其托管功能旨在为机器学习工作负载的运行提供高可靠性和可用性，从而使用于创建慢动作视频的生成式人工智能模型始终可用和可靠。
  

  阅读《可靠性》白皮书 
• 性能效率

  SageMaker 提供高性能、低延迟的推理功能，专为高效托管和服务于机器学习模型而设计。它还能够根据特定工作负载特点，对部署配置进行微调，有助于在不过度预置资源的情况下实现最佳性能效率。用户可以轻松配置实例类型、数量和其他部署配置，以适当调整其推理工作负载的规模。这种灵活性可实现根据延迟要求、所需吞吐量和成本考虑等因素，优化视频处理性能。
  

  阅读《性能效率》白皮书 
• 成本优化

  本指南使用了提供自动扩缩功能的无服务器服务，使用户能够只需为其消耗的资源付费，从而优化成本。例如，SageMaker 异步推理支持在不使用实例时，自动将实例缩减到零，从而有效消除闲置期间的计算成本。

  同样，Lambda 和 Step Functions 也采用了无服务器计算模式，用户只需为代码运行时所消耗的计算时间付款。这种按使用付费的定价模式无需预置和维护持续运行的计算资源，能够显著降低成本（尤其是在低工作负载或间歇性工作负载期间）。
  

  阅读《成本优化》白皮书 
• 可持续性

  SageMaker 异步推理的自动扩缩功能消除了闲置期间不必要的计算资源消耗。此外，Lambda 和 Step Functions 采用无服务器计算模型，根据需求动态分配资源，因此在不积极处理工作负载时不会浪费资源。

  通过利用这些服务的自动扩缩和无服务器特性，本指南促进了资源的共享和重复使用，减少了运行慢动作视频处理工作负载所需的总体计算工作量。资源的这种高效利用有助于最大限度地减少与运行计算工作负载相关的环境影响。
  
  

  阅读《可持续性》白皮书