Penyimpanan File Tetap untuk Aplikasi Modern
Mengapa penyimpanan file tetap penting untuk pengembangan aplikasi modern?
Tim pengembangan memodernisasi aplikasi mereka dengan mengadopsi arsitektur berbasis kontainer, nirserver, dan layanan mikro. Karena kontainer bersifat sementara, aplikasi yang berjalan dalam waktu yang lama dapat memperoleh manfaat dari status penyimpanan dalam penyimpanan tahan lama. Aplikasi terdistribusi seperti pelatihan machine learning, penyajian web, memperoleh manfaat dari lapisan penyimpanan bersama. Amazon Elastic File System (Amazon EFS) adalah sistem file cloud-native yang sederhana, nirserver, atur dan lupakan yang memungkinkan Anda membangun aplikasi modern, mempertahankan, dan membagikan data dari kontainer AWS serta aplikasi nirserver, tanpa memerlukan pengelolaan.
Persistensi data untuk aplikasi nirserver Anda
Komputasi nirserver membantu Anda menjadi lebih tangkas seraya menghemat waktu untuk mengelola keamanan, skalabilitas, dan ketersediaan aplikasi Anda. Secara bersamaan, aplikasi modern dengan banyak data memerlukan akses cepat ke data bersama berukuran besar. AWS Lambda memungkinkan Anda menjalankan aplikasi nirserver berskala besar dan sangat penting. Amazon EFS memberikan penyimpanan nirserver dengan ketersediaan tinggi dan tahan lama untuk aplikasi tersebut, serta menyederhanakan berbagi data yang harus ada di balik dan di antara eksekusi fungsi Lambda dan tugas AWS Fargate. Kombinasi luar biasa ini cocok digunakan untuk membangun aplikasi machine learning, memuat model, pustaka, dan data referensi besar lainnya, memproses dan mencadangkan data berukuran besar, meng-host konten web, serta mengembangkan sistem build internal.
Manfaat
Sederhana
Lampiran Amazon EFS dikonfigurasi di metadata aplikasi, seperti definisi tugas Amazon Elastic Container Service (Amazon ECS) atau volume tetap Kubernetes, termasuk konektivitas, sehingga developer dapat berfokus pada aplikasi mereka, bukan infrastruktur.
Elastis
Amazon ECS, Amazon Elastic Kubernetes Service (Amazon EKS), AWS Fargate, dan Amazon EFS sepenuhnya elastis, dapat diskalakan naik dan turun dengan cepat sesuai permintaan.
Tersedia dan Tahan Lama
Amazon ECS, Amazon EKS, AWS Fargate, AWS Lambda, dan Amazon EFS merupakan layanan regional. Anda dapat membangun aplikasi di beberapa availability zone, tanpa failover otomatis.
Aman
AWS menyediakan lingkungan komputasi cloud yang aman. Akses ke Amazon EFS dapat dikontrol berdasarkan IAM role tugas Amazon ECS.
Hemat biaya
Hanya membayar penyimpanan dan komputasi yang Anda gunakan. Amazon EFS diskalakan sesuai permintaan, dari nol ke petabyte tanpa gangguan, mengembang serta menciut secara otomatis saat Anda menambahkan dan menghapus file, lalu Auto Scaling Klaster Amazon ECS, Amazon EKS, dan AWS Fargate memungkinkan kapasitas untuk mengembang serta menciut guna memenuhi permintaan.
Cara kerja
Kasus Penggunaan
Penyajian web dan manajemen konten
Sistem penyajian web dan manajemen konten memerlukan akses data bersama di beberapa instans aplikasi terkontainer, persistensi data, dan ketahanan data. Contoh mencakup aplikasi seperti WordPress dan Drupal, yang memperoleh manfaat dari penskalaan keluar ke beberapa instans untuk kinerja dan redundansi, serta kebutuhan untuk berbagi unggahan, plugin, dan templat.
Layanan mikro stateful
Layanan mikro stateful merupakan bagian aplikasi yang dipasang secara longgar dan harus mengingat beberapa hal tentang statusnya setiap kali dijalankan, seperti aplikasi cuaca mengingat kota tempat Anda tinggal. Untuk aplikasi modern ini, Amazon EFS merupakan fondasi data, beroperasi bersama kontainer dan teknologi niserver untuk men-deploy ke AWS secara andal dan konsisten, memungkinkan data mempertahankan status aplikasi.
ML dan AI
Kontainer adalah cara untuk men-deploy tugas pelatihan machine learning (ML), titik akhir inferensi, dan alat yang berjalan secara konsisten di beberapa lingkungan. Penggunaan kontainer dapat memecahkan masalah seperti konsistensi, portabilitas, serta manajemen dependensi yang mempersulit ilmuwan data dan developer yang seharusnya berfokus pada kode, set data, juga model pelatihan, bukan pada infrastruktur. Alat ML seperti Amazon SageMaker Notebooks, serta alat sumber terbuka seperti Jupyter menggunakan Amazon EFS untuk mengelola direktori utama ilmuwan data. Amazon FSx for Lustre dapat digunakan untuk tugas pelatihan ML dengan komputasi paling intensif saat throughput paling tinggi diperlukan.
Studi Kasus
T-Mobile Meningkatkan Pengalaman Pelanggan, Mengurangi Biaya Penyimpanan Kubernetes Menggunakan Amazon EFS
Caltech Menggunakan Amazon EFS untuk Mengautomasi Manajemen File Komputasi Akademis
Discover Financial Services Menciptakan Lingkungan Tempat Ilmuwan Data Dapat Berkolaborasi Menggunakan Amazon EFS
Fakultas Menggunakan Amazon EFS untuk Menskalakan Platform Machine Learning yang Inovatif
