이제 Application Load Balancer(ALB)는 자동 대상 가중치(ATW)를 지원합니다. 이 기능은 새로운 라우팅 알고리즘을 사용하여 로드 밸런서에 제공되는 정보를 토대로 각 대상으로 전송되는 트래픽 양을 최적화합니다. ALB는 이번 첫 출시를 통해 5XX 오류, 연결 오류 등 암묵적 상태 정보를 기반으로 각 대상으로 전송되는 트래픽 양을 조정합니다.

이제 ENA Express는 최소 16개에서 192개의 vCPU를 갖춘 58개의 새로운 인스턴스 유형을 지원합니다. 이번 출시로 ENA Express는 20개의 새로운 메모리 최적화 인스턴스, 15개의 새로운 컴퓨팅 최적화 인스턴스, 15개의 새로운 범용 인스턴스, 8개의 새로운 스토리지 인스턴스에 대한 지원을 추가하게 됩니다. 지금까지는 가장 큰 인스턴스 크기만 지원했으며, 최소 64개의 vCPU를 갖춘 총 27개의 인스턴스를 지원했습니다.  

AWS Config는 생성형 AI를 기반으로 하는 새로운 자연어 쿼리 기능을 도입하여 AWS 리소스 구성 및 규정 준수 메타데이터의 조사 및 검색을 간소화합니다. 이제 “보안 그룹 sg-ef678hk로 모든 EC2 인스턴스 표시” 또는 “내 조직의 규정 미준수 S3 버킷 모두 표시”와 같은 일반 언어로 질문할 수 있습니다. AWS Config는 SQL 구문으로 작성된 동등한 고급 쿼리를 생성하며, 고객은 이를 그대로 실행하거나 더 세부적으로 조정할 수 있습니다.

AWS Config는 대규모의 리소스 구성 변경을 보다 효율적으로 추적하기 위한 주기적 기록 기능을 출시했습니다. 이번 출시는 변경 사항이 발생할 때마다 연속적으로 추적하는 AWS Config의 기존 기록 기능을 확장합니다. 주기적 기록은 리소스의 최신 구성 변경 사항을 24시간마다 한 번씩 캡처하여 변경 사항이 전달되는 횟수를 줄입니다. 연속 기록 옵션과 주기적 기록 옵션 모두 구성 항목 수를 기준으로 요금이 부과됩니다.

오늘부터 고객은 SQL 인터페이스를 사용하여 사용자 지정 열 선택 및 행 필터를 통해 과금 정보 및 비용 관리 데이터를 내보낼 수 있습니다. 내보내기는 비즈니스 인텔리전스 또는 데이터 분석 솔루션에 사용할 수 있도록 Amazon S3 버킷에 정기적으로 전달됩니다. 고객은 새로운 Cost and Usage Report(CUR 2.0) 테이블과 함께 데이터 내보내기를 사용할 수 있습니다. 이 테이블에는 기존 Cost and Usage Report와 동일한 정보가 포함되어 있지만, 쿼리 가능한 중첩 데이터 구조와 고정 스키마라는 두 개의 새로운 열이 포함되어 있습니다.

이제 Amazon EFS는 파일 시스템당 최대 250,000 읽기 IOPS와 최대 50,000 쓰기 IOPS를 지원하므로, AWS에서 IOPS 집약적 파일 워크로드를 더 쉽게 지원할 수 있습니다.

AWS는 고객이 Amazon EKS에서 실행되는 워크로드에서 Prometheus 지표를 수집하는 데 사용할 수 있는 완전관리형의 에이전트 없는 수집기인 Amazon Managed Service for Prometheus 수집기를 발표했습니다. 이제 고객은 에이전트를 직접 관리할 필요 없이, EKS 콘솔이나 API 호출을 통해 Amazon EKS 애플리케이션 및 인프라에서 Prometheus 지표를 검색하고 수집할 수 있습니다.

Amazon EFS Archive는 1년에 몇 번 정도만 액세스하는 장기 보관 파일 데이터에 비용 최적화된 새로운 스토리지 클래스입니다. EFS Archive를 사용하면 가장 드물게 사용하는 데이터도 비용 효율적으로 유지할 수 있으므로 언제든지 새로운 비즈니스 인사이트를 얻는 데 활용할 수 있습니다. 또한 이번 출시의 일환으로 기존 Amazon EFS Infrequent Access(IA) 스토리지 클래스의 스토리지 요금이 36% 인하되어 EFS가 다양한 데이터를 공유하는 데 더욱 적합한 솔루션이 되었습니다.

오늘 AWS Compute Optimizer에서 사용자 지정 가능한 EC2 크기 조정 권장 사항 기능을 발표했습니다. 이번 출시를 통해 이제 CPU 헤드룸과 임계값을 모두 조정하고, 새로운 32일의 룩백 기간 옵션을 구성하고, 인스턴스 패밀리 기본 설정을 지정할 수 있습니다. 이러한 설정은 조직, 계정 또는 리전별 수준에서 구성될 수 있습니다.

AWS Systems Manager Automation을 통해 런북을 사용하여 일상적인 운영 작업을 자동화할 수 있게 되었습니다. 오늘부터 개발자는 로우 코드 시각적 설계 환경을 사용하여 런북을 작성하고 편집할 수 있습니다. Automation 작업과 AWS API를 캔버스에 끌어서 놓고 단계별로 함께 연결하여 런북 로직을 시각화하기만 하면 됩니다. 시각적 설계 환경은 실시간으로 파라미터를 미리 채우고 작업을 검증하므로 안심하고 효율적으로 구축할 수 있습니다.

오늘부터 Amazon Athena에서 제로 ETL 분석을 수행하는 데 AWS CloudTrail Lake 데이터를 사용할 수 있습니다. Athena를 사용하면 데이터를 이동하거나 데이터 처리 파이프라인을 구축하는 운영상의 복잡성 없이 CloudTrail Lake에서 활동 로그를 쿼리할 수 있습니다. CloudTrail Lake는 감사, 보안 및 운영 조사를 위해 활동 로그를 집계하고, 변경 불가능한 방식으로 저장하고, 분석할 수 있게 지원하는 관리형 데이터 레이크입니다. Athena는 SQL을 사용하여 Amazon S3 및 기타 데이터 스토어의 데이터를 간단하게 분석할 수 있게 지원하는 대화형 쿼리 서비스입니다. 보안 엔지니어는 이제 보안 사고 조사 목적으로 Athena를 사용하여 CloudTrail Lake의 활동 로그와 S3와 같은 데이터 스토어의 애플

이제 Application Load Balancer(ALB)는 상호 TLS를 지원하므로, TLS 암호화 연결을 설정하면서 클라이언트를 인증할 수 있습니다.

Amazon Personalize는 사용자가 취할 가능성이 높은 작업을 실시간으로 추천하는 데 도움이 되는 새로운 Next-Best-Action 레시피를 발표했습니다. 이번 신규 레시피는 Personalize에서 고객이 추천하도록 허용한 항목이나 콘텐츠를 넘어 브랜드 충성도와 전환율을 높이는 데 도움이 될 차선책을 개별 사용자에게 제안할 수 있도록 지원합니다. 다른 Amazon Personalize 레시피와 마찬가지로 Next Best Action에는 ML 전문 지식이 필요하지 않으며 개인화를 애플리케이션과 원활하게 통합할 수 있습니다.

이제 Amazon Redshift는 공개 평가판으로 데이터 공유를 통한 다중 데이터 웨어하우스 쓰기를 지원합니다. 클릭 몇 번으로 여러 Redshift 데이터 웨어하우스에서 Redshift 데이터베이스로 쓰기 작업을 시작할 수 있습니다. 이렇게 쓰여진 데이터는 커밋되는 즉시 모든 웨어하우스에서 사용할 수 있습니다. 따라서 팀은 쓰기 워크로드의 가격 대비 성능 요구 사항에 따라 다양한 유형과 크기의 웨어하우스를 추가하여 컴퓨팅을 유연하게 확장하고, SLA를 보다 쉽게 충족할 수 있도록 컴퓨팅을 분리하고, 다른 팀과 쉽고 안전하게 협업할 수 있습니다.

오늘 AWS는 자동화된 로그 패턴 분석 및 이상 항목 탐지 기능을 비롯한 CloudWatch에서 기계 학습 기반 로그 분석 기능 제품군을 정식 출시한다고 발표했습니다. 이러한 새로운 기능을 사용하여 로그를 쉽게 해석하고, 비정상적인 이벤트를 식별할 수 있으며, 이러한 인사이트를 사용하여 조사를 이끌고 가속화할 수 있습니다.

오늘 AWS는 Amazon Managed Blockchain(AMB) Access Polygon의 평가판 릴리스를 발표했습니다. Access Polygon은 개발자가 높은 처리량, 낮은 수수료, EVM 호환 블록체인인 Polygon 블록체인과 원활하게 상호 작용하여 확장 가능한 애플리케이션을 빠르고 안전하게 구축하는 데 도움이 됩니다. AMB Access Polygon은 Polygon 지분 증명(PoS) Mainnet 및 Mumbai Testnet을 위한 아카이브 노드에 대한 서버리스 액세스를 제공합니다.

Amazon Personalize는 권장 사항 항목 간의 테마별 연결을 식별하여 권장 사항을 더욱 설득력 있게 만드는 새로운 생성형 AI 기반 기능인 Content Generator를 발표했습니다. Content Generator는 고객이 태그라인을 작성하여 보다 매력적인 검색 환경을 만들 수 있도록 지원합니다.

Amazon Redshift는 대규모 언어 모델(LLM)을 지원하도록 Redshift ML을 강화했습니다. Amazon Redshift ML을 사용하면 고객이 익숙한 SQL 명령을 사용하여 기계 학습 모델을 생성, 훈련 및 배포할 수 있습니다. 이제 Redshift ML의 일부로 Amazon SageMaker JumpStart에서 사전 훈련된 공개적으로 사용 가능한 LLM을 활용할 수 있으므로, LLM의 강력한 기능을 분석에 적용할 수 있습니다. 예를 들어 Amazon Redshift에서 제품 피드백 데이터를 추론하고, LLM을 사용하여 피드백을 요약하고, 항목 추출, 감정 분석 및 제품 피드백 분류를 수행할 수 있습니다.

Amazon Monitron은 기계 학습을 사용하여 산업 장비의 비정상적인 상태를 감지하고 예측 유지 보수를 지원하는 엔드 투 엔드 시스템입니다. Amazon Monitron에는 진동 및 온도 데이터를 캡처하는 무선 센서, AWS 클라우드로 데이터를 자동으로 전송하는 게이트웨이, ML을 사용하여 비정상적인 기계 패턴에 대한 데이터를 분석하는 Amazon Monitron 서비스, 디바이스를 설정하고 작동 동작에 대한 보고서를 받고 기계의 잠재적인 오류에 대한 경고를 수신하는 도우미 모바일 앱이 포함됩니다.

Amazon QuickSight, Amazon Redshift, AWS Lake Formation, S3 Access Grants를 통한 Amazon S3를 비롯한 AWS 분석 서비스는 이제 AWS IAM Identity Center를 통한 신뢰할 수 있는 ID 전파를 사용하여 사용자 자격 증명을 기반으로 데이터 및 리소스에 대한 액세스를 관리하고 감사할 수 있습니다. 이번 신규 기능은 연결된 비즈니스 인텔리전스와 데이터 분석 애플리케이션 간에 ID 정보를 전달합니다. 관리자는 고객이 선택한 자격 증명 공급자의 공통 사용자 및 그룹 세트를 기반으로 서비스에 대한 액세스를 정의합니다. 감사자는 서비스 전반에서 사용자의 액세스를 추적할 수 있습니다. 분석 사용자는 데이터에 액세스할 때 향상된 Single Sign-On 환경의 이점을 누릴 수 있습니다.