aws·2026년 6월 22일·4분 읽기큐레이션 요약

AWS 주간 요약: 뉴욕 서밋 결산, 하노이 로컬 존, Bedrock의 Grok 4.3, 가격 인하 등 (2026년 6월 22일) | Amazon Web Services

AWS는 뉴욕 서밋에서 장기적으로 가치를 축적하는 AI 에이전트를 중심으로 업무, 보안, 개발, 고객용 애플리케이션 전반의 기능을 확장했다. 동시에 하노이 Local Zone, Grok 4.3, S3 annotations, ECS 오토 스케일링 개선 등 인프라와 생성형 AI 관련 기능도 공개했다. S3 벡터 검색, GameLift 네트워크 대역폭, AWS Marketplace 서비스 등록 수수료 인하를 통해 비용 절감도 추진했다. ## 뉴욕 AWS 서밋: 장기적으로 가치를 만드는 에이전트 - **업무용 에이전트** - Amazon Quick에서 데스크톱 앱을 통해 다단계 자율 에이전트를 생성하고 실행할 수 있다. - 이메일, Slack, 캘린더, 작업을 하나의 우선순위 기반 피드로 통합한다. - 사용자가 설정한 개인화 규칙에 따라 업무를 정리한다. - **보안용 에이전트** - AWS Continuum은 코드 취약점 전 생명주기를 분석·검증·조치하는 AI 기반 보안 서비스다. - AWS Security Agent에 위협 모델링, 주요 Git 플랫폼용 PR 코드 스캔 및 수정 기능이 추가됐다. - Kiro, Claude Code 플러그인, MCP를 통한 IDE 통합도 지원한다. - **개발 및 현대화 에이전트** - Kiro는 네이티브 iOS 앱을 제공한다. - AWS DevOps Agent는 배포 전에 코드 변경 사항을 평가하는 릴리스 관리 기능을 추가했다. - AWS Transform은 기술 부채를 지속적으로 줄이는 자동 현대화를 지원한다. - **고객이 만드는 에이전트** - Amazon Bedrock AgentCore에 인프라·오케스트레이션용 GA 하네스가 추가됐다. - Web Search, Managed Knowledge Base, Guardrails 정책 통합을 제공한다. - AWS Context 서비스는 조직 데이터 간 관계를 매핑해 에이전트의 맥락 이해를 돕는다. ## 하노이 Local Zone과 데이터 주권 - 베트남 하노이에 `ap-southeast-1-han-1a` Local Zone이 추가됐다. - Amazon S3와 Amazon EBS Local Snapshots를 지원한다. - 데이터를 현지에 저장하고 백업할 수 있어 데이터 레지던시 요구사항을 충족하는 데 유리하다. - AWS Global View의 Regions and Zones 탭 또는 `ModifyAvailabilityZoneGroup` API로 활성화할 수 있다. ## AWS Blocks와 개발 환경 단순화 - AWS Blocks는 애플리케이션 개발자를 위한 오픈 소스 TypeScript 프레임워크다. - AWS 계정 없이도 Postgres, 인증, 실시간 메시징을 포함한 로컬 실행 환경을 제공한다. - 배포 시 동일한 코드를 변경 없이 AWS 프로덕션 서비스에서 실행할 수 있다. - 필요할 때 AWS CDK로 전환해 클라우드 리소스를 직접 구성할 수 있다. ## Bedrock, S3, 에이전트 기능 확장 - **Grok 4.3** - xAI의 Grok 4.3을 Amazon Bedrock에서 사용할 수 있다. - 추론, 에이전트 워크플로, 엔터프라이즈 애플리케이션을 지원한다. - 도구 호출, 구조화된 출력, 응답 스트리밍을 제공한다. - **S3 annotations** - S3 객체에 최대 1GB의 풍부하고 변경 가능한 컨텍스트를 직접 연결할 수 있다. - 해당 컨텍스트는 조회 가능하며, AI 에이전트가 데이터를 탐색·이해·처리하는 데 활용된다. - 별도의 메타데이터 시스템을 유지하지 않고도 대규모 AI 및 자동화 워크플로를 구성할 수 있다. - **Strands Agents** - 오픈 소스 에이전트 개발 도구인 Strands에 컨텍스트 관리 기능이 강화됐다. - Strands Shell은 격리된 실행 환경을 제공한다. - Strands Evals에는 장애 주입 테스트와 레드팀 테스트 기능이 추가됐다. ## 성능과 운영 기능 개선 - **ECS 서비스 오토 스케일링** - 20초 단위 고해상도 지표와 지표 게시 최적화를 지원한다. - 테스트에서 스케일 아웃 트리거 시간이 363초에서 86초로 76% 단축됐다. - 확장 및 신규 태스크 프로비저닝까지의 전체 시간은 386초에서 109초로 72% 줄었다. - **EC2 G7** - NVIDIA RTX PRO 4500 Blackwell Server Edition GPU와 6세대 Intel Xeon 프로세서를 탑재한다. - G6 대비 AI 추론 성능은 최대 4.6배, 그래픽 성능은 최대 2.1배 향상됐다. - **Management Console Private Access** - 인터넷 연결 없이 VPC에서 AWS Management Console에 접근할 수 있다. - 에어갭 환경에서도 엄격한 네트워크 보안 정책을 유지하며 인프라를 관리할 수 있다. ## 보안 및 마켓플레이스 - Palo Alto Networks Advanced DNS Security를 Route 53 Resolver DNS Firewall에 직접 적용할 수 있다. - 별도 방화벽을 배포하거나 VPC 구성을 변경하지 않고 DNS 위협 방어 기능을 사용할 수 있다. - AWS Marketplace Storefront가 정식 출시되어 파트너가 자체 브랜드 카탈로그를 웹사이트나 애플리케이션에 구축할 수 있다. - 고객은 AWS Marketplace를 통해 파트너 솔루션을 검색하고 구매할 수 있다. ## 가격 인하 - **Amazon S3 Vectors** - 대규모 벡터 인덱스의 유사도 검색 쿼리 요금을 최대 80% 인하했다. - 기존 애플리케이션 변경 없이 자동 적용된다. - AI, RAG, 시맨틱 검색 비용 절감에 직접적인 효과가 있다. - **Amazon GameLift Servers** - 6세대 이상 인스턴스의 AWS 내 네트워크 송수신 대역폭을 무료화했다. - On-Demand와 Spot 모두 적용되며, 사용자는 인스턴스 시간만 지불한다. - **AWS Marketplace 전문 서비스** - 등록 수수료를 기존 2.5%에서 0.5%로 낮췄다. - 컨설팅 업체, 시스템 통합 사업자, 관리형 서비스 제공업체의 거래 비용을 줄인다. 이번 발표의 방향은 AI 에이전트를 실제 업무와 운영에 통합하는 동시에, 데이터 주권·보안·성능·비용 문제를 함께 개선하는 것이다. 에이전트 기반 애플리케이션을 구축하려는 팀은 Bedrock AgentCore와 S3 annotations를 검토하고, 대규모 검색·게임·서비스 운영 환경은 이번 가격 및 성능 개선의 적용 여부를 확인하는 것이 좋다.

원문 읽기(새 탭에서 열림)

AI 에이전트생성형 AIPostgreSQLTypeScript+4

aws·2026년 6월 18일·3분 읽기큐레이션 요약

NVIDIA RTX PRO 4500 Blackwell 서버 에디션 GPU로 가속되는 Amazon EC2 G7 인스턴스 발표 | Amazon Web Services

Amazon EC2 G7은 NVIDIA RTX PRO 4500 Blackwell Server Edition GPU와 6세대 Intel Xeon 프로세서를 결합한 GPU 인스턴스다. G6 대비 AI 추론 성능은 최대 4.6배, 그래픽 성능은 최대 2.1배 향상됐으며, 네트워크·스토리지·영상 처리 성능도 크게 개선됐다. AI 추론, 그래픽 렌더링, 영상 변환, VDI, 공간 컴퓨팅, 데이터 분석 등에 적합하다. ## NVIDIA Blackwell GPU 기반 성능 향상 - AWS 최초로 NVIDIA RTX PRO 4500 Blackwell Server Edition GPU를 지원한다. - GPU당 32GB 메모리를 제공하며, 인스턴스당 최대 8개 GPU와 총 256GB GPU 메모리를 구성할 수 있다. - G6 대비 GPU 메모리 용량은 1.33배, 메모리 대역폭은 2.45배 향상됐다. - 5세대 Tensor Core와 4세대 RT Core를 탑재해 AI 추론과 실시간 그래픽 처리를 가속한다. - G6 대비 AI 추론 성능은 최대 4.6배, 그래픽 성능은 최대 2.1배 높다. ## 네트워크와 로컬 스토리지 개선 - EFA(Elastic Fabric Adapter)를 지원하는 최대 700Gbps 네트워크 대역폭을 제공한다. - G6 대비 네트워크 처리량이 7배 증가해 다중 GPU·다중 노드 AI 및 분석 작업에 유리하다. - 최대 7.6TB의 로컬 NVMe SSD를 사용할 수 있다. - 대규모 모델과 데이터셋을 컴퓨팅 자원 가까이에 저장해 데이터 전송 지연과 처리 오버헤드를 줄인다. - 다중 GPU 환경에서는 NVIDIA GPUDirect P2P를, GPU와 네트워크·스토리지 간 통신에는 GPUDirect RDMA와 EFA를 지원한다. ## 영상 인코딩·디코딩 성능 - 9세대 NVENC와 6세대 NVDEC 엔진을 탑재했다. - 고해상도 영상 작업에 필요한 4:2:2 인코딩과 디코딩을 지원한다. - 동시 처리 가능한 영상 스트림 수가 G6 대비 1.5배 증가했다. - 영상 트랜스코딩, 스트리밍, 미디어 분석과 같은 작업에 적합하다. ## 인스턴스 구성 - 총 7개 크기로 제공된다. - 최대 사양: - NVIDIA RTX PRO 4500 GPU 8개 - GPU 메모리 256GB - vCPU 192개 - 시스템 메모리 768GiB - 네트워크 대역폭 700Gbps - 로컬 NVMe SSD 7.6TB - 12xlarge, 24xlarge, 48xlarge 크기는 Dedicated Instances도 지원한다. ## 지원 소프트웨어와 운영 환경 - AWS Deep Learning AMI와 NVIDIA Workstation AMI를 통해 사전 구성된 GPU 드라이버를 사용할 수 있다. - Amazon EKS에서 사용하려면 NVIDIA 드라이버 R595와 EKS 자동화 기능을 이용해 AMI를 구성해야 한다. - Amazon Linux, Ubuntu, RHEL, Windows Server를 지원한다. - DirectX, Vulkan, OpenGL 등 주요 그래픽 라이브러리와 호환된다. - Amazon EMR on EKS에서 GPU 가속 데이터 분석에도 활용할 수 있다. ## 제공 지역과 구매 방식 - 발표 시점에는 미국 동부 오하이오와 미국 서부 오리건 리전에서 사용할 수 있다. - 향후 리전 확대 여부는 AWS Capabilities by Region 페이지에서 확인할 수 있다. - On-Demand, Savings Plans, Spot Instances 방식으로 구매 가능하다. - 자세한 요금은 Amazon EC2 요금 페이지에서 확인해야 한다. G7은 GPU 메모리와 네트워크 대역폭이 중요한 AI 추론, 대규모 그래픽 처리, 영상 처리 및 분산 분석 작업에 특히 적합하다. 기존 G6에서 GPU·네트워크 병목을 겪고 있다면, 사용 리전과 실제 워크로드별 비용 대비 성능을 비교한 뒤 G7으로 이전하는 것이 좋다.

원문 읽기(새 탭에서 열림)

쿠버네티스AWSamazon-ec2gpu-acceleration+4

aws·2026년 6월 18일·2분 읽기큐레이션 요약

Amazon ECS, 더 빠른 서비스 자동 조정을 위한 새로운 고해상도 지표 도입 | Amazon Web Services

Amazon ECS가 20초 단위 고해상도 CloudWatch 지표를 지원해 서비스 자동 조 scaling 반응 속도를 크게 높였다. AWS 벤치마크에서 스케일 아웃 시작까지의 시간이 363초에서 86초로 76% 단축됐고, 새 태스크 프로비저닝 완료까지도 386초에서 109초로 줄었다. 이를 통해 트래픽 급증에 더 빠르게 대응하면서도 사전 확보 태스크 수와 비용을 줄일 수 있다. ## ECS 서비스 자동 조정 방식 - ECS 서비스 자동 조정은 수요에 맞춰 실행 중인 태스크 수를 자동으로 조절한다. - 지원되는 주요 방식은 다음과 같다. - **예측 조정**: 머신러닝으로 반복적인 트래픽 패턴을 예측해 선제적으로 확장 - **예약 조정**: 계획된 이벤트에 맞춰 사용자가 지정한 일정으로 조정 - **Target Tracking**: CPU, 메모리, 요청 수, 큐 깊이 등 실시간 지표가 목표값을 유지하도록 조정 - 고해상도 지표는 특히 Target Tracking 방식에서 빠른 반응을 제공한다. ## 20초 고해상도 지표의 효과 - 기존 표준 지표는 60초 단위였지만, 새 지표는 20초 간격으로 스케일링 결정을 평가한다. - AWS 테스트 결과: - 스케일 아웃 시작: **363초 → 86초**, 76% 단축 - 태스크 확장 및 프로비저닝 완료: **386초 → 109초**, 72% 단축 - 기대 효과: - 트래픽 급증 시 지연 시간과 장애 가능성 감소 - 급증에 대비한 과도한 기본 태스크 수를 줄여 비용 절감 - 복잡한 Step Scaling 정책 없이 Target Tracking만으로 공격적인 확장 가능 ## 설정 방법 - ECS 서비스 생성 또는 업데이트 시 Monitoring 설정에서 **20초 해상도 지표**를 활성화한다. - Service auto scaling에서 다음을 설정한다. - 자동 조정 활성화 - 정책 유형으로 **Target Tracking** 선택 - 다음 고해상도 지표 중 하나 선택 - `ECSServiceAverageCPUUtilizationHighResolution` - `ECSServiceAverageMemoryUtilizationHighResolution` - 기존 서비스는 먼저 `Update Service`로 고해상도 지표를 활성화하고 배포가 완료된 뒤, 서비스의 자동 조정 정책을 고해상도 지표 기반으로 변경해야 한다. - 콘솔뿐 아니라 AWS SDK, AWS CloudFormation, Application Auto Scaling을 통한 AWS CLI로도 설정할 수 있다. ## 지원 범위와 비용 - AWS Fargate, ECS Managed Instances, Amazon EC2 기반 ECS 서비스에서 사용할 수 있다. - ECS의 고속 자동 조정 기능 자체에는 별도 비용이 없지만, 20초 단위 고해상도 CloudWatch 지표에는 추가 요금이 발생한다. - 표준 60초 지표는 무료이며, 실제 비용은 CloudWatch 요금 정책을 확인해야 한다. 트래픽 변동이 크고 급격한 부하 증가에 민감한 ECS 서비스라면 고해상도 CPU 또는 메모리 지표와 Target Tracking을 함께 사용하는 것이 권장된다. 다만 지표 비용과 실제 확장 효과를 함께 검토해, 모든 서비스에 일괄 적용하기보다는 스케일 아웃 지연이 문제가 되는 워크로드부터 적용하는 것이 적절하다.

원문 읽기(새 탭에서 열림)

amazon-ec2aws-cliamazon-ecsaws-cloudformation+4

aws·2026년 6월 17일·4분 읽기큐레이션 요약

2026 뉴욕 AWS 서밋의 주요 발표 | Amazon Web Services

AWS Summit New York 2026의 핵심은 AI 에이전트를 더 쉽게 구축하고, 기업 데이터와 웹 지식을 연결하며, 운영·보안·개발 전반을 자동화하는 것이다. AWS는 Bedrock AgentCore, 보안·DevOps 에이전트, Kiro, Amazon Quick 등을 통해 에이전트의 생성부터 배포, 관리, 지속적인 개선까지 지원하는 기능을 공개했다. 또한 S3 객체에 직접 쿼리 가능한 맥락 정보를 저장하는 기능과 AI 봇 대상 콘텐츠 과금 기능도 발표했다. ## 기업 지식과 웹 검색을 활용하는 에이전트 - **Amazon Bedrock Managed Knowledge Base** - 기업용 RAG 파이프라인을 관리형 서비스로 구축할 수 있다. - 네이티브 데이터 커넥터와 다양한 형식의 데이터를 자동 처리하는 **Smart Parsing**을 제공한다. - 복잡한 다단계 질문을 처리하는 **Agentic Retriever**를 지원한다. - Bedrock AgentCore Gateway와 통합되어 인프라 관리 부담을 줄인다. - **Amazon Bedrock AgentCore Web Search** - AI 에이전트가 최신 웹 정보를 검색하고 출처를 포함해 답변할 수 있다. - 고객의 보안 AWS 환경에서 데이터가 외부로 유출되지 않도록 설계됐다. - 개발자가 별도의 검색 인프라를 직접 구축·운영하지 않아도 된다. - **AWS Context** - 기존 데이터 간 관계를 자동으로 분석해 지식 그래프로 구성하는 서비스다. - 에이전트가 실행 시점에 조직의 데이터 관계, 업무 규칙, 도메인 지식을 검색할 수 있도록 한다. - 거버넌스가 적용된 기업 데이터를 에이전트가 활용하는 기반으로 소개됐다. ## AI 에이전트에 대한 통제와 운영 - **Bedrock AgentCore의 새로운 기능** - 조직 내부 지식, 웹 정보, 유료 지식 소스를 에이전트에 연결할 수 있다. - 프로덕션 환경에서 발생한 문제를 찾고 수정하는 기능을 제공한다. - 에이전트의 능력이 확장되어도 적용 가능한 통제 체계를 구축할 수 있다. - **Amazon Bedrock AgentCore Harness 정식 출시** - 오케스트레이션 루프를 직접 코딩하지 않고도 프로덕션 수준의 에이전트를 구축·실행할 수 있다. - 설정 파일에서 모델, 도구, 스킬, 지침을 정의하는 방식이다. - 에이전트 개발 시간을 단축하는 데 초점을 둔다. - **AWS WAF의 AI 트래픽 과금** - 콘텐츠 제공자가 콘텐츠와 API에 접근하는 AI 봇 및 에이전트에 요금을 부과할 수 있다. - 접근량을 측정하고, 제3자 결제 사업자를 통한 결제를 지원한다. - AWS 엣지에서 범위가 제한된 접근 권한을 직접 부여할 수 있다. ## 머신 속도의 애플리케이션 보안 - **AWS Continuum** - 여러 환경에서 수집한 코드 취약점 정보를 통합한다. - 비즈니스 영향도를 기준으로 취약점을 우선순위화한다. - 실제 악용 가능성을 검증하고, 조직의 기존 프로세스를 통해 수정까지 연결한다. - 코드 취약점 기능은 제한된 미리보기로 제공된다. - **AWS Security Agent** - 애플리케이션 전체 맥락을 분석해 위협 모델을 생성한다. - STRIDE 프레임워크를 활용해 위협과 권장 완화책을 제시한다. - 주요 Git 플랫폼의 풀 리퀘스트 코드 검사와 자동 수정 흐름을 지원한다. - Kiro Power, Claude Code 플러그인, MCP를 통한 IDE 연동도 제공한다. ## 개발과 릴리스 자동화 - **Kiro for iOS** - iPhone에서 Kiro 세션을 시작하고 모니터링할 수 있다. - 작업 완료 후 변경 diff를 검토하고 수정 사항을 승인할 수 있다. - 노트북을 계속 켜두지 않아도 개발 작업을 원격으로 관리할 수 있다. - **AWS DevOps Agent의 릴리스 관리** - 프로덕션 배포 전 코드 변경 사항의 릴리스 준비 상태를 검토한다. - 자연어로 정의한 조직의 기준에 따라 변경 사항을 검증한다. - 프로덕션과 유사한 환경에서 변경 사항별 테스트를 자동 실행한다. - **AWS Transform의 지속적 현대화** - 설정 가능한 기준에 따라 코드 저장소를 지속적으로 분석한다. - 기술 부채와 현대화 대상을 수주가 아닌 수시간 내에 식별하는 것을 목표로 한다. - 우선순위가 정해진 문제에 대해 자동으로 수정 풀 리퀘스트를 생성할 수 있다. ## 업무를 수행하는 자율 에이전트 - **Amazon Quick 자율 에이전트** - 특정 전문성, 말투, 도구 접근 권한을 가진 백그라운드 에이전트를 만들 수 있다. - 금융 에이전트가 주문을 처리하거나, 영업 에이전트가 CRM·이메일·Slack을 모니터링할 수 있다. - 후속 연락 초안 작성, 위험 신호 표시, 다음 업무 추천 등을 자동 수행한다. - **새로운 Activity Feed** - 이메일, 메시지, 일정, 작업을 하나의 우선순위 기반 화면에 통합한다. - 사용자가 빠르게 답하는 메시지, 건너뛰는 대화, 업무상 자주 다루는 주제를 학습한다. - 개인의 업무 방식에 맞춰 중요한 활동을 선별한다. ## AI 에이전트를 위한 S3 메타데이터 - **Amazon S3 annotations** - S3 객체에 최대 1GB의 풍부하고 변경 가능한 맥락 정보를 직접 추가할 수 있다. - 저장된 정보는 쿼리 가능하므로 AI 에이전트가 객체의 의미와 관련 정보를 바로 탐색할 수 있다. - 별도의 메타데이터 시스템을 유지하지 않고도 대규모 데이터 처리와 자율 워크플로를 지원한다. 이번 발표는 AWS가 AI 에이전트를 단순한 대화형 기능이 아니라 지식 검색, 보안 대응, 코드 수정, 릴리스 검증, 업무 실행까지 담당하는 운영 시스템으로 확장하고 있음을 보여준다. 실제 도입 시에는 에이전트의 자율성보다 데이터 접근 권한, 비용 통제, 감사 로그, 사람의 승인 절차를 먼저 설계하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)

AI 에이전트amazon-bedrockRAGamazon-s3+4

aws·2026년 6월 17일·4분 읽기큐레이션 요약

더 빠르고 정확한 엔터프라이즈 AI 애플리케이션을 위한 Amazon Bedrock 관리형 지식 기반 소개 | Amazon Web Services

Amazon Bedrock Managed Knowledge Base는 기업 데이터를 활용한 생성형 AI 애플리케이션을 몇 분 안에 구축하도록 RAG 파이프라인을 관리형 서비스로 제공한다. 데이터 연결, 검색 정확도 개선, 대규모 인프라 운영을 추상화하고, 네이티브 커넥터·Smart Parsing·Agentic Retriever를 통해 빠르고 정확하며 권한이 반영된 검색을 지원한다. 개발자는 임베딩, 재순위화, 저장소, 기반 모델 등을 직접 조합하지 않고 애플리케이션과 비즈니스 결과에 집중할 수 있다. ## 기업용 RAG 구축의 주요 난점 - 기업 데이터가 S3, SharePoint, Confluence, Google Drive 등 여러 시스템에 분산되어 있다. - 시스템마다 문서 형식, 콘텐츠 유형, 접근 제어 목록이 달라 데이터 커넥터를 직접 개발하고 유지해야 한다. - 검색 정확도를 높이려면 파싱 방식, 문서 청킹, 임베딩 모델, 재순위화, 에이전트 검색 동작을 반복적으로 실험해야 한다. - 수백만 개 문서를 처리하거나 여러 팀의 지식 베이스를 동시에 운영하려면 확장성, 보안, 비용 관리가 필요하다. - 이런 인프라 작업은 개발자가 실제 AI 애플리케이션 개발보다 반복적인 운영 업무에 시간을 쓰게 만든다. ## 관리형 지식 베이스의 추상화 - 저장소, 검색, 임베딩, 재순위화, 기반 모델 선택 등 기존에 직접 구성해야 했던 요소를 하나의 관리형 기능으로 통합한다. - 기본적으로 임베딩 모델, 재순위화 모델, 기반 모델을 자동으로 선택하고 관리한다. - 지식 베이스 규모 확장과 엔드투엔드 RAG 파이프라인 운영을 서비스가 담당한다. - Amazon Bedrock AgentCore Gateway에서 사전 구축된 대상 유형으로 사용할 수 있다. - 몇 줄의 코드만으로 연동할 수 있으며, 역할 기반 권한 생성과 관측성·평가 지표도 AgentCore Observability 대시보드에서 확인할 수 있다. ## 네이티브 데이터 커넥터 - 별도 커넥터 개발 없이 다음 데이터 소스를 연결할 수 있다. - Amazon S3 - SharePoint - Confluence - Web Crawler - Google Drive - OneDrive - SaaS 애플리케이션별 데이터 구조와 권한 정보를 네이티브 방식으로 가져온다. - 지식 베이스 생성 과정에서 데이터 소스를 드롭다운으로 선택할 수 있다. - IAM 역할이 자동 생성되며, 필요한 경우 권한을 직접 수정할 수 있다. ## Smart Parsing을 통한 정확한 데이터 수집 - 데이터 소스와 문서 유형에 맞는 파싱 전략을 자동으로 선택한다. - 커넥터별 데이터 모델을 적용한다. - Web Crawler는 HTML 구조, 삽입 이미지, 표를 보존한다. - SharePoint는 문서 계층 구조와 파일 간 관계를 유지한다. - 문서 내부의 다양한 콘텐츠 유형을 자동으로 감지하고 처리한다. - 문서의 바운딩 박스를 식별한 뒤 기반 모델을 사용해 데이터 추출, 이미지 캡션 생성, 동영상 장면 설명 등을 수행한다. - 기반 모델이 문서 구조를 이해해 의미 있는 콘텐츠 단위로 청킹한다. - 문서 유형과 구조에 따라 검색 정확도와 성능 사이의 균형을 맞춘 기본값을 제공한다. - 고급 사용자는 필요할 때 청킹 전략을 직접 조정할 수 있다. - 일반적으로 프로덕션 수준의 검색 품질을 얻기 위해 필요했던 수 주간의 실험을 줄인다. ## Agentic Retriever의 다단계 검색 - 단순한 한 번의 벡터 검색으로 해결하기 어려운 복합 질의를 처리한다. - 사용자의 의도를 분석하고 질문을 여러 단계의 검색 계획으로 분해한다. - 하나의 지식 베이스 또는 여러 지식 베이스를 대상으로 멀티홉 검색을 수행한다. - 각 단계에서 검색 결과를 평가하고, 충분한 관련 정보가 모이면 검색을 중단한 뒤 상위 결과를 반환한다. - 예를 들어 다음과 같은 질문을 연결해 답할 수 있다. - ML 플랫폼 팀의 클라우드 인프라 예산은 얼마인가? - 비용 정책에서 연간 약정 선결제를 허용하는가? - 해당 팀이 예산으로 선결제를 할 수 있는가? - 첫 번째 질문에서 팀과 예산 정보를 찾고, 두 번째 질문에서 비용 정책을 검색한 뒤, 세 번째 단계에서 두 정보를 결합해 답을 도출한다. ## 생성 및 사용 절차 - Amazon Bedrock AgentCore 콘솔 또는 Amazon Bedrock 콘솔에서 Knowledge Bases 페이지를 연다. - `Create Managed KB`를 선택한다. - 권장 옵션인 `Unstructured Vector Store KB`를 선택한다. - 지원되는 데이터 커넥터와 IAM 권한을 설정한다. - 데이터를 동기화한 뒤 에이전트에 연결하거나 기반 모델의 도구로 제공한다. - 최적화된 기본 설정을 사용하면 몇 번의 클릭만으로 지식 베이스를 생성할 수 있다. Amazon Bedrock Managed Knowledge Base는 기업용 RAG 시스템을 직접 설계·운영해야 하는 부담을 줄이는 데 적합하다. 특히 여러 SaaS 데이터 소스를 통합하거나 복합적인 다단계 질문을 처리해야 하는 조직은 네이티브 커넥터, Smart Parsing, Agentic Retriever를 활용해 초기 구축 시간을 줄이고 검색 품질을 안정적으로 확보할 수 있다.

원문 읽기(새 탭에서 열림)

AI 에이전트생성형 AIamazon-bedrockRAG+2

aws·2026년 6월 17일·3분 읽기큐레이션 요약

Amazon Bedrock AgentCore 웹 검색 출시 발표: AI 에이전트를 최신의 정확한 웹 지식으로 기반 강화하기 | Amazon Web Services

Amazon Bedrock AgentCore의 Web Search가 정식 출시되어, AI 에이전트가 최신 웹 정보를 검색하고 출처와 함께 응답하도록 지원한다. 검색은 AWS 환경 내부에서 처리되므로 고객의 프롬프트와 검색 질의를 외부 검색 API 사업자에게 전송하지 않으며, 모델 학습 데이터 이후의 최신 정보도 안전하게 활용할 수 있다. Amazon 웹 인덱스와 지식 그래프를 결합해 일반 웹 검색보다 정확하고 신뢰도 높은 근거 제공을 목표로 한다. ## 최신 웹 정보와 출처를 활용한 응답 - 에이전트가 자연어 검색 질의를 보내면 관련성이 높은 다음 정보를 반환한다. - 검색 결과 요약문(snippet) - 원문 URL - 문서 제목 - 발행일 - 에이전트는 반환된 검색 결과를 추론해 최신 사실에 근거한 답변이나 후속 작업을 수행할 수 있다. - 모델의 학습 시점 이후 발생한 사건과 정보를 반영할 수 있어, 시의성이 중요한 업무에 적합하다. ## Amazon 검색 인프라와 지식 그래프 결합 - Web Search는 Amazon의 검색 인프라를 기반으로 구축됐다. - Amazon 웹 인덱스뿐 아니라 구조화된 지식 그래프 데이터도 함께 사용하는 다중 소스 기반 검색 방식을 적용한다. - Amazon Knowledge Graph의 검증된 사실을 활용해 단순 키워드 검색보다 관련성과 정확도가 높은 결과를 제공한다. - Alexa+, Amazon Quick, Kiro 등에서 축적한 에이전트 검색 경험이 기반이 됐다. ## MCP 기반 Bedrock AgentCore Gateway 연동 - Web Search는 Bedrock AgentCore Gateway의 기본 제공 커넥터 타깃으로 제공된다. - Model Context Protocol(MCP)을 사용하므로 MCP를 지원하는 에이전트와 개발 도구에서 호출할 수 있다. - 사용자는 Gateway 생성 시 다음과 같이 Web Search를 추가할 수 있다. - 대상 프로토콜: MCP target - 대상 유형: Connectors - 사전 구성된 타깃: Web Search - 기존 Gateway의 상세 페이지에서도 Web Search 타깃을 추가할 수 있다. ## 설정 및 테스트 방법 - Bedrock AgentCore 콘솔에서 Web Search 도구 타깃이 포함된 Gateway를 생성한다. - Gateway URL이 생성되면 다음 방식으로 검색 도구를 호출할 수 있다. - API 요청 - AWS CLI - Python 코드 - MCP Python SDK - Strands MCP Client - MCP Inspector - MCP Inspector에서는 Gateway 리소스 URL에 연결한 뒤 Web Search 도구를 선택하고 검색어를 입력해 결과를 즉시 확인할 수 있다. - 콘솔의 **View invocation code** 영역에서 호출 예제 코드를 확인할 수 있다. ## 보안과 기업 거버넌스 - 검색 질의와 사용자 프롬프트를 AWS 외부의 검색 API 제공업체로 보내지 않고, 고객의 보안된 AWS 환경 내에서 처리할 수 있다. - 별도의 검색 인프라를 직접 구축하거나 외부 API 연동을 관리하지 않아도 된다. - 기업 정책에 맞춰 데이터 보호와 접근 통제를 유지하면서 외부 공개 정보와 내부 데이터를 함께 활용할 수 있다. - Benchling은 기관 내부 과학 데이터와 최신 학술 문헌을 결합해 연구 질문에 답하고 가설을 생성하는 데 활용하고 있다. - Gen Digital은 Norton Revamp에서 현재 온라인 동향을 반영한 콘텐츠 아이디어를 생성하는 데 사용하고 있다. ## 제공 지역과 비용 - 현재 미국 동부(버지니아 북부) 리전에서 정식 제공된다. - Web Search 자체는 추가 비용 없이 시작할 수 있다. - Gateway 사용에 따른 데이터 전송 요금은 별도로 부과된다. - 신규 AWS 고객은 최대 200달러의 프리 티어 크레딧을 받을 수 있다. 실제로 도입할 때는 먼저 MCP Inspector로 검색 결과의 품질과 출처 형식을 검증한 뒤, 에이전트 프롬프트에 “검색 결과의 출처와 발행일을 반드시 반영하라”는 규칙을 추가하는 것이 좋다. 이후 내부 데이터와 웹 검색 결과를 함께 사용하는 경우에는 권한 관리와 출처 추적 정책을 별도로 설계해야 한다.

원문 읽기(새 탭에서 열림)

AI 에이전트모델 컨텍스트 프로토콜amazon-bedrock-agentcoreknowledge-graph+2

aws·2026년 6월 17일·3분 읽기큐레이션 요약

AWS Transform로 기술 부채를 선제적으로 자율적으로 줄이기 – 지속적인 현대화(프리뷰) | Amazon Web Services

AWS Transform – continuous modernization은 수천 개 저장소의 기술 부채를 지속적으로 분석하고, 우선순위를 정한 뒤 자동으로 수정 PR까지 생성하는 기능이다. 저장소 상태를 수작업 보고가 아닌 실제 코드 기반으로 파악하며, 의존성 만료·보안 취약점·폐기된 프레임워크 등을 조직 정책에 따라 관리할 수 있다. 이를 통해 개발자가 따라가기 어려운 기술 부채를 지속적이고 자율적으로 줄이는 것이 목표다. ## 지속적인 기술 부채 분석 - AWS Transform이 연결된 코드 저장소를 설정된 기준선(baseline)과 비교해 자동 분석한다. - 분석 결과는 수주가 아니라 수시간 내에 생성된다. - 기본 정책으로 다음과 같은 문제를 탐지한다. - 수명 종료(EOL)에 가까워진 의존성 - 폐기된 프레임워크 - 일반적인 기술 부채 패턴 - 조직별 정책도 추가할 수 있다. - 승인된 라이브러리 사용 여부 - 사내 코딩 표준 - 특정 로깅 패턴 - 더 이상 사용하지 않는 내부 라이브러리 - 저장소별로 기준선에서 얼마나 뒤처졌는지, 영향받는 파일 수, 심각도, 탐지된 패턴을 확인할 수 있다. - 팀의 자체 보고나 수동 점검 대신 코드에서 직접 현재 상태를 확인하므로, 플랫폼 팀이 조직 전체의 기술 부채를 항상 최신 상태로 파악할 수 있다. ## 우선순위 기반 기술 부채 관리 - 여러 저장소에서 발견된 문제를 하나의 목록으로 통합한다. - 심각도, 범주, 저장소 등의 기준으로 문제를 정렬하고 우선순위를 지정할 수 있다. - 개발 조직이 사용하는 여러 도구를 대체하거나 통합하는 것을 목표로 한다. - 의존성 검사 도구 - 보안 취약점 도구 - 코드 품질 도구 - AI 코딩 에이전트로 코드 변경 속도가 빨라질수록 기술 부채도 빠르게 쌓일 수 있다는 문제에 대응한다. ## 자동 수정 PR 생성 - 우선순위가 정해진 문제에 대해 자동 remediation을 실행할 수 있다. - 영향을 받는 각 저장소에 수정 PR을 자동으로 생성한다. - 기본 제공되는 변환 예시는 다음과 같다. - Java 버전 업그레이드 - SDK 마이그레이션 - 라이브러리 업데이트 - 조직 고유의 변환 규칙을 직접 만들어 사용할 수도 있다. - 담당 팀은 생성된 PR을 검토·병합하거나 자체 방식으로 문제를 수정할 수 있다. - 이후 지속 분석이 실제 수정 여부를 확인하므로, 팀의 수동 완료 보고가 필요하지 않다. ## 보안 취약점과 기술 부채의 통합 관리 - AWS Security Agent와 연동해 소스 코드 수준의 보안 취약점을 탐지하고 수정할 수 있다. - 보안 문제도 일반적인 기술 부채와 같은 우선순위 목록에 포함된다. - 탐지부터 수정 PR 생성, 병합 후 준수 상태 확인까지 동일한 워크플로로 처리된다. ## AWS Transform 사용 흐름 - AWS Transform 웹 애플리케이션에서 소스 제어 시스템을 연결한다. - 조직 정책과 기준선을 설정한 뒤 저장소 분석을 시작한다. - 대시보드에서 다음 정보를 확인한다. - 전체 저장소 현황 - 기준선 미준수 저장소 - 기술 부채의 심각도와 범주 - 영향받는 파일 수 - 높은 우선순위 항목을 선택해 remediation 캠페인을 실행한다. - 저장소별 PR 생성, 병합 여부, 기준선 준수 상태를 실시간으로 추적한다. - GitHub 및 로컬 환경의 저장소를 소스로 연결할 수 있다. ## 지속 모드와 캠페인 모드 - **지속 모드** - 일상적인 유지보수와 반복적인 현대화에 적합하다. - 라이브러리 업데이트, 보안 패치, 코딩 표준 적용 등을 지속적으로 수행한다. - 조직 기준선이 변경되면 저장소의 새로운 미준수 상태를 찾아낸다. - **캠페인 모드** - 대규모이면서 일회성에 가까운 현대화 작업에 적합하다. - 수백 개 애플리케이션의 런타임 업그레이드나 프레임워크 전환 등에 사용할 수 있다. - AWS Transform custom은 이러한 프로젝트형 작업을 위한 유연한 도구로 계속 제공된다. ## 제공 방식과 활용 시점 - 현재 프리뷰로 제공된다. - AWS Transform 웹 애플리케이션에서 사용할 수 있다. - AWS Transform Kiro Power, MCP, skills를 통해 기존 코딩 에이전트와 통합할 수 있다. - 플랫폼 팀이 다수 저장소의 반복적인 업그레이드와 정책 준수를 관리해야 한다면, 지속 분석과 자동 PR 생성을 활용하는 것이 효과적이다.

원문 읽기(새 탭에서 열림)

모델 컨텍스트 프로토콜Javaaws-lambdapull-requests+4

aws·2026년 6월 17일·4분 읽기큐레이션 요약

AWS DevOps Agent, 프로덕션 배포 전 코드 변경 사항 평가를 위한 릴리스 관리 기능 추가(프리뷰) | Amazon Web Services

AWS DevOps Agent에 코드 변경사항을 운영 배포 전에 검토하고 자동으로 테스트하는 릴리스 관리 기능이 프리뷰로 추가되었습니다. 에이전트는 조직의 자연어 기준, 의존성 안전성, 접근 제어, 운영 환경 요구사항을 검토하고 변경사항에 맞는 테스트를 생성·실행합니다. 이를 통해 AI가 생성한 코드 증가로 발생한 리뷰 병목과 운영 환경과 테스트 환경의 차이를 줄이고, 코드 작성부터 배포까지 자동화 수준을 높일 수 있습니다. ## AI 코드 증가로 인한 리뷰와 테스트 병목 - AI 코딩 도구 확산으로 풀 리퀘스트 수가 리뷰·테스트 역량보다 빠르게 증가하고 있습니다. - 일정 압박 때문에 사람이 코드를 충분히 검토하지 못한 채 승인하는 문제가 발생합니다. - 테스트 환경이 운영 환경과 달라 실제 배포 후에야 문제가 발견될 수 있습니다. - AI 모델은 사람이 시간 압박 속에서 놓치기 쉬운 기능 및 보안 문제를 탐지할 수 있어, 빠르면서도 안전한 배포가 중요해졌습니다. ## 릴리스 준비성 검토 - 모든 코드 변경사항을 다음 기준으로 분석합니다. - 운영 환경 요구사항 - 서비스 및 리포지터리 간 의존성 안전성 - 사용자가 정의한 내부 표준과 모범 사례 - AWS Well-Architected Framework에 따른 접근 제어 변경사항 - 여러 리포지터리의 의존성을 분석해 한 서비스의 변경이 다른 서비스에 미칠 영향을 확인합니다. - 별도의 기준을 지정하지 않으면 일반적인 모범 사례를 적용합니다. - AWS가 관리하는 격리 환경에서 애플리케이션을 실행하고 다음을 확인합니다. - 빌드 성공 여부 - 애플리케이션 실행 가능 여부 - 기본적인 사용자 여정과 기능 동작 - 분석 결과는 AWS DevOps Agent 콘솔과 GitHub·GitLab 풀 리퀘스트 댓글에 표시됩니다. - Kiro power 또는 Claude Code 플러그인을 통해 커밋 전에 IDE에서 직접 검토를 실행할 수도 있습니다. ## 조직별 자연어 기준 설정 - AWS DevOps Agent 콘솔에서 `Knowledge` → `Instructions`로 이동해 검토 기준을 편집합니다. - `Release readiness review`에 특정 작업용 지침을 추가할 수 있습니다. - 일반 영어 문장으로 다음과 같은 내부 기준을 정의할 수 있습니다. - 암호화 및 네트워크 접근 규칙 - 로깅과 관측 가능성 요구사항 - 민감 데이터 분류 및 고위험 리소스 식별 - 차단하지 않고 경고만 해야 하는 기준 - 모든 에이전트에 공통 기준을 적용하려면 `All agents` 지침을 수정합니다. ## 자동 릴리스 테스트 - 웹 애플리케이션과 API 애플리케이션을 대상으로 변경사항에 특화된 테스트 계획을 자동 생성합니다. - 정적인 테스트 스위트를 반복 실행하는 대신, 변경 내용과 영향 범위를 분석해 테스트를 구성합니다. - 다음 유형의 문제를 검증합니다. - 기능적 정확성 - 기존 동작의 회귀 - 서비스 간 통합 문제 - 수동 테스트 계획에서 누락될 수 있는 시나리오 - 고객이 제공한 운영 유사 환경에서 병합 전에 테스트를 실행합니다. - 각 실행 결과에는 다음 구조화된 산출물이 포함됩니다. - 메트릭 - 로그 - 트레이스 - 테스트 실행 요약 ## 검토 실행 방법 - 먼저 GitHub 또는 GitLab 리포지터리를 Agent Space에 연결해야 합니다. - 연결된 코드는 인덱싱되며, 리포지터리와 클라우드 리소스 간 의존성을 나타내는 지식 그래프가 생성됩니다. - 웹 앱에서 Agent Space를 선택한 뒤 `Web app` 탭과 `Operator access`를 선택합니다. - 릴리스 준비성 검토는 다음 방식으로 실행할 수 있습니다. - 연결된 리포지터리에 풀 리퀘스트 제출 - 채팅에서 온디맨드 요청 실행 - 채팅에서는 다음과 같이 요청할 수 있습니다. ```text Perform a production risk analysis on my repository branch ``` - 이후 분석할 리포지터리와 브랜치를 지정합니다. - 브랜치 이름, 풀 리퀘스트 번호, 커밋 SHA를 기준으로 분석할 수 있습니다. - 인프라 영향, 설정 변경, 배포 시 발생 가능한 위험을 종합적으로 검토합니다. - 완료 후 후속 질문을 통해 특정 변경사항의 하위 소비자, 영향받는 파일과 줄 번호, 해결 방법을 추가로 확인할 수 있습니다. ## 검토 결과와 보고서 - `Changes` 메뉴의 `Proposed changes` 표에서 실행된 검토를 확인할 수 있습니다. - 카테고리와 상태로 필터링하거나 이름으로 검색할 수 있습니다. - `Timeline` 탭에서는 에이전트가 호출한 도구, 참고한 의존성, 각 단계의 관찰 내용을 시간순으로 확인할 수 있습니다. - `Report` 탭에는 다음 정보가 제공됩니다. - 최종 권고 조치 - 발견된 심각한 문제 수 - 커밋 리비전 - 변경된 파일 수 - 권고 조치는 다음 세 가지 중 하나입니다. - `BLOCK` - `Proceed with Caution` - `Safe to Release` - 보고서의 주요 구성은 다음과 같습니다. - `Analysis`: 권고 조치의 근거와 발견된 위험 - `Issues`: 심각도별 문제 목록 - `Recommendations`: 문제 해결을 위한 구체적인 조치 - `Changes`: 변경된 파일, 변경 유형, 분류, 변경 내용 AWS DevOps Agent의 릴리스 관리 기능은 사람의 리뷰를 완전히 대체하기보다는, AI 생성 코드가 늘어난 환경에서 반복적인 위험 분석과 변경별 테스트를 자동화하는 보조 수단으로 활용하는 것이 적절합니다. 우선 내부 보안·운영 기준을 자연어 지침으로 명확히 정의하고, 풀 리퀘스트 단계에서 릴리스 준비성 검토를 실행한 뒤 운영 유사 환경의 자동 테스트를 병행하는 방식을 권장합니다.

원문 읽기(새 탭에서 열림)

옵저버빌리티CI/CDgitlabgithub+4

aws·2026년 6월 17일·3분 읽기큐레이션 요약

AWS Security Agent, 위협 모델링·Kiro 기능·Claude Code 플러그인 등을 추가 | Amazon Web Services

AWS Security Agent는 설계부터 개발, 배포까지 애플리케이션의 전체 생명주기를 보안하는 에이전트형 서비스다. 이번 업데이트에서는 PR·전체 저장소 코드 리뷰, STRIDE 기반 위협 모델링, 규정 준수 팩, GitLab·Bitbucket·Confluence 연동이 추가됐다. 또한 Kiro, Claude Code, MCP를 통해 IDE나 CLI에서 보안 점검과 취약점 수정까지 수행할 수 있다. ## PR 및 전체 저장소 코드 리뷰 강화 - GitHub뿐 아니라 GitLab과 Bitbucket을 지원하며, SaaS 및 자체 호스팅 환경 모두에서 사용할 수 있다. - Confluence 문서를 리뷰 컨텍스트로 연결해 기존 설계·보안 문서를 분석에 활용한다. - 단순 패턴 매칭이 아니라 애플리케이션의 맥락을 이해하는 추론 기반 분석을 수행한다. - PR 변경 사항과 전체 저장소를 대상으로 복잡한 취약점을 탐지한다. - 조직의 보안 요구사항과 일반적인 보안 위험을 함께 검사한다. - 탐지된 결과에 대해 다음 기능을 제공한다. - 수정 커밋 - 구체적인 remediation 가이드 - 시뮬레이션 환경에서의 검증 - 실제 악용 가능성을 보여주는 proof of exploitability - 보안팀은 모니터링할 저장소를 설정하고 중요 이슈에 개입할 수 있다. ## 보안 요구사항과 규정 준수 검토 - 설계 및 코드 리뷰 과정에서 보안 요구사항을 지속적으로 검증한다. - 관리형 컴플라이언스 팩을 제공한다. - AWS WAF - NIST CSF - PCI DSS - AWS 모범 사례 - 조직 내부 문서나 Confluence에서 자체 보안 요구사항을 가져올 수 있다. - 각 탐지 결과를 조직의 컴플라이언스 상태와 연결해 감사 대응과 추적성을 높인다. ## STRIDE 기반 위협 모델링 - 설계 문서나 소스 코드 저장소를 분석해 애플리케이션의 전체 보안 맥락을 구성한다. - 다음 요소를 모델링한다. - 시스템 구성 요소 - 데이터 흐름 - 아키텍처 - 신뢰 경계 - 잠재적 위협 행위자 - 공격 벡터 - STRIDE 프레임워크를 사용해 위협을 분류하고 취약한 지점을 식별한다. - 발견한 위협의 우선순위를 지정해 먼저 해결해야 할 위험을 판단하도록 돕는다. - 콘솔에서 위협 모델 기능과 소스 코드 저장소를 연결해 사용할 수 있다. ## Kiro·Claude Code·MCP 통합 - Kiro용 파워를 제공하며 Claude Code 플러그인도 출시 예정이다. - 공개 MCP 통합을 통해 Kiro, Claude Code, 기타 AI 기반 IDE에서 기능을 호출할 수 있다. - IDE나 CLI 화면 안에서 결과를 확인할 수 있어 별도 콘솔로 이동할 필요가 줄어든다. - Kiro에서 다음과 같은 자연어 명령을 사용할 수 있다. - `Set up AWS Security Agent` - `Run a full security scan on this repo` - `help me remediate my findings` - `Build a threat model for this application` ## 개발 환경에서의 취약점 수정 흐름 - 전체 저장소 보안 스캔으로 누적된 위험을 찾을 수 있다. - Kiro의 Agent Hook을 사용하면 에이전트 작업이 끝난 뒤 PR diff 스캔을 자동으로 시작할 수 있다. - 발견 결과를 로컬 워크스페이스로 가져와 심각도가 가장 높은 문제부터 처리할 수 있다. - 수정 과정에서 버그 수정 명세 세션을 시작하고 기존 IDE 도구, MCP 서버, 자동화 기능을 함께 사용할 수 있다. - 생성된 위협 모델은 `.security-agent/threat_model.md`에 저장된다. - 배포 전에는 CLI에서 침투 테스트를 실행해 일반적인 스캐너가 놓치는 위험까지 확인할 수 있다. ## 생명주기 전체를 아우르는 통합 보안 - 설계 단계: - 설계 리뷰 - 위협 모델링 - 개발 단계: - PR 및 전체 저장소 코드 리뷰 - 자동 수정 및 검증 - 배포 단계: - 온디맨드 침투 테스트 - 하나의 에이전트형 서비스에서 위협 식별, 악용 가능성 검증, 수정 코드 생성까지 연결한다. - 기능은 AWS Security Agent가 제공되는 AWS 상용 리전에서 사용할 수 있으며, 가격과 2개월 무료 체험 여부는 별도 가격 페이지에서 확인해야 한다. AWS Security Agent는 보안 검사를 별도 절차로 분리하기보다 개발 흐름에 직접 삽입하려는 서비스다. AWS 환경과 지원되는 저장소·IDE를 사용한다면 PR 자동 검사, 조직별 보안 요구사항 등록, 위협 모델 파일 생성부터 단계적으로 도입하는 것이 실용적이다.

원문 읽기(새 탭에서 열림)

모델 컨텍스트 프로토콜코드 리뷰claude-codethreat-modeling+3

aws·2026년 6월 16일·4분 읽기큐레이션 요약

Amazon S3 어노테이션: 풍부하고 쿼리 가능한 컨텍스트를 객체에 직접 첨부하기 | Amazon Web Services

Amazon S3 annotations는 객체에 대규모·구조화된 비즈니스 맥락을 직접 연결하고, 객체를 다시 작성하지 않고도 수정·삭제할 수 있게 하는 새로운 메타데이터 기능이다. 객체당 최대 1,000개의 annotation을 저장할 수 있으며, 각 annotation은 최대 1MB, 전체 최대 1GB까지 지원한다. S3 Metadata를 활성화하면 annotation을 Athena 등으로 대규모 조회할 수 있어 AI 에이전트와 자동화된 데이터 워크플로에 적합하다. ## S3 annotations의 특징과 규모 - JSON, XML, YAML, 일반 텍스트 등 다양한 형식을 지원한다. - annotation마다 고유한 이름을 부여한다. - 객체당 최대: - 1,000개 annotation - annotation 하나당 1MB - 전체 1GB - 객체 데이터를 다시 업로드하지 않고 annotation만 독립적으로 수정하거나 삭제할 수 있다. - 객체를 복사하거나 복제하거나 리전 간 전송할 때 annotation도 함께 이동한다. - 객체를 삭제하면 연결된 annotation도 자동으로 삭제된다. ## 기존 S3 메타데이터의 한계 - 시스템 정의 메타데이터는 객체 크기, 스토리지 클래스 등 S3가 관리하는 기본 속성에 초점을 둔다. - 객체 태그는 접근 제어와 수명 주기 관리 같은 운영 작업에 적합하지만 객체당 10개로 제한된다. - 사용자 정의 메타데이터는 업로드 시 지정하는 소량의 헤더 기반 정보이며, 약 2KB 수준이고 변경이 제한적이다. - 풍부한 설명이나 AI 분석 결과를 저장하려면 별도 데이터베이스나 사이드카 파일을 운영해야 했다. - 별도 메타데이터 시스템을 사용하면 원본 객체와 메타데이터 간 동기화 로직이 복잡해지고, 메타데이터 저장 비용이 객체 자체의 저장 비용보다 커질 수도 있다. ## AI 에이전트와 데이터 검색 - AI가 생성한 음성·영상 트랜스크립트, 요약, 감정 분석, 콘텐츠 등급 등을 객체에 직접 저장할 수 있다. - 메타데이터가 객체와 함께 이동하므로 데이터 복사·복제 과정에서 별도 동기화가 필요하지 않다. - S3 Metadata annotation 테이블을 사용하면 Athena와 다른 분석 엔진으로 annotation을 대규모 조회할 수 있다. - S3 Tables MCP 서버를 활용하면 AI 모델이 자연어 질의로 관련 데이터를 탐색할 수 있다. - 객체를 직접 복원하지 않고도 모든 스토리지 클래스의 annotation을 조회할 수 있으며, Glacier 계열에서도 객체 검색·복원 비용 없이 컨텍스트를 확인할 수 있다. ## 산업별 활용 사례 - **미디어·엔터테인먼트** - 영상별 트랜스크립트, 자막, 콘텐츠 검수 결과, 라이선스 정보를 별도 annotation으로 저장한다. - 여러 미디어 자산 관리 시스템 간 메타데이터 동기화를 줄일 수 있다. - **금융 서비스** - 연구 문서에 AI 기반 투자 요약과 감정 분석 결과를 연결한다. - 자연어 기반 에이전트가 별도 메타데이터 데이터베이스 없이 관련 문서를 탐색할 수 있다. - **생명과학** - 임상시험 데이터에 규제 상태, 환자군 정보, 승인 절차를 추가한다. - 보관된 데이터의 전체 맥락을 유지하면서 규제 감사와 컴플라이언스 검토를 간소화한다. ## annotation 생성·조회·수정·삭제 - IAM 정책 또는 버킷 정책에 다음 권한이 필요하다. - `s3:PutObjectAnnotation` - `s3:GetObjectAnnotation` - `PutObjectAnnotation` API로 기존 객체와 새 객체 모두에 annotation을 추가할 수 있다. - 예시처럼 하나의 영상 객체에 다음과 같이 서로 다른 정보를 저장할 수 있다. - `mediainfo`: 코덱, 해상도, 오디오 트랙 수 등을 JSON으로 저장 - `ai_summary`: AI가 생성한 영상 설명을 일반 텍스트로 저장 - 주요 API: - `GetObjectAnnotation`: 특정 annotation 조회 - `ListObjectAnnotations`: 객체에 연결된 전체 annotation 목록 확인 - `DeleteObjectAnnotation`: 특정 annotation 삭제 - `PutObjectAnnotation`: 같은 이름으로 호출해 기존 annotation 갱신 - 여러 팀이나 워크플로가 서로 다른 이름의 annotation을 사용하면 기술 정보, 콘텐츠 분류, 규제 정보 등을 서로 간섭 없이 동시에 관리할 수 있다. - 멀티파트 업로드 객체는 업로드를 완료한 뒤 `PutObjectAnnotation`으로 annotation을 추가해야 한다. ## 대규모 조회와 관리 - 개별 객체에 annotation을 붙이는 것만으로도 풍부한 컨텍스트를 보존할 수 있다. - S3 Metadata를 활성화하면 annotation이 관리형 annotation 테이블로 자동 전달된다. - 테이블 기반 조회를 통해 수많은 객체의 분류, 요약, 규제 상태, 기술 사양 등을 한 번에 검색할 수 있다. - 객체 본문을 모두 읽지 않고 메타데이터만 조회할 수 있어 대규모 데이터셋과 장기 보관 데이터에 특히 유리하다. S3 annotations는 단순한 태그나 업로드 시점의 헤더 메타데이터를 넘어, 변경 가능하고 대용량이며 조회 가능한 객체 컨텍스트를 제공한다. AI 에이전트, 콘텐츠 enrichment 파이프라인, 규제·감사 시스템처럼 객체의 의미와 상태가 계속 확장되는 환경에서는 별도 메타데이터 저장소를 구축하기 전에 annotations와 S3 Metadata 테이블 조합을 우선 검토할 만하다.

원문 읽기(새 탭에서 열림)

AI 에이전트amazon-s3jsonaws-cli+3

aws·2026년 6월 15일·4분 읽기큐레이션 요약

AWS WAF, 콘텐츠 소유자가 AI 봇의 콘텐츠 액세스에 요금을 부과할 수 있도록 AI 트래픽 수익화 기능 추가 | Amazon Web Services

AWS WAF의 AI 트래픽 수익화 기능은 콘텐츠 소유자가 AI 봇과 에이전트의 요청에 대해 네트워크 엣지에서 직접 과금할 수 있도록 지원한다. 콘텐츠 경로, 봇 유형, 검증 수준별로 가격과 접근 정책을 설정할 수 있으며, 애플리케이션 코드나 원본 인프라를 변경할 필요가 없다. 결제는 x402 프로토콜과 스테이블코인을 기반으로 처리되며, 이를 통해 AI 봇 트래픽으로 발생하는 비용을 콘텐츠 수익으로 전환할 수 있다. ## AI 봇 트래픽 수익화가 필요한 배경 - AI 크롤러 트래픽은 일부 콘텐츠 제공업체에서 전체 웹 트래픽의 50% 이상을 차지한다. - AI 전용 크롤러는 전년 대비 300% 이상 증가하고 있다. - 검색엔진 크롤러와 달리 AI 봇은 콘텐츠를 요약·응답 생성에 사용하지만, 원본 사이트로 유입되는 페이지뷰나 광고 노출은 거의 발생시키지 않는다. - 콘텐츠 제공자는 대역폭과 서버 비용을 부담하면서도 구독 전환이나 광고 수익을 얻지 못할 수 있다. - 기존 AWS WAF Bot Control은 봇 탐지, 차단, 속도 제한을 제공했지만 AI 에이전트에 가격을 설정하고 결제받는 기능은 제공하지 않았다. ## AWS WAF AI 트래픽 수익화 기능 - 콘텐츠 소유자는 다음 기준으로 세분화된 정책을 설정할 수 있다. - 콘텐츠 경로 - AI 봇 또는 에이전트 유형 - 에이전트 검증 수준 - 애플리케이션 코드를 수정하거나 별도의 결제 인프라를 구축하지 않아도 된다. - 콘텐츠별로 무료 제공, 차단, 과금, 검증 등의 동작을 선택할 수 있다. - 결제 정산과 검증은 Coinbase의 x402 Facilitator를 통해 제공된다. - Stripe 직접 계정 결제와 Machine Payments Protocol(MPP) 지원은 추후 제공될 예정이다. ## 시작 전 필요한 구성 - CloudFront 배포에 연결된 웹 ACL에서 AWS WAF Bot Control을 Common 또는 Targeted 수준으로 활성화해야 한다. - Bot Control은 수익화 정책에 필요한 AI 에이전트 분류 정보를 제공한다. - AWS Management Console의 **WAF & Shield → Protection packs (web ACLs)**에서 설정을 시작한다. ## Protection Pack 설정 Protection Pack은 AI 트래픽 수익화의 핵심 구성 단위다. - 수익화할 콘텐츠 경로를 지정한다. - 에이전트 검증 수준별 가격을 설정한다. - 허용할 결제 수단과 라이선스 조건을 정의한다. - 보호할 CloudFront 등 리소스를 연결한다. - 애플리케이션 카테고리와 목적을 선택하면 AWS WAF가 적절한 보안 보호 설정을 추천한다. - 필요하면 AWS 관리형 규칙 패키지 또는 개별 규칙을 함께 선택할 수 있다. - 하나의 배포 환경에서도 여러 Protection Pack을 만들어 콘텐츠 영역별로 다른 가격을 적용할 수 있다. ## AI 트래픽 분석 대시보드 가격을 정하기 전에 AI 봇 트래픽의 규모와 비용 영향을 확인할 수 있다. - 트래픽을 다음 네 가지로 구분한다. - 전체 봇 요청 - AI 봇 요청 - 검증된 AI 봇 트래픽 - 검증되지 않은 AI 봇 트래픽 - 다음 지표를 제공한다. - 사용한 대역폭 - 예상 월간 비용 - 최대 요청률 - 시간대별 콘텐츠 경로별 AI 봇 활동 - 경로별 히트맵을 활용하면 어떤 콘텐츠가 AI 봇에 가장 많이 소비되는지 파악할 수 있다. ## AI 에이전트 검증 등급 AWS WAF Bot Control은 650개 이상의 AI 봇과 에이전트 유형을 분류한다. 예시로 GPTBot, Claude-Web, Perplexity-Bot 등이 있다. - **Verified** - Web Bot Auth(WBA)의 Ed25519 암호 서명으로 에이전트 신원이 확인된 경우 - 알려진 IP 범위, 사용자 에이전트, 도메인 정보로 신원이 확인된 경우 - **Unverified** - 사용자 에이전트, 행동 지문, IP 평판 등을 통해 에이전트로 식별되지만 암호학적으로 신원이 확인되지 않은 경우 ## 에이전트별 접근 정책 각 검증 등급에 대해 다음 여섯 가지 동작을 지정할 수 있다. - **Monetize**: 가격 정보와 함께 HTTP 402 응답을 반환하고 결제를 요구 - **Allow**: 무료로 콘텐츠 접근 허용 - **Block**: 요청을 완전히 거부 - **Count**: 요청만 기록하고 과금하지 않음 - **CAPTCHA**: 사람이 보낸 요청인지 퍼즐로 검증 - **Challenge**: 브라우저인지 봇인지 무음 검사를 수행 ## x402 기반 결제 흐름 - Monetize 규칙이 요청과 일치하면 AWS WAF가 `HTTP 402 Payment Required`를 반환한다. - 응답 본문에는 x402 오픈 프로토콜 기반의 JSON 가격 매니페스트가 포함된다. - 매니페스트에는 다음 정보가 들어간다. - USDC 콘텐츠 가격 - 허용 블록체인 네트워크 - 수취 지갑 주소 - 최대 결제 대기 시간 - 결제 방식 - x402를 지원하는 에이전트 런타임은 결제 과정을 자동으로 수행할 수 있다. 1. 에이전트가 결제 네트워크를 선택한다. 2. 서명된 결제 승인을 제출한다. 3. AWS WAF가 결제를 검증한다. 4. 제3자 Facilitator가 온체인 결제를 정산한다. 5. 결제가 확인되면 콘텐츠를 제공한다. ## 결제 및 운영 조건 - 결제는 지원되는 블록체인 네트워크의 USDC 스테이블코인으로 처리한다. - 자체 관리 지갑이나 Coinbase 같은 지갑 제공업체의 지갑을 사용할 수 있다. - 네트워크별 지갑 주소와 페이지당 기본 USDC 가격을 설정할 수 있다. - AWS는 결제를 직접 처리하거나 콘텐츠 수익에 수수료를 부과하지 않는다. - Monetize 동작은 **Amazon CloudFront에 연결된 웹 ACL에서만 지원**되며, 리전 웹 ACL에서는 사용할 수 없다. - 실제 운영 전에는 테스트 모드에서 가격, 지갑 설정, x402 결제 흐름을 검증하는 것이 권장된다. 콘텐츠 제공자는 먼저 Bot Control과 AI 트래픽 분석을 활성화해 실제 비용과 봇 유형을 파악한 뒤, 검증된 에이전트에는 차등 가격을 적용하고 검증되지 않은 봇에는 차단·CAPTCHA·무료 허용 등의 정책을 조합하는 것이 좋다. 특히 CloudFront 기반 서비스라면 테스트 모드에서 결제 흐름을 충분히 확인한 후 경로별 과금 정책을 단계적으로 적용하는 것이 안전하다.

원문 읽기(새 탭에서 열림)

stablecoinsx402blockchaincloudfront+3

aws·2026년 6월 15일·5분 읽기큐레이션 요약

AWS 주간 요약: 프리뷰로 공개된 AWS FinOps 에이전트, Bedrock의 Gemma 4, Kiro Pro Max 등 (2026년 6월 15일) | Amazon Web Services

이번 주 AWS 소식은 AI 기반 개발 방식의 생산성 향상, 비용 최적화 자동화, 차세대 인프라와 모델 출시를 중심으로 전개됐다. AWS FinOps Agent는 비용 분석과 최적화 작업을 자동화하고, Graviton5 기반 EC2 M9g는 성능과 격리 보안을 강화했다. 또한 Gemma 4와 OpenSearch MCP Apps를 통해 생성형 AI와 에이전트 기반 운영 환경이 확대되고 있다. ## AI 네이티브 개발팀의 운영 방식 - Amazon의 수백 개 엔지니어링 팀 실험 결과, 구조화된 AI 개발 방식을 적용하면 생산성이 크게 향상됐다. - 6명의 엔지니어가 30명 투입 및 12~18개월이 예상되던 Amazon Bedrock 추론 엔진을 76일 만에 재구축했다. - Amazon Stores의 구조화된 파일럿에서는 배포 속도 중앙값이 4.5배 향상됐고, 일부 팀은 10배 이상 개선됐다. - Perfect Order Experience는 기능 출시 주기가 2주에서 반나절로 단축됐으며, WW Grocery는 설계 문서 작성 시간을 5일에서 몇 시간으로 줄였다. - 프런티어 팀을 위한 주요 실천법은 다음과 같다. - 코딩 규칙, 에이전트 지침, 구조화된 저장소 등 에이전트 컨텍스트를 먼저 구축한다. - 초기에는 생산성이 떨어질 수 있지만 새로운 워크플로가 정착될 때까지 지속한다. - 에이전트가 병렬로 처리할 수 있도록 범위가 명확한 작업 백로그를 유지한다. - 코드 생성 전에 명세와 의도를 구체적으로 정의한다. - 테스트를 개발 초기 단계로 앞당겨 에이전트가 스스로 오류를 수정하도록 한다. - 단순한 커밋 수만으로 생산성을 판단해서는 안 되며, 향후 릴리스 관리·운영·보안·EOL 업그레이드에 대한 후속 내용이 예고됐다. ## AWS FinOps Agent 기반 비용 최적화 - AWS FinOps Agent가 프리뷰로 공개됐다. - AWS 비용에 관한 질의에 답하고, 비용 보고서를 생성하며, 최적화 기회를 탐색한다. - Cost Optimization Hub와 Compute Optimizer를 활용해 다음 항목을 추천한다. - 리소스 라이트사이징 - 유휴 리소스 제거 - Savings Plans 도입 - 추천 결과를 바탕으로 Jira 티켓을 자동 생성할 수 있다. - 비용 이상 징후가 발견되면 원인을 자동 조사하고 결과를 Slack 채널에 게시할 수 있다. - 정기적인 FinOps 작업을 일정에 따라 실행할 수 있어 재무팀과 엔지니어링팀의 비용 관리 자동화에 적합하다. ## EC2 M9g·M9gd와 Graviton5 - EC2 M9g와 M9gd 인스턴스가 정식 출시됐다. - AWS Graviton5와 6세대 Nitro System을 기반으로 한다. - Graviton4 대비 최대 성능 향상: - 일반 컴퓨팅: 최대 25% - 웹 애플리케이션: 최대 35% - 머신러닝 추론: 최대 35% - 데이터베이스: 최대 30% - Graviton5는 AWS 프로세서 최초로 PCIe Gen6와 DDR5-8800 메모리를 지원한다. - 이전 세대보다 L3 캐시가 5배 커졌다. - M8g 대비 평균 네트워크 대역폭은 최대 15%, EBS 대역폭은 최대 20% 향상됐다. - Nitro Isolation Engine은 형식 검증을 활용해 가상 머신 간 격리를 수학적으로 증명한다. - M9gd는 최대 11.4TB의 NVMe SSD 로컬 스토리지와 M8gd 대비 30% 높은 IOPS를 제공한다. - Instance Bandwidth Configuration을 사용하면 EBS와 VPC 네트워크 간 대역폭 배분을 최대 25%까지 조정할 수 있다. ## Bedrock 모델 업데이트와 접근 제한 - Google DeepMind의 Gemma 4 제품군이 Amazon Bedrock에 추가됐다. - 제공 모델은 다음과 같다. - Gemma 4 31B: 256K 토큰 컨텍스트를 지원하며 추론·코딩에 적합 - Gemma 4 26B-A4B: MoE 구조로 비용과 지연 시간에 민감한 작업에 적합 - Gemma 4 E2B: 저지연 대화형 사용 사례를 위한 소형 모델 - 세 모델 모두 함수 호출, 구조화된 출력, 추론, 스트리밍 응답을 지원한다. - 텍스트·이미지·비디오·오디오 입력과 35개 이상의 언어를 지원한다. - Claude Fable 5는 비동기 장기 작업, 다이어그램·차트·PDF 비전 처리, 자체 검증 기능을 제공했다. - 다만 6월 12일 Anthropic이 미국 정부 수출통제 지침 준수를 위해 Claude Fable 5와 Claude Mythos 5의 접근 권한 철회를 AWS에 요청했다. - 해당 모델 사용에는 Data Retention API를 통한 데이터 공유 동의가 필요했으며, Mythos 계열은 입력·출력을 30일간 보관해야 했다. ## OpenSearch MCP Apps와 에이전트형 옵저버빌리티 - Amazon OpenSearch Service가 MCP Apps를 지원한다. - Claude Desktop, VS Code 등 호환되는 에이전트형 IDE에서 OpenSearch 기반 운영 데이터를 직접 조사할 수 있다. - 에이전트는 로그, 트레이스, 메트릭, 알림과 Amazon Managed Service for Prometheus 데이터를 활용해 장애를 분석한다. - 각 MCP 도구 호출은 두 가지 결과를 반환한다. - 에이전트 추론을 위한 텍스트 요약 - 대화 화면에 표시되는 인터랙티브 시각화 - 제공되는 분석 기능에는 로그·메트릭·트레이스 조사, 서비스 성능, 토폴로지, 동적 시각화, 에이전트 상태, 클러스터 상태, 계측 점수 등이 포함된다. ## AWS CLI와 자격 증명 관리 - AWS CLI v1이 유지보수 모드에 들어간다. - botocore와 s3transfer가 별도 패키지가 아니라 CLI v1 코드에 직접 포함된다. - 따라서 CLI v1 업그레이드가 독립적으로 설치된 해당 패키지 버전을 갱신하지 않는다. - CLI v1의 신규 릴리스는 치명적 버그와 보안 문제 수정에 한정된다. - AWS는 AWS CLI v2로의 마이그레이션을 권장한다. - AWS Workload Credentials Provider도 공개됐다. - AWS 외부 또는 온프레미스에서 실행되는 애플리케이션이 장기 액세스 키 없이 단기 자격 증명을 발급받을 수 있다. - 이를 통해 워크로드별 최소 권한 원칙과 자격 증명 보안을 강화할 수 있다. ## Kiro Pro Max - Kiro에 Pro Max 요금제가 추가됐다. - 더 높은 사용량 한도, 최신 프런티어 모델 접근 권한, 추가 에이전트 기능을 제공한다. - 지속적으로 AI 개발 기능을 사용하는 전문 개발팀을 주요 대상으로 한다. - 원문은 이 항목에서 일부가 잘려 있어 세부 기능과 가격 정보는 확인할 수 없다. 이번 발표들은 AWS가 단순한 클라우드 인프라 제공을 넘어, 비용 관리·소프트웨어 개발·운영 관측성까지 에이전트가 자동화하는 방향으로 확장하고 있음을 보여준다. 실무에서는 AWS CLI v2 마이그레이션을 우선 검토하고, FinOps Agent와 MCP Apps는 권한·데이터 보존·운영 자동화 범위를 점검한 뒤 제한된 환경에서 도입하는 것이 적절하다.

원문 읽기(새 탭에서 열림)

AI 에이전트모델 컨텍스트 프로토콜amazon-bedrockamazon-ec2+4

aws·2026년 6월 10일·4분 읽기큐레이션 요약

이제 사용 가능: 새로운 AWS Graviton5 프로세서로 구동되는 Amazon EC2 M9g 및 M9gd 인스턴스 | Amazon Web Services

AWS가 자체 설계한 Graviton5 프로세서 기반 EC2 M9g와 M9gd 인스턴스를 정식 출시했다. Graviton4 대비 최대 25% 높은 컴퓨팅 성능, 더 큰 캐시와 높은 메모리·네트워크·스토리지 대역폭을 제공하며, M9gd는 최대 11.4TB의 로컬 NVMe SSD를 추가한다. 특히 에이전트형 AI, 데이터베이스, 웹 애플리케이션처럼 CPU와 I/O를 동시에 많이 사용하는 워크로드의 성능과 에너지 효율 향상을 목표로 한다. ## Graviton5의 성능 및 설계 개선 - Graviton5는 AWS의 다섯 번째 자체 설계 Arm 프로세서다. - 최대 192개의 코어를 제공하며, 이전 세대보다 L3 캐시가 5배 커졌다. - 코어 간 지연 시간은 최대 33% 감소해 병렬 처리와 다수의 동시 작업에 유리하다. - DDR5-8800 메모리와 PCIe Gen6를 지원해 AWS 인스턴스 중 가장 빠른 메모리 성능을 제공한다. - Graviton4 대비 성능 향상 폭은 다음과 같다. - 전체 컴퓨팅 성능: 최대 25% - 웹 애플리케이션: 최대 35% - 머신러닝 추론: 최대 35% - 데이터베이스: 최대 30% - 성능 향상과 함께 에너지 효율도 개선해 비용 및 지속 가능성 목표 달성에 도움을 준다. ## 에이전트형 AI와 CPU 수요 대응 - AI가 단순 질의응답을 넘어 코드 실행, 도구 호출, 결과 평가, 다단계 작업 조율을 수행하면서 CPU 처리량의 중요성이 커지고 있다. - Graviton5는 다음 특성으로 에이전트형 AI에 적합하다. - 높은 코어 수로 다수의 실행 환경을 동시에 처리 - 대형 L3 캐시로 CPU 대기 시간 감소 - 높은 메모리 대역폭으로 데이터 처리량 향상 - 가속기가 CPU 작업을 기다리는 시간을 단축 - Meta는 실시간 추론, 코드 생성, 다단계 작업 조율을 위해 수천만 개 규모의 Graviton 코어를 배포할 계획이라고 밝혔다. - Honeycomb은 6개월간의 실제 운영 A/B 테스트에서 Graviton4 대비 코어당 처리량이 36% 향상됐다고 보고했다. ## M9g와 M9gd의 차이 ### M9g: 범용 컴퓨팅 중심 - vCPU 1개당 4GiB 메모리를 제공한다. - 다음과 같은 범용 워크로드에 적합하다. - 애플리케이션 서버와 마이크로서비스 - 중간 규모 데이터 저장소 - 게임 서버와 캐시 클러스터 - 컨테이너 애플리케이션 - 대규모 Java 애플리케이션 - 코드 저장소와 웹 애플리케이션 - 에이전트형 AI ### M9gd: 로컬 NVMe 스토리지 추가 - 최대 11.4TB의 로컬 NVMe SSD를 제공한다. - Graviton4 기반 M8gd보다 IOPS 및 스토리지 성능이 30% 향상됐다. - 낮은 지연 시간의 임시 또는 로컬 스토리지가 필요한 작업에 적합하다. - 캐시와 스크래치 파일 - 데이터 로깅 - 미디어 처리 - 배치 및 로그 처리 - 키-값 데이터 저장소 - 게임 서버와 마이크로서비스 - 컴퓨팅, 메모리, 네트워크, EBS 대역폭 사양은 동일한 크기의 M9g와 같다. ## 네트워크와 스토리지 대역폭 개선 - M9g와 M9gd는 이전 세대 대비 평균적으로 다음 대역폭을 제공한다. - 네트워크 대역폭: 최대 15% 증가 - EBS 대역폭: 최대 20% 증가 - 가장 큰 인스턴스 크기: 네트워크 대역폭 최대 2배 - Instance Bandwidth Configuration(IBC)을 지원한다. - EBS와 VPC 네트워크 사이의 대역폭 할당을 최대 25% 조정할 수 있다. - 데이터베이스 읽기·쓰기, 쿼리 처리, 로깅처럼 특정 I/O 비중이 큰 워크로드에 유용하다. - 컴퓨팅 성능 증가에 맞춰 데이터 이동과 저장장치 처리량도 함께 확장한 것이 특징이다. ## Nitro Isolation Engine을 통한 보안 강화 - M9g와 M9gd는 6세대 AWS Nitro System을 기반으로 한다. - 새롭게 도입된 Nitro Isolation Engine은 가상 머신 간 격리를 담당한다. - 메모리, CPU 레지스터 상태, I/O 장치 접근을 최소한의 API를 통해 제어한다. - 정형 검증(formal verification)을 사용해 특정 테스트 사례가 아니라 수학적으로 격리 동작을 검증한다. - AWS는 이를 통해 Nitro를 공식적으로 검증된 클라우드 하이퍼바이저로 발전시키고, 가상 머신 간 보안 격리에 대한 신뢰성을 높였다고 설명한다. ## 실제 고객 성과 - ClickHouse: 코드 변경 없이 M8g 대비 성능 36% 향상 - Honeycomb: Graviton4 대비 코어당 처리량 36% 향상 - HubSpot: MySQL 쿼리 수행 시간이 최대 60% 감소 - 이러한 사례는 데이터베이스, 분석, 관측성 등 다양한 운영 환경에서의 효과를 보여준다. ## 출시 지역과 구매 방식 - 현재 제공 지역: - 미국 동부 버지니아 - 미국 동부 오하이오 - 미국 서부 오리건 - 유럽 프랑크푸르트 - 구매 방식: - Savings Plans - On-Demand - Spot Instances - Dedicated Instances - Dedicated Hosts 기존 Arm 호환 애플리케이션이라면 M9g부터 성능을 검증하고, 로컬 SSD가 필요하면 M9gd를 선택하는 것이 적절하다. x86 기반 Java 애플리케이션은 AWS Transform을 활용해 호환성 분석, 재컴파일, 의존성 수정, 검증 과정을 자동화할 수 있으며, 도입 전에는 Graviton Savings Dashboard로 비용 절감 효과를 비교하는 것이 좋다.

원문 읽기(새 탭에서 열림)

AI 에이전트amazon-ec2aws-graviton5aws-nitro-system+4

aws·2026년 6월 9일·3분 읽기큐레이션 요약

AWS에서 제공되는 Anthropic Claude Fable 5: 기본 제공 안전장치를 갖춘 Mythos급 기능 이제 이용 가능 | Amazon Web Services

Claude Fable 5는 Amazon Bedrock과 Claude Platform on AWS에서 제공되는 Mythos급 성능의 모델로, 장시간 실행되는 코딩·지식 작업과 문서·이미지 이해에 강점을 보인다. 동시에 사이버보안·생물학·화학·보건 등 오용 위험이 높은 요청은 Opus 4.8로 전환하는 안전장치를 적용했다. AWS 사용자는 기존 Bedrock 환경에서 Messages, Invoke, Converse API를 통해 모델을 사용할 수 있지만, 이용 전 데이터 공유와 30일 보관에 동의해야 한다. ## Mythos급 성능과 장시간 작업 - 소프트웨어 엔지니어링, 지식 노동, 비전 관련 벤치마크에서 높은 성능을 제공한다. - 이전 모델보다 복잡하고 긴 작업을 중단 없이 오래 수행할 수 있다. - 코딩 및 연구 작업을 비동기적으로 실행해 사용자의 지속적인 개입을 줄인다. - 모델이 작업 중 얻은 학습 내용을 바탕으로 기술을 갱신하고, 자체 테스트 하네스와 평가 방식을 만들 수 있다. ## 고급 비전 기능 - 파일과 PDF 안에 포함된 다이어그램, 차트, 표를 해석한다. - 금융, 법률, 분석, 건축, 게임처럼 시각 자료가 많은 업무에 활용할 수 있다. - 코딩 과정에서 설계 이미지를 분석하고, 구현 결과가 원래 목표와 얼마나 일치하는지 스스로 검토할 수 있다. ## 오용 방지를 위한 안전장치 - Fable 5는 광범위한 사용을 목표로 강력한 안전 제한을 포함한다. - 사이버보안, 생물학, 화학, 보건과 관련된 유해 요청은 Opus 4.8로 대신 처리된다. - 안전장치가 없는 동일 계열 모델인 Claude Mythos 5는 검증된 일부 고객에게만 제공된다. - 높은 수준의 안전장치를 통해 Fable 5의 고성능 기능을 더 많은 고객에게 공개할 수 있다는 것이 Anthropic의 설명이다. ## Amazon Bedrock에서의 접근 방식 - Amazon Bedrock 또는 Claude Platform on AWS에서 사용할 수 있다. - Bedrock에서는 다음 경로를 통해 호출할 수 있다. - Anthropic SDK의 Messages API - `bedrock-mantle` 및 `bedrock-runtime` 엔드포인트 - AWS CLI와 AWS SDK의 Invoke API, Converse API - Bedrock 콘솔의 Playground - 예시 모델 식별자는 Anthropic SDK에서 `anthropic.claude-fable-5`, Converse API에서 `global.anthropic.claude-fable-5`로 제시된다. ## 데이터 공유 및 보관 조건 - 모델 호출 전에 Data Retention API를 사용해 `provider_data_share`를 설정해야 한다. - 출시 시점에는 이 설정을 위한 콘솔 UI가 제공되지 않는다. - `bedrock-mantle`에서는 `/v1/data_retention`, `bedrock-runtime`에서는 `/data-retention` 엔드포인트를 사용한다. - Anthropic은 입력과 출력 데이터를 30일 동안 보관하고 사람에 의한 검토를 요구한다. - 데이터 공유를 활성화하면 추론 데이터가 AWS 외부로 전달될 수 있으므로, 조직의 보안·규정 준수 정책을 먼저 확인해야 한다. ## Python 호출 예시 - Anthropic SDK 사용 시 `anthropic` 패키지를 설치하고 Bedrock Mantle 엔드포인트를 `base_url`로 지정한다. - `client.messages.create()`에 모델명, 최대 토큰 수, 사용자 메시지를 전달해 호출한다. - Boto3의 Converse API를 사용하면 Bedrock의 통합 멀티모델 인터페이스로 Fable 5를 호출할 수 있다. - 예시 작업으로는 여러 지역에서 초당 10만 요청을 처리하는 AWS 분산 아키텍처 설계가 제시됐다. ## 이용 권한과 가격 - 모델 접근 권한은 AWS 계정별로 단계적으로 확대된다. - 아직 접근할 수 없는 계정은 Bedrock 사용량에 따라 추후 활성화되며, 빠른 사용이 필요하면 AWS Support에 문의할 수 있다. - 유해 요청이 Opus 4.8로 라우팅되면 Opus 가격이 적용된다. - 대화 중간에 차단되는 경우 초기 토큰에는 Fable 요금, 이후 토큰에는 Opus 요금이 적용될 수 있다. - Mythos급 모델은 오용 패턴 탐지를 위해 전체 트래픽에 제한적인 데이터 보관이 요구된다. 실제로 도입할 때는 모델 성능뿐 아니라 30일 데이터 보관, 사람의 데이터 검토, AWS 외부 데이터 공유 가능성을 반드시 검토해야 한다. 민감한 업무라면 먼저 Bedrock 권한과 보안 정책을 확인한 뒤 제한된 테스트 환경에서 Messages API나 Converse API로 평가하는 것이 좋다.

원문 읽기(새 탭에서 열림)

생성형 AIPythonamazon-bedrockaws-cli+4

aws·2026년 6월 8일·4분 읽기큐레이션 요약

AWS 주간 요약: Amazon RDS for SQL Server의 BYOM, Swift용 AWS IoT Device SDK 등 (2026년 6월 8일) | Amazon Web Services

AWS 이번 주 주요 소식은 Swift 기반 IoT 개발의 본격화와 기업용 AWS 서비스의 안정성·보안·AI 기능 강화에 초점이 맞춰져 있다. AWS IoT Device SDK for Swift가 정식 출시되어 MQTT 5, Device Shadow, Jobs, 플릿 프로비저닝을 macOS·iOS·tvOS·Linux에서 사용할 수 있게 됐다. 또한 RDS for SQL Server의 기존 라이선스 재사용, Cognito 멀티 리전 복제, Bedrock의 OpenAI 모델 지원 등 기업 환경을 겨냥한 기능도 확대됐다. ### Swift 기반 IoT와 엣지 컴퓨팅의 확장 - AWS IoT Device SDK for Swift가 정식 출시됐다. - 다음 기능을 제공한다. - 프로덕션 수준의 MQTT 5 연결 - Device Shadow를 통한 디바이스 상태 동기화 - Jobs를 이용한 원격 작업 및 업데이트 - 플릿 프로비저닝을 통한 대규모 디바이스 등록 - macOS, iOS, tvOS, Linux에서 Swift로 IoT 애플리케이션을 개발할 수 있다. - 서버 측 Swift, IoT, 엣지 컴퓨팅의 결합이 확대되고 있으며, WendyOS처럼 NVIDIA Jetson과 Raspberry Pi에서 Swift 애플리케이션 배포를 지원하는 프로젝트도 등장하고 있다. ### Amazon RDS for SQL Server의 BYOM 지원 - 온프레미스에서 SQL Server 애플리케이션을 이전하는 고객은 기존 Microsoft SQL Server 라이선스를 Amazon RDS에서 재사용할 수 있다. - Microsoft Software Assurance가 포함된 라이선스는 Microsoft License Mobility 프로그램을 통해 적용할 수 있다. - Bring Your Own Media(BYOM)는 AWS License Manager와 통합된다. - 이를 통해 라이선스 사용량을 추적하고 규정 준수 상태를 관리할 수 있다. - 기존 라이선스 투자를 활용할 수 있어 SQL Server 마이그레이션 비용 절감에 도움이 된다. ### Amazon Cognito 멀티 리전 복제 - Cognito 사용자 풀의 사용자 및 머신 ID 데이터를 보조 리전에 거의 실시간으로 동기화할 수 있다. - 복제 대상에는 다음 항목이 포함된다. - 자격 증명 - 사용자 풀 구성 - 연동 및 페더레이션 설정 - 기본 리전에 장애가 발생해도 로그인 상태의 사용자는 재인증 없이 애플리케이션을 계속 이용할 수 있다. - 등록 사용자는 기존 자격 증명으로 보조 리전에서 로그인할 수 있다. - Essentials 또는 Plus 기능 티어에서 애드온으로 제공되며, 16개 리전에서 지원된다. ### Amazon Bedrock의 OpenAI 모델 및 개발 도구 지원 - GPT-5.5, GPT-5.4, Codex가 Amazon Bedrock에서 정식 제공된다. - GPT-5.5는 에이전트 기반 코딩, 데이터 분석, 다단계 자율 작업에 강점을 가진다. - Codex는 다음 환경에서 사용할 수 있다. - Codex App - Codex CLI - Visual Studio Code - JetBrains IDE - Xcode - AWS의 기존 보안, 거버넌스, 운영 관리 체계 안에서 OpenAI 모델을 사용할 수 있다. - 가격은 OpenAI의 직접 제공 가격과 동일하며, 사용량은 기존 AWS 약정에 포함된다. ### Bedrock 관측성·콘솔·보안 기능 개선 - OpenAI 및 Anthropic 호환 API용 `bedrock-mantle` 엔드포인트에 CloudWatch 지표가 추가됐다. - 계정, 프로젝트, 모델, 프로젝트-모델 단위로 다음 정보를 모니터링할 수 있다. - 추론 요청 수 - 입력·출력 토큰 수 - 클라이언트 오류 수 - 호환 API에 최적화된 Bedrock 콘솔이 새롭게 개편됐다. - 모델 카탈로그 - 모델 나란히 비교 - 프로젝트 기반 구성 - 미리 채워진 코드 예제가 포함된 프로젝트별 문서 - Bedrock AgentCore Identity는 기존 AWS Secrets Manager 시크릿 ARN을 직접 참조할 수 있게 됐다. - 고객은 자체 KMS 키, 태깅 전략, 자동 로테이션 등 시크릿 관리 정책을 유지할 수 있다. ### 에이전트와 워크플로 자동화 - AWS Step Functions에 Bedrock AgentCore 기반의 에이전트 추론 단계가 추가됐다. - 워크플로에서 여러 AI 에이전트를 병렬 또는 순차적으로 실행할 수 있다. - 사람의 승인 단계를 삽입할 수 있어 자동화와 통제를 함께 구현할 수 있다. - 각 에이전트의 판단 과정을 추적할 수 있어 감사와 디버깅에 유리하다. ### 컨테이너 및 Kubernetes 기능 업데이트 - Amazon EKS와 EKS Distro가 Kubernetes 1.36을 지원한다. - 주요 변경 사항은 다음과 같다. - User Namespaces 정식 지원 - Mutating Admission Policies - Pod 단위 리소스의 인플레이스 수직 확장 - 리소스 상태 보고 기능 - ECS Managed Instances는 AWS Trainium과 Inferentia를 지원한다. - Inferentia2, Trainium1, Trainium2 인스턴스를 용량 공급자로 구성할 수 있다. - ECS가 워크로드에 필요한 가속기 리소스를 자동으로 할당한다. ### 네트워크 연결·비용 분석·위치 서비스 - Amazon Quick은 VPC를 통해 사설 MCP 서버에 연결할 수 있다. - 내부 애플리케이션과 도구를 인터넷에 노출하지 않고 Amazon Quick에서 사용할 수 있다. - AWS Cost and Usage Report 2.0은 Athena와 Redshift 통합을 지원한다. - 선택한 쿼리 엔진에 맞는 형식으로 비용 데이터를 전달하고, 테이블 정의와 데이터 로딩 지침도 제공한다. - Amazon Location Service Routes API에는 대중교통 및 복합 이동 경로가 추가됐다. - Transit과 Intermodal 모드를 통해 대중교통, 도보, 자동차, 택시, 렌터카를 조합한 경로를 계획할 수 있다. - 해당 기능은 13개 리전에서 제공된다. ### 실용적인 시사점 - SQL Server를 AWS로 이전한다면 기존 라이선스와 Software Assurance를 활용할 수 있는지 확인하는 것이 좋다. - 글로벌 서비스의 인증 연속성이 중요하다면 Cognito 멀티 리전 복제를 검토할 만하다. - Bedrock을 도입하는 팀은 CloudWatch 토큰·오류 지표와 Secrets Manager 연동을 함께 구성해 비용과 보안을 관리하는 것이 바람직하다. - IoT 제품을 Swift 생태계로 개발하거나 Apple 기기와 엣지 하드웨어를 함께 운영하려는 경우 AWS IoT Device SDK for Swift가 유력한 선택지가 될 수 있다.

원문 읽기(새 탭에서 열림)

쿠버네티스amazon-bedrockedge-computingamazon-rds+3