CloudWatchEvents + Lambdaを使ったfluentdインスタンスのローリングアップデート - Qiita
はじめに リクルートライフスタイル Advent Calendar 2016の2日目の記事ではELB経由のfluentd Aggregatorを安定化するためにやった3つの対策について書きました。 前記事で書いたようにAggregatorクラスタの数が増えて手動で行っていたデプロイが大変になってきました。また開発メンバーが増えたときに、デプロイ方法を共有してミスなく行えるようにするのも大変です。 そこでfluentd Aggregatorのローリングアップデートを自動化したくなり、CloudWatchEvents + Lambda + SQSで仕組みを作りました。 fluentdのデプロイ時に気をつけること fluentdはローカル上にバッファを持っているため、それを出力し終える前にインスタンスを落としてしまうと、ログのロストが発生します。 それを防ぐためにはバッファがなくなるまで待って、
Intel Edisonのセンサー値をSpark MLlibで機械学習しStreamingで「立ち・座り」判定 - Qiita
リクルートライフスタイル Advent Calendar 2015の21日目の記事です。 仕事では全サービス横断のリアルタイムログ収集・可視化・分析基盤のシステムの開発運用をしています。 1. 何をやる？ 最近話題のApache Spark MLlibを使って機械学習し、Spark Streamingでその学習したモデルを使って判定します。 全体図 体に取り付けた加速度センサーの値から、つけている人が「立っている」か「座っている」かを機械学習します。 さらに、その加速度センサーの値をリアルタイムに流し、学習したモデルから「立ち」「座り」状態を予測しようというシステムです。 データの送信には小型でLinuxが動くボードのIntel Edsionを使います。 1.1. なぜ加速度センサーの値で判定できるのか？ 加速度センサーには地面の方向に向かって重力加速度がかかります。 重力加速度は、水平に
Pythonでランダムな値を返すメソッドのテスト - Qiita
# -*- coding: utf-8 -*- import random class Dice(object): def throw(self): return random.randint(1, 6) # -*- coding: utf-8 -*- import collections import unittest import dice from scipy import stats class TestDice(unittest.TestCase): def setUp(self): self.__target = dice.Dice() def test_throw(self): # 6000回実行する result = [self.__target.throw() for n in range(0, 6000)] # 実行結果の集計 counted = collections
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
