Domande frequenti su Amazon S3

Un bucket vettoriale è stato creato appositamente per archiviare e interrogare i vettori. All'interno di un bucket vettoriale, non si utilizzano le API degli oggetti S3, ma piuttosto le API vettoriali dedicate per scrivere dati vettoriali e interrogarli in base al significato semantico e alla somiglianza. Puoi controllare l'accesso ai tuoi dati vettoriali con i meccanismi di controllo degli accessi esistenti in Amazon S3, inclusi bucket e policy IAM. Tutte le scritture su un bucket vettoriale sono fortemente coerenti, il che significa che puoi accedere immediatamente ai vettori aggiunti più di recente. Man mano che scrivi, aggiorni ed elimini i vettori nel tempo, i bucket vettoriali S3 ottimizzano automaticamente i dati vettoriali in essi archiviati per ottenere il rapporto prezzo-prestazioni ottimale, anche se i set di dati si ridimensionano ed evolvono.

Un bucket è un container per oggetti e tabelle archiviati su Amazon S3 in cui è possibile memorizzare un numero qualsiasi di oggetti. I bucket per uso generico sono il tipo di bucket S3 originale e possono contenere oggetti archiviati in tutte le classi di archiviazione a eccezione di S3 Express One Zone. Sono consigliati per la maggior parte dei casi d'uso e dei modelli di accesso. I bucket di directory S3 ammettono solo gli oggetti archiviati nella classe di archiviazione S3 Express One Zone, che fornisce un'elaborazione più rapida dei dati all'interno di una singola zona di disponibilità. Sono consigliati per casi d'uso a bassa latenza. Ogni bucket di directory S3 può supportare fino a 2 milioni di transazioni al secondo (TPS), indipendentemente dal numero di directory al suo interno. I bucket di tabelle S3 sono progettati appositamente per l'archiviazione in S3 di dati tabulari, come transazioni di acquisto giornaliere, dati dei sensori di streaming o impressioni degli annunci. Quando si utilizza un bucket di tabelle, i dati vengono archiviati sotto forma di tabella Iceberg in S3 ed è poi possibile interagirvi utilizzando capacità di analisi come transazioni a livello di riga, snapshot di tabella interrogabili e molte altre, tutte gestite da S3. Inoltre, i bucket di tabelle eseguono una manutenzione continua delle tabelle, in modo da ottimizzare automaticamente l'efficienza delle query nel tempo, anche se il data lake si scala e si evolve. I bucket vettoriali S3 sono progettati appositamente per l'archiviazione e l'interrogazione dei vettori. All'interno di un bucket vettoriale, si utilizzano API vettoriali dedicate per scrivere dati vettoriali e interrogarli in base al significato semantico e alla somiglianza. Puoi controllare l'accesso ai tuoi dati vettoriali utilizzando i meccanismi di controllo degli accessi esistenti in Amazon S3, inclusi bucket e policy IAM. Man mano che scrivi, aggiorni ed elimini i vettori nel tempo, i bucket vettoriali S3 ottimizzano automaticamente i dati vettoriali in essi archiviati per ottenere il rapporto prezzo-prestazioni ottimale, anche se i set di dati si ridimensionano ed evolvono.

S3 Tables fornisce uno spazio S3 dedicato per l'archiviazione di dati strutturati nel formato Apache Parquet, Avro e ORC. All'interno di un bucket di tabelle, è possibile creare tabelle come risorse di prima classe direttamente in S3. Queste tabelle possono essere protette con autorizzazioni a livello di tabella definite in policy basate sull'identità o sulle risorse, e sono accessibili da applicazioni o strumenti che supportano lo standard Apache Iceberg. Quando si crea una tabella nel bucket di tabelle, i dati sottostanti in S3 vengono archiviati come file Parquet, Avro o ORC. Quindi, S3 utilizza lo standard Apache Iceberg per archiviare i metadati necessari affinché le applicazioni possano interrogare i dati. S3 Tables include una libreria client utilizzata dai motori di query per navigare e aggiornare i metadati Iceberg delle tabelle del bucket di tabelle. Questa libreria, insieme alle API S3 aggiornate per le operazioni sulle tabelle, consente a più client di leggere e scrivere dati nelle tabelle in modo sicuro. Nel tempo, S3 ottimizza automaticamente i dati Parquet, Avro o ORC sottostanti riscrivendo o “compattando” gli oggetti. La compattazione ottimizza i dati su S3 per migliorare le prestazioni delle query.

È possibile iniziare a usare S3 Tables in soli tre passaggi e senza dover creare alcuna infrastruttura all'esterno di S3. Innanzitutto, crea un bucket da tavolo nella console S3. Come parte della creazione del primo bucket di tabelle tramite la console, l'integrazione con i servizi AWS Analytics avviene automaticamente, il che consente a S3 di popolare automaticamente tutti i bucket e le tabelle del tuo account e della tua regione nel catalogo dati AWS Glue. Dopodiché, S3 Tables sarà quindi accessibile ai motori di query AWS come Amazon Athena, EMR e Redshift. Successivamente, puoi fare clic per creare una tabella utilizzando Amazon Athena dalla console S3. Una volta in Athena, puoi iniziare rapidamente a popolare nuove tabelle e a interrogarle.

In alternativa, puoi accedere a S3 Tables utilizzando l'endpoint di catalogo REST di Iceberg tramite il Catalogo dati AWS Glue, che ti consente di scoprire l'intero patrimonio di dati, comprese tutte le risorse delle tabelle. Puoi anche connetterti direttamente a un singolo endpoint del bucket di tabelle per scoprire tutte le risorse di S3 Tables all'interno di quel bucket. Ciò consente di utilizzare S3 Tables con qualsiasi applicazione o motore di query che supporti la specifica del catalogo REST di Apache Iceberg.

Le prestazioni delle query sono fino a 3 volte più veloci e le transazioni al secondo (TPS) sono fino a 10 volte superiori rispetto all'archiviazione delle tabelle Iceberg in bucket Amazon S3 per uso generico. Queste prestazioni sono dovute al fatto che i bucket di tabelle compattano automaticamente i dati Parquet, Avro oppure ORC sottostanti delle tabelle per ottimizzare le prestazioni delle query. Inoltre, l'archiviazione progettata appositamente supporta TPS fino a 10 volte superiori per impostazione predefinita.

I bucket di tabelle offrono la possibilità di applicare policy di risorse all'intero bucket o a singole tabelle. Le policy di bucket di tabelle possono essere applicate utilizzando le API PutTablePolicy e PutTableBucketPolicy. Le policy a livello di tabella consentono di gestire le autorizzazioni al bucket di tabelle in base alla logica delle tabelle a cui è associato, senza la necessità di conoscere la posizione fisica dei singoli file Parquet, Avro o ORC. Inoltre, Blocco dell'accesso pubblico S3 è sempre applicato ai bucket di tabelle.

I bucket di tabelle supportano il formato di tabelle Apache Iceberg con dati Parquet.

Puoi iniziare a usare S3 Vectors in quattro semplici passaggi, senza dover configurare alcuna infrastruttura al di fuori di Amazon S3. Innanzitutto, crea un bucket vettoriale in una regione AWS specifica tramite l'API CreateVectorBucket o nella console S3. In secondo luogo, per organizzare i dati vettoriali in un bucket vettoriale, crei un indice vettoriale con l'API CreateIndex o nella console S3. Quando si crea un indice vettoriale, si specifica il parametro della distanza (coseno o euclidea) e il numero di dimensioni che un vettore deve avere (fino a 4.092). Per risultati più accurati, seleziona il parametro della distanza consigliata dal tuo modello di embedding. Terzo, aggiungi dati vettoriali a un indice vettoriale con l'API PutVectors. Facoltativamente, puoi collegare metadati come coppie chiave-valore a ciascun vettore per filtrare le query. In quarto luogo, esegui una query di somiglianza utilizzando l'API QueryVectors, specificando il vettore da cercare e il numero dei risultati più simili da restituire.

Puoi creare un indice vettoriale utilizzando la console S3 o l'API CreateIndex. Durante la creazione dell'indice, specifichi il bucket vettoriale, l'indice, il parametro della distanza, le dimensioni e, facoltativamente, un elenco di campi di metadati che desideri escludere dal filtro durante le query di somiglianza. Ad esempio, se desideri archiviare i dati associati ai vettori esclusivamente come riferimento, puoi specificarli come campi di metadati non filtrabili. Al momento della creazione, a ciascun indice viene assegnato un nome della risorsa Amazon (ARN) univoco. Successivamente, quando si effettua una richiesta di scrittura o di interrogazione, la si indirizza a un indice vettoriale all'interno di un bucket vettoriale.

Puoi aggiungere vettori a un indice vettoriale utilizzando l'API PutVectors. Ogni vettore è costituito da una chiave, che identifica in modo univoco ogni vettore in un indice vettoriale (ad esempio è possibile generare un UUID a livello di codice). Per massimizzare il throughput di scrittura, si consiglia di inserire vettori in batch di grandi dimensioni, fino alla dimensione massima della richiesta. Inoltre, puoi collegare metadati (ad esempio anno, autore, genere e località) come coppie di valori chiave a ciascun vettore. Quando si includono i metadati, per impostazione predefinita tutti i campi possono essere utilizzati come filtri in una query di similarità, a meno che non siano specificati come metadati non filtrabili al momento della creazione dell'indice vettoriale. Per generare nuovi embedding vettoriali dei tuoi dati non strutturati, puoi utilizzare l'API InvokeModel di Amazon Bedrock, specificando l'ID del modello di embedding che desideri utilizzare.

Puoi utilizzare l'API GetVectors per cercare e restituire vettori e metadati associati tramite la chiave vettoriale.

È possibile eseguire una query di somiglianza con l'API QueryVectors, specificando il vettore di query, il numero di risultati pertinenti da restituire (i primi k vicini più vicini) e l'ARN dell'indice. Quando si genera il vettore di interrogazione, è necessario utilizzare lo stesso modello di embedding utilizzato per generare i vettori iniziali memorizzati nell'indice vettoriale. Ad esempio, se utilizzi Embedding di testo Amazon Titan v2 in Amazon Bedrock per generare incorporamenti dei tuoi documenti, ti consigliamo di utilizzare lo stesso modello per convertire una domanda in un vettore. Inoltre, puoi utilizzare i filtri dei metadati in una query per cercare i vettori che corrispondono al filtro. Quando si esegue la query di similarità, per impostazione predefinita vengono restituite le chiavi vettoriali. Puoi facoltativamente includere la distanza e i metadati nella risposta.

S3 Vectors offre un'archiviazione vettoriale altamente duratura e disponibile. I dati scritti su S3 Vectors vengono archiviati su S3, progettato per una durabilità dei dati del 99,999999999%. S3 Vectors è progettato per offrire una disponibilità del 99,99% con un Accordo sul livello di servizio per la disponibilità del 99.9%.

S3 Vectors offre tempi di latenza delle query inferiori al secondo. Utilizza il throughput elastico di Amazon S3 per gestire le ricerche su milioni di vettori ed è ideale per carichi di lavoro di query poco frequenti.

Per eseguire query di somiglianza per gli embedding vettoriali, diversi fattori possono influire sul richiamo medio, tra cui il modello di embedding, la dimensione del set di dati vettoriali (numero di vettori e dimensioni) e la distribuzione delle query. S3 Vectors offre un richiamo medio di oltre il 90% per la maggior parte dei set di dati. Il richiamo medio misura la qualità dei risultati delle query: il 90% significa che la risposta contiene il 90% dei vettori di verità fondamentale più vicini, memorizzati nell'indice, al vettore di query. Tuttavia, poiché le prestazioni effettive possono variare a seconda del caso d'uso specifico, consigliamo di condurre test personalizzati con dati e domande rappresentativi per verificare che gli indici vettoriali S3 soddisfino i requisiti di richiamo.

Puoi visualizzare un elenco di vettori in un indice vettoriale con l'API ListVectors, che restituisce fino a 1.000 vettori alla volta con un indicatore se la risposta viene troncata. La risposta include la data dell'ultima modifica, la chiave vettoriale, i dati vettoriali e i metadati. Puoi anche utilizzare l'API ListVectors per esportare facilmente dati vettoriali da un indice vettoriale specificato. L'operazione ListVectors è fortemente coerente. Quindi, dopo una scrittura, puoi immediatamente elencare i vettori con tutte le modifiche riflesse.

Con S3 Vectors, paghi per lo spazio di archiviazione e per qualsiasi richiesta di scrittura e lettura applicabile (ad esempio, inserimento di vettori ed esecuzione di operazioni di interrogazione sui vettori in un indice vettoriale). Per maggiori dettagli sui prezzi, consulta la pagina dei prezzi di S3.

Sì. Durante la creazione di una knowledge base Bedrock tramite la console o l'API Bedrock, puoi configurare un indice vettoriale S3 esistente come archivio vettoriale per risparmiare sui costi di archiviazione vettoriale per i casi d'uso RAG. Se preferisci lasciare che Bedrock crei e gestisca l'indice vettoriale per te, usa il flusso di lavoro Quick Create nella console Bedrock. Inoltre, puoi configurare un nuovo indice vettoriale S3 come archivio vettoriale per i flussi di lavoro RAG in Amazon SageMaker Unified Studio.

Sì. Esistono due modi per utilizzare S3 Vectors con il Servizio OpenSearch di Amazon. Innanzitutto, i clienti S3 possono esportare tutti i vettori da un indice vettoriale S3 a OpenSearch serverless come nuova raccolta serverless utilizzando la console S3 o OpenSearch. Se costruisci nativamente su S3 Vectors, trarrai vantaggio dalla possibilità di utilizzare OpenSearch serverless in modo selettivo per carichi di lavoro con esigenze di interrogazione in tempo reale. In secondo luogo, se sei un cliente OpenSearch gestito, ora puoi scegliere S3 Vectors come motore per i dati vettoriali che possono essere interrogati con una latenza inferiore al secondo. OpenSearch utilizzerà quindi automaticamente S3 Vectors come motore sottostante per i vettori e potrai aggiornare e cercare i tuoi dati vettoriali utilizzando le API OpenSearch. Ottieni i vantaggi in termini di costi di S3 Vectors, senza modifiche alle tue applicazioni.

I punti di accesso Amazon S3 sono endpoint che semplificano la gestione dell'accesso ai dati per qualsiasi applicazione o servizio AWS che funziona con S3. I punti di accesso S3 funzionano con i bucket S3 e i file system Amazon FSx per OpenZFS. Puoi controllare e semplificare il modo in cui diverse applicazioni o utenti possono accedere ai dati creando punti di accesso con nomi e autorizzazioni personalizzati per ogni applicazione o utente.

Grazie ai punti di accesso S3 con i bucket S3 non è più necessario gestire una singola e complessa policy di bucket con centinaia di diverse regole di autorizzazione che devono essere scritte, lette, tracciate e verificate. È invece possibile creare centinaia di punti di accesso per bucket, ognuno dei quali fornisce un percorso personalizzato in un bucket, con un nome host unico e una policy di accesso che implementa le autorizzazioni specifiche e i controlli di rete per qualsiasi richiesta avanzata attraverso il punto di accesso.

Utilizzando i punti di accesso S3 con FSx per OpenZFS, puoi accedere ai tuoi dati FSx utilizzando l'API S3 come se i dati fossero in S3. Grazie a questa funzionalità, i dati dei file in FSx per OpenZFS sono accessibili per l'utilizzo con l'ampia gamma di servizi e applicazioni di intelligenza artificiale, machine learning e analisi compatibili con S3, pur continuando a risiedere nel file system FSx per OpenZFS.

Con i punti di accesso S3, puoi accedere ai dati dei file in Amazon FSX per OpenZFS utilizzando le API S3 e senza spostare i dati su S3. I punti di accesso S3 collegati ai file system FSx per OpenZFS funzionano in modo simile a come funzionano i punti di accesso S3 collegati ai bucket S3, fornendo l'accesso ai dati tramite S3 con accesso controllato da policy di accesso, mentre i dati continuano a essere archiviati nei file system FSX per OpenZFS o nei bucket S3. Ad esempio, una volta collegato un punto di accesso S3 a un file system FSx per OpenZFS, i clienti possono utilizzare il punto di accesso con servizi e applicazioni di IA generativa, machine learning e analisi che funzionano con S3 per accedere ai propri dati FSx per OpenZFS.

È possibile importare i dati dalla stessa Regione AWS nella classe di archiviazione S3 Express One Zone tramite la console S3 utilizzando l'opzione Importa dopo aver creato un bucket di directory. L'importazione semplifica la copia dei dati nei bucket di directory S3 consentendo di scegliere un prefisso o un bucket da cui importare i dati senza dover specificare singolarmente tutti gli oggetti da copiare. S3 Batch Operations copia gli oggetti nel prefisso o nel bucket per uso generico selezionato; è possibile monitorare lo stato di avanzamento del processo di copia di importazione tramite la relativa pagina dei dettagli.

I bucket di directory S3 che non hanno attività di richiesta per un periodo di almeno 3 mesi passeranno a uno stato inattivo. Mentre è in uno stato inattivo, un bucket di directory è temporaneamente inaccessibile per le letture e le scritture. I bucket inattivi conservano tutto lo storage, i metadati degli oggetti e i metadati dei bucket. Le tariffe di archiviazione esistenti verranno applicate ai bucket inattivi. In caso di richiesta di accesso a un bucket inattivo, il bucket passerà a uno stato attivo, in genere entro pochi minuti. Durante questo periodo di transizione, le operazioni di lettura e scrittura restituiranno un codice di errore 503 SlowDown.

Dovresti utilizzare Amazon S3 Metadata se desideri utilizzare SQL per interrogare le informazioni sui tuoi oggetti S3 per identificare rapidamente set di dati specifici per l'IA generativa, l'analisi e altri casi d'uso. S3 Metadata mantiene i metadati aggiornati quasi in tempo reale, quindi puoi utilizzare qualsiasi client compatibile con Iceberg per eseguire query SQL per trovare oggetti in base ai metadati degli oggetti. Ad esempio, puoi utilizzare una query SQL per restituire un elenco di oggetti che corrispondono a determinati filtri, ad esempio gli oggetti aggiunti negli ultimi 30 giorni in qualsiasi bucket.

S3 Metadata è progettato per generare automaticamente metadati che forniscono informazioni aggiuntive sugli oggetti caricati in un bucket e per rendere tali metadati interrogabili in una tabella di sola lettura. Queste tabelle di metadati sono archiviate in Amazon S3 Tables, che sono basate su Apache Iceberg e forniscono un modo gestito per archiviare e interrogare dati tabulari all'interno di S3. S3 Metadata crea e conserva metadati a livello di sistema come la dimensione degli oggetti, metadati personalizzati come i tag e i metadati definiti dagli utenti durante il caricamento degli oggetti, e i metadati di eventi come l'indirizzo IP che ha inviato la richiesta. Man mano che i dati nel bucket cambiano, S3 Metadata si aggiorna quasi in tempo reale per riflettere le ultime modifiche. È quindi possibile interrogare le tabelle di metadati utilizzando diversi servizi di analisi AWS e strumenti open source compatibili con Iceberg, compresi Amazon Athena, Amazon QuickSight e Apache Spark.

È possibile iniziare a utilizzare S3 Metadata con pochi clic nella Console di gestione S3. Basta selezionare il bucket S3 generico su cui si desidera abilitare S3 Metadata e S3 analizzerà i dati nel bucket e creerà una tabella Apache Iceberg completamente gestita che contiene i metadati per tutti i tuoi oggetti. In pochi minuti, puoi iniziare a interrogare i tuoi metadati utilizzando qualsiasi motore di query o strumento che supporti Apache Iceberg.

Le tue tabelle di metadati S3 sono archiviate in un bucket di tabelle gestito da AWS nel tuo account AWS chiamato aws-s3. Le tue tabelle saranno di sola lettura e solo S3 avrà il permesso di scrivere, aggiornare o eliminare i metadati. 

S3 Metadata archivia i metadati in due tabelle gestite nel tuo account: tabelle del registro e tabelle di inventario live. 

La tabella del registro di S3 Metadata fornisce una panoramica delle modifiche apportate all'interno del bucket. Man mano che gli oggetti vengono aggiunti, aggiornati e rimossi dai bucket S3 generici, le modifiche corrispondenti si riflettono nelle tabelle del registro quasi in tempo reale. Le tabelle del registro sono utili per comprendere il comportamento delle applicazioni e per identificare eventuali modifiche apportate ai set di dati. Ad esempio, puoi scrivere query SQL per le tabelle del registro per trovare oggetti S3 che corrispondono a un filtro, ad esempio oggetti aggiunti negli ultimi 30 giorni, oggetti aggiunti da richiedenti attivi o oggetti con modifiche ai metadati nell'ultima settimana.

La tabella di inventario live di S3 Metadata contiene un elenco completo di tutti gli oggetti nel bucket. Le tabelle di inventario in tempo reale vengono aggiornate ogni ora e contengono tutte le informazioni che S3 conosce sui tuoi oggetti. Le tabelle di inventario in tempo reale sono utili per scoprire o identificare i set di dati nel bucket, in base alle caratteristiche generate nei metadati degli oggetti. Ad esempio, puoi utilizzare tabelle di inventario in tempo reale per identificare i set di dati di formazione per il machine learning, da utilizzare in esercizi di ottimizzazione dei costi di archiviazione o per aiutare a far rispettare i controlli di governance.

Quando aggiungi nuovi oggetti al tuo bucket, vedrai le voci nella tabella del registro in pochi minuti e vedrai le voci nella tabella dell'inventario attivo al successivo aggiornamento orario. Quando abiliti i metadati S3 su un bucket esistente, S3 avvia automaticamente un'operazione di backfill per generare metadati per tutti gli oggetti esistenti. Questo backfill in genere termina in pochi minuti, ma può richiedere diverse ore se i set di dati esistenti contengono milioni o miliardi di oggetti S3.

Inventario S3 costituisce un'alternativa pianificata all'API List sincrona di Amazon S3. Inventario S3 può essere configurato per generare giornalmente o settimanalmente un output di file CSV, ORC o Parquet dei tuoi oggetti e dei metadati corrispondenti per un prefisso o bucket S3. L'utilizzo di Inventario S3 consente di semplificare e accelerare i flussi di lavoro aziendali e le attività di big data. Inventario S3 può inoltre essere impiegato per verificare la crittografia e lo stato di replica degli oggetti e soddisfare le esigenze aziendali e di conformità alle normative. Ulteriori informazioni sono disponibili nella Guida per l'utente di Inventario Amazon S3.

S3 Tables fornisce uno spazio S3 dedicato per l'archiviazione di dati strutturati nel formato Apache Parquet, Avro e ORC. All'interno di un bucket di tabelle, è possibile creare tabelle come risorse di prima classe direttamente in S3. Queste tabelle possono essere protette con autorizzazioni a livello di tabella definite in policy basate sull'identità o sulle risorse, e sono accessibili da applicazioni o strumenti che supportano lo standard Apache Iceberg. Quando si crea una tabella nel bucket di tabelle, i dati sottostanti in S3 vengono archiviati come file Parquet, Avro o ORC. Quindi, S3 utilizza lo standard Apache Iceberg per archiviare i metadati necessari affinché le applicazioni possano interrogare i dati. S3 Tables include una libreria client utilizzata dai motori di query per navigare e aggiornare i metadati Iceberg delle tabelle del bucket di tabelle. Questa libreria, insieme alle API S3 aggiornate per le operazioni sulle tabelle, consente a più client di leggere e scrivere dati nelle tabelle in modo sicuro. Nel tempo, S3 ottimizza automaticamente i dati Parquet, Avro o ORC sottostanti riscrivendo o “compattando” gli oggetti. La compattazione ottimizza i dati su S3 per migliorare le prestazioni delle query.

È possibile iniziare a usare S3 Tables in soli tre passaggi e senza dover creare alcuna infrastruttura all'esterno di S3. Innanzitutto, crea un bucket da tavolo nella console S3. Come parte della creazione del primo bucket di tabelle tramite la console, l'integrazione con i servizi AWS Analytics avviene automaticamente, il che consente a S3 di popolare automaticamente tutti i bucket e le tabelle del tuo account e della tua regione nel catalogo dati AWS Glue. Dopodiché, S3 Tables sarà quindi accessibile ai motori di query AWS come Amazon Athena, EMR e Redshift. Successivamente, puoi fare clic per creare una tabella utilizzando Amazon Athena dalla console S3. Una volta in Athena, puoi iniziare rapidamente a popolare nuove tabelle e a interrogarle.

In alternativa, puoi accedere a S3 Tables utilizzando l'endpoint di catalogo REST di Iceberg tramite il Catalogo dati AWS Glue, che ti consente di scoprire l'intero patrimonio di dati, comprese tutte le risorse delle tabelle. Puoi anche connetterti direttamente a un singolo endpoint del bucket di tabelle per scoprire tutte le risorse di S3 Tables all'interno di quel bucket. Ciò consente di utilizzare S3 Tables con qualsiasi applicazione o motore di query che supporti la specifica del catalogo REST di Apache Iceberg.

Le prestazioni delle query sono fino a 3 volte più veloci e le transazioni al secondo (TPS) sono fino a 10 volte superiori rispetto all'archiviazione delle tabelle Iceberg in bucket Amazon S3 per uso generico. Queste prestazioni sono dovute al fatto che i bucket di tabelle compattano automaticamente i dati Parquet, Avro oppure ORC sottostanti delle tabelle per ottimizzare le prestazioni delle query. Inoltre, l'archiviazione progettata appositamente supporta TPS fino a 10 volte superiori per impostazione predefinita.

I bucket di tabelle offrono la possibilità di applicare policy di risorse all'intero bucket o a singole tabelle. Le policy di bucket di tabelle possono essere applicate utilizzando le API PutTablePolicy e PutTableBucketPolicy. Le policy a livello di tabella consentono di gestire le autorizzazioni al bucket di tabelle in base alla logica delle tabelle a cui è associato, senza la necessità di conoscere la posizione fisica dei singoli file Parquet, Avro o ORC. Inoltre, Blocco dell'accesso pubblico S3 è sempre applicato ai bucket di tabelle.

I bucket di tabelle supportano il formato di tabelle Apache Iceberg con dati Parquet.