Menggunakan Workbench Neptune Terapkan dengan CloudFormation Mengaktifkan CloudWatch log Hosting lokal Bermigrasi ke 4 JupyterLab Prasyarat Konfigurasi siklus hidup Menyinkronisasi dari snapshot Setelah pembuatan notebook Buat buku catatan Menyiapkan notebook Neptunus secara manual

Menggunakan Amazon Neptunus dengan notebook grafik

Untuk bekerja dengan grafik Neptunus, Anda dapat menggunakan buku catatan grafik Neptunus atau membuat database Neptunus baru menggunakan CloudFormation template.

Apakah Anda baru mengenal grafik dan ingin belajar dan bereksperimen, atau Anda berpengalaman dan ingin menyempurnakan kueri Anda, meja kerja Neptune menawarkan lingkungan pengembangan interaktif (IDE) yang dapat meningkatkan produktivitas Anda saat Anda membangun aplikasi grafik. Workbench menyediakan antarmuka yang ramah pengguna untuk berinteraksi dengan database Neptune Anda, menulis kueri, dan memvisualisasikan data Anda.

Dengan menggunakan CloudFormation template untuk mengatur database Neptunus Anda, dan Workbench untuk mengembangkan aplikasi grafik Anda, Anda dapat memulai dengan Neptunus dengan cepat dan efisien, tanpa perlu perkakas tambahan. Ini memungkinkan Anda untuk fokus membangun aplikasi Anda daripada menyiapkan infrastruktur yang mendasarinya.

catatan

Notebook Neptune, dikelola melalui Amazon SageMaker AI, saat ini tidak tersedia di wilayah Asia Pasifik (Malaysia) (ap-southeast-5). Namun, Anda masih dapat menggunakan notebook Neptune melalui opsi alternatif yang tidak dikelola. Lihat Menyiapkan notebook Neptunus secara manual untuk menerapkan buku catatan secara manual.

Neptunus menyediakan Jupyter dan JupyterLab notebook dalam proyek buku catatan grafik Neptunus sumber terbuka di GitHub, dan di meja kerja Neptunus. Notebook ini menawarkan contoh tutorial aplikasi dan cuplikan kode dalam lingkungan pengkodean interaktif di mana Anda dapat mempelajari tentang teknologi grafik dan Neptunus. Anda dapat menggunakannya untuk memandu Anda mengatur, mengonfigurasi, mengisi, dan mengajukan kueri grafik menggunakan bahasa kueri yang berbeda, set data yang berbeda, dan bahkan basis data yang berbeda di ujung belakang.

Anda dapat meng-host buku catatan ini dengan beberapa cara berbeda:

Meja kerja Neptune memungkinkan Anda menjalankan notebook Jupyter di lingkungan yang dikelola sepenuhnya, dihosting di Amazon SageMaker AI, dan secara otomatis memuat rilis terbaru proyek notebook grafik Neptune untuk Anda. Sangat mudah untuk mengatur meja kerja di konsol Neptunus saat Anda membuat database Neptunus baru.

catatan
Saat membuat instance notebook Neptune, Anda diberikan dua opsi untuk akses jaringan: Akses langsung melalui Amazon SageMaker AI (default) dan akses melalui VPC. Dalam kedua opsi, notebook memerlukan akses ke internet untuk mengambil dependensi paket untuk menginstal meja kerja Neptune. Kurangnya akses internet akan menyebabkan pembuatan instance notebook Neptune gagal.
Anda juga dapat menginstal Jupyter secara lokal. Ini memungkinkan Anda menjalankan notebook dari laptop Anda, terhubung baik ke Neptunus atau ke instance lokal dari salah satu database grafik sumber terbuka. Dalam kasus terakhir, Anda dapat bereksperimen dengan teknologi grafik sebanyak yang Anda inginkan sebelum Anda menghabiskan satu sen. Kemudian, ketika Anda siap, Anda dapat bergerak dengan lancar ke lingkungan produksi terkelola yang ditawarkan Neptunus.

Menggunakan workbench Neptune untuk meng-host notebook Neptune

Neptunus menawarkan T3 dan jenis T4g instans yang dapat Anda mulai dengan harga kurang dari $0,10 per jam. Anda ditagih untuk sumber daya meja kerja melalui Amazon SageMaker AI, terpisah dari penagihan Neptunus Anda. Lihat halaman harga Neptunus. Jupyter dan JupyterLab notebook yang dibuat di meja kerja Neptunus semuanya menggunakan lingkungan Amazon Linux 2 dan 4. JupyterLab Untuk informasi selengkapnya tentang dukungan JupyterLab notebook, lihat dokumentasi Amazon SageMaker AI.

Anda dapat membuat Jupyter atau JupyterLab notebook menggunakan meja kerja Neptunus dengan salah satu dari dua Konsol Manajemen AWS cara:

Gunakan menu konfigurasi Notebook saat membuat cluster Neptune DB baru. Untuk melakukan ini, ikuti langkah-langkah yang diuraikan diMeluncurkan cluster DB Neptunus menggunakan Konsol Manajemen AWS.
Gunakan menu Notebook di panel navigasi kiri setelah cluster DB Anda telah dibuat. Untuk melakukan ini, ikuti langkah-langkah di bawah ini.

Untuk membuat Jupyter atau notebook menggunakan JupyterLab Notebook daftar makanan

Masuk ke Konsol AWS Manajemen, dan buka konsol Amazon Neptune di https://console.aws.amazon.com/neptune/home.
Pada panel navigasi di sebelah kiri, pilih Notebook.
Pilih Buat Notebook.
Pilih Database sebagai layanan Neptunus.
Di daftar Klaster, pilih nama klaster DB Neptune Anda. Jika Anda belum memiliki klaster DB, pilih Buat klaster untuk membuatnya.
Pilih jenis instance Notebook.
Beri nama notebook Anda, dan deskripsinya bila mau.
Kecuali Anda sudah membuat peran AWS Identity and Access Management (IAM) untuk buku catatan Anda, pilih Buat peran IAM, dan masukkan nama peran IAM.

catatan
Jika Anda memilih untuk menggunakan kembali peran IAM yang dibuat untuk buku catatan sebelumnya, kebijakan peran harus berisi izin yang benar untuk mengakses cluster Neptune DB yang Anda gunakan. Anda dapat memverifikasi ini dengan memeriksa bahwa komponen dalam sumber daya ARN di bawah neptune-db:* tindakan cocok dengan cluster tersebut. Izin yang tidak dikonfigurasi dengan benar mengakibatkan kesalahan koneksi saat Anda mencoba menjalankan perintah ajaib notebook.
Pilih Buat Notebook. Proses pembuatan mungkin memakan waktu 5 hingga 10 menit sebelum semuanya siap.
Setelah buku catatan Anda dibuat, pilih dan kemudian pilih Buka Jupyter atau Buka. JupyterLab

Konsol dapat membuat (IAM) role AWS Identity and Access Management untuk notebook Anda, atau Anda dapat membuatnya sendiri. Kebijakan untuk peran ini harus mencakup berikut ini:

Perhatikan bahwa pernyataan kedua dalam kebijakan di atas mencantumkan satu atau beberapa ID sumber daya cluster Neptunus.

Selain itu, peran harus menetapkan hubungan kepercayaan berikut:

Sekali lagi, menyiapkan semuanya bisa memakan waktu 5 hingga 10 menit.

Anda dapat mengonfigurasi notebook baru Anda untuk bekerja dengan Neptune ML, seperti yang dijelaskan diMengkonfigurasi notebook Neptunus secara manual untuk Neptunus ML.

Menggunakan Python untuk menghubungkan notebook SageMaker AI generik ke Neptunus

Menghubungkan notebook ke Neptunus mudah jika Anda telah menginstal sihir Neptunus, tetapi juga dimungkinkan untuk menghubungkan notebook SageMaker AI ke Neptunus menggunakan Python, bahkan jika Anda tidak menggunakan notebook Neptunus.

Langkah-langkah yang harus diambil untuk terhubung ke Neptunus di sel notebook SageMaker AI

Instal klien Gremlin Python:
```
!pip install gremlinpython
```
Notebook Neptune menginstal klien Gremlin Python untuk Anda, jadi langkah ini hanya diperlukan jika Anda menggunakan notebook SageMaker AI biasa.

Tulis kode seperti berikut ini untuk menghubungkan dan mengeluarkan kueri Gremlin:


from gremlin_python import statics
from gremlin_python.structure.graph import Graph
from gremlin_python.process.graph_traversal import __
from gremlin_python.process.strategies import *
from gremlin_python.driver.driver_remote_connection import DriverRemoteConnection
from gremlin_python.driver.aiohttp.transport import AiohttpTransport
from gremlin_python.process.traversal import *
import os

port = 8182
server = '(your server endpoint)'

endpoint = f'wss://{server}:{port}/gremlin'

graph=Graph()

connection = DriverRemoteConnection(endpoint,'g',
                 transport_factory=lambda:AiohttpTransport(call_from_event_loop=True))

g = graph.traversal().withRemote(connection)

results = (g.V().hasLabel('airport')
                .sample(10)
                .order()
                .by('code')
                .local(__.values('code','city').fold())
                .toList())

# Print the results in a tabular form with a row index
for i,c in enumerate(results,1):
    print("%3d %4s %s" % (i,c[0],c[1]))

connection.close()

catatan

Jika Anda kebetulan menggunakan versi klien Gremlin Python yang lebih tua dari 3.5.0, baris ini:


connection = DriverRemoteConnection(endpoint,'g',
                 transport_factory=lambda:AiohttpTransport(call_from_event_loop=True))

Hanya akan menjadi:


connection = DriverRemoteConnection(endpoint,'g')

Meluncurkan notebook grafis sebagai Amazon Neptune Workbench melalui CloudFormation

Anda dapat menerapkan notebook meja kerja Amazon Neptune menggunakan CloudFormation. Tem CloudFormation plate menggunakan notebook meja kerja Neptune sebagai sumber daya dan menyertakan buku catatan dasar 'Memulai'. Meja kerja memungkinkan Anda bekerja dengan cluster Database Amazon Neptune menggunakan notebook Jupyter yang dihosting oleh Amazon. SageMaker Anda ditagih untuk sumber daya meja kerja melalui Amazon SageMaker, terpisah dari penagihan Neptunus Anda.

Tem CloudFormation plate dan instruksi terperinci, termasuk persyaratan dan izin peran IAM, tersedia di repositori graph-notebook GitHub .

Mengaktifkan CloudWatch log di Notebook Neptune

CloudWatch log sekarang diaktifkan secara default untuk Notebook Neptune. Jika Anda memiliki notebook lama yang tidak menghasilkan CloudWatch log, ikuti langkah-langkah berikut untuk mengaktifkannya secara manual:

Masuk ke Konsol Manajemen AWS dan buka konsol SageMaker AI.
Pada panel navigasi di sebelah kiri, pilih Notebook, lalu Instans Notebook. Cari nama notebook Neptunus yang ingin Anda aktifkan log.
Buka halaman detail dengan memilih nama instance notebook tersebut.
Jika instance notebook sedang berjalan, pilih tombol Stop, di kanan atas halaman detail buku catatan.
Di bawah Izin dan enkripsi ada bidang untuk peran IAM AR N. Pilih tautan di bidang ini untuk pergi ke peran IAM yang dijalankan dengan instance buku catatan ini.

Buat kebijakan berikut:

Simpan kebijakan baru ini dan lampirkan ke Peran IAM yang ditemukan di Langkah 4.
Klik Mulai di kanan atas halaman detail instance notebook SageMaker AI.
Saat log mulai mengalir, Anda akan melihat tautan Lihat Log di bawah bidang berlabel Konfigur asi Siklus hidup di dekat kiri bawah bagian pengaturan instance Notebook pada halaman detail.

Jika notebook gagal memulai, akan ada pesan dari halaman detail notebook di konsol SageMaker AI, yang menyatakan bahwa instance notebook membutuhkan waktu lebih dari 5 menit untuk memulai. CloudWatch log yang relevan dengan masalah ini dapat ditemukan dengan nama ini:


(your-notebook-name)/LifecycleConfigOnStart

Menyiapkan notebook grafik di komputer lokal Anda

Proyek grafik-notebook memiliki instruksi untuk menyiapkan notebook Neptune di mesin lokal Anda:

Anda dapat menghubungkan notebook lokal Anda baik ke klaster DB Neptune, atau ke instans lokal atau remote dari basis data grafik sumber terbuka.

Menggunakan notebook Neptune dengan klaster Neptune

Jika Anda terhubung ke cluster Neptunus di ujung belakang, Anda mungkin ingin menjalankan notebook di Amazon SageMaker AI. Menghubungkan ke Neptunus dari SageMaker AI bisa lebih nyaman daripada dari instalasi notebook lokal, dan itu akan memungkinkan Anda bekerja lebih mudah dengan Neptune ML.

Untuk petunjuk tentang cara mengatur notebook di SageMaker AI, lihat Mel uncurkan notebook grafis menggunakan Amazon. SageMaker

Untuk petunjuk tentang cara mengatur dan mengonfigurasi Neptune sendiri, lihat Menyiapkan Amazon Neptunus.

Anda juga dapat menghubungkan instalasi lokal notebook Neptune ke klaster DB Neptune. Ini bisa agak lebih rumit karena klaster DB Amazon Neptune hanya dapat dibuat di Amazon Virtual Private Cloud (VPC), yang secara desain terisolasi dari dunia luar. Ada beberapa cara untuk terhubung ke VPC dari luarnya. Salah satunya adalah menggunakan penyeimbang beban. Lainnya adalah dengan menggunakan peering VPC (lihat Panduan Peering Amazon Virtual Private Cloud).

Namun, cara yang paling mudah bagi kebanyakan orang adalah dengan menyambung untuk menyediakan server proksi Amazon EC2 dalam VPC dan kemudian menggunakan Terowongan SSH (juga dipanggil penerusan port), untuk menyambung kepadanya. Anda dapat menemukan petunjuk tentang cara mengatur di Mengh ubungkan notebook grafik secara lokal ke Amazon Neptunus di additional-databases/neptune folder proyek graph-notebook GitHub .

Menggunakan notebook Neptune dengan basis data grafik sumber terbuka

Untuk memulai dengan teknologi grafik tanpa biaya, Anda juga dapat menggunakan notebook Neptune dengan berbagai basis data sumber terbuka di ujung belakang. Contohnya adalah server TinkerPop Gremlin, dan database Bla zegraph.

Untuk menggunakan Gremlin Server sebagai database back-end Anda, ikuti langkah-langkah berikut:

Menghubun gkan graph-notebook ke folder Server Gremlin. GitHub
Folder konfigurasi gremlin graph-notebook. GitHub

Untuk menggunakan instance lokal Blazegraph sebagai database back-end Anda, ikuti langkah-langkah berikut:

Tinjau petunjuk awal cepat Blazegraph untuk memahami pengaturan dasar dan konfigurasi yang diperlukan untuk menjalankan instance Blazegraph.
Akses GitHub folder konfigurasi Blazegraph graph-notebook yang berisi file dan instruksi yang diperlukan untuk menyiapkan instance Blazegraph lokal.
Di dalam GitHub repositori, navigasikan ke direktori “blazegraph” dan ikuti instruksi yang diberikan untuk mengatur instance Blazegraph lokal Anda. Ini termasuk langkah-langkah untuk mengunduh perangkat lunak Blazegraph, mengonfigurasi file yang diperlukan, dan memulai server Blazegraph.

Setelah Anda menjalankan instance Blazegraph lokal, Anda dapat mengintegrasikannya dengan aplikasi Anda sebagai database backend untuk data dan kueri berbasis grafik Anda. Lihat dokumentasi dan contoh kode yang disediakan di repositori graph-notebook untuk mempelajari cara menghubungkan aplikasi Anda ke instance Blazegraph.

Migrasi notebook Neptunus ke 4.x JupyterLab

Bagian ini menguraikan berbagai pendekatan untuk memigrasikan notebook Neptune Anda ke JupyterLab 4.x dan lingkungan Amazon Linux yang lebih baru. Untuk informasi terperinci tentang pembuatan JupyterLab versi, lihat Pembuatan JupyterLab Versi https://docs.aws.amazon.com/sagemaker/latest/dg/nbi-jl.html Amazon SageMaker AI.

Pendekatan migrasi

Instalasi baru

Jika Anda tidak perlu menyimpan file atau konfigurasi ruang kerja yang ada, Anda dapat:

Buat instance notebook baru yang menjalankan JupyterLab 4.x (notebook-al2-v3)
Verifikasi pengaturan baru berfungsi seperti yang diharapkan
Menghentikan dan menghapus instance buku catatan lama

Migrasi transfer file

Metode ini menggunakan sistem lokal Anda atau Amazon S3 sebagai penyimpanan perantara.

Terbaik untuk

Akses internet langsung melalui konfigurasi jaringan Amazon SageMaker AI.
Volume data yang moderat untuk dimigrasi
File khusus untuk melestarikan daripada konfigurasi seluruh ruang kerja.

Metode 1: Menggunakan JupyterLab UI

Terbaik untuk

Sejumlah kecil file
Migrasi file selektif
Lebih suka operasi drag-and-drop sederhana

Langkah-langkah

Unduh file dari JupyterLab contoh sumber:
- Navigasi dan pilih file yang ingin Anda migrasi ke instance baru di JupyterLab
- Right-click dan pilih Download
Unggah ke JupyterLab instance baru:
- Gunakan tombol unggah JupyterLab dan pilih semua file yang ingin Anda salin ke instance baru
- (Atau) seret dan lepas file secara langsung

Metode 2: Menggunakan Amazon S3

Terbaik untuk

Sejumlah besar file
Melestarikan struktur folder Anda
Migrasi massal

Prasyarat

Pastikan peran yang terkait dengan buku catatan memiliki izin yang sesuai untuk mengunggah dan mengakses bucket Amazon S3:


{
"Effect": "Allow",
"Action": ["s3:PutObject", "s3:GetObject", "s3:ListBucket"],
"Resource": ["arn:aws:s3:::your-bucket-name/*", "arn:aws:s3:::your-bucket-name"]
}

catatan

AWS CLI harus diinstal sebelumnya pada notebook SageMaker AI.

Langkah-langkah

Buka terminal JupyterLab atau ketik perintah terminal di sel notebook dengan ! awalan.

Salin file dari JupyterLab instance lama ke S3 menggunakan perintah CLI sinkronisasi https://docs.aws.amazon.com/cli/latest/reference/s3/cp.html Amazon S3 cp atau Amazon S3:


# using AWS s3 cp
aws s3 cp /home/ec2-user/SageMaker/your-folder s3://your-bucket/backup/ --recursive

# (OR) using AWS s3 sync
aws s3 sync /home/ec2-user/SageMaker/your-folder s3://your-bucket/backup/

Salin file dari S3 ke JupyterLab instance baru Anda:


# using AWS s3 cp
aws s3 cp s3://your-bucket/backup/ /home/ec2-user/SageMaker/your-folder --recursive

# (OR) using AWS s3 sync
aws s3 sync s3://your-bucket/backup/ /home/ec2-user/SageMaker/your-folder

catatan

Gunakan sync untuk memelihara struktur folder dan pembaruan tambahan dan cp untuk transfer satu kali.

Migrasi Amazon EFS

Terbaik untuk

VPC-onlykonfigurasi jaringan
Volume data yang besar

Langkah-langkah

Ikuti Pas ang sistem file EFS ke blog notebook Amazon SageMaker AI untuk menggunakan sistem file Amazon EFS dengan instance notebook Anda.

Selain itu, ada juga beberapa langkah lagi yang berlaku khusus untuk memigrasikan notebook Neptunus ke lingkungan baru:

Selama pembuatan notebook Neptune di konsol, pilih Buat konfigurasi siklus hidup baru di bawah Konfigurasi siklus hidup
Dalam konfigurasi siklus hidup template, tambahkan perintah pemasangan Amazon EFS Anda (sudo mount -t nfs ...) setelah skrip install.sh

Ini memastikan sistem file Amazon EFS Anda dipasang secara otomatis setiap kali instance notebook Anda dimulai atau dimulai ulang. Untuk mengatasi masalah pemasangan, lihat dokumen pemecahan masalah Amazon EFS.

Keuntungan

Akses tanpa batas ke file di seluruh instans
Akses file langsung tanpa transfer perantara
Penanganan kumpulan data besar yang efisien

Migrasi volume Amazon EBS

Terbaik untuk saat Anda perlu melestarikan

Konfigurasi ruang kerja lengkap
File tersembunyi
Pengaturan sistem
Mempertahankan konfigurasi ruang kerja lengkap, file tersembunyi, dan pengaturan sistem

Ikuti panduan migrasi AWS SageMaker AI untuk volume Amazon EBS untuk mentransfer file dari volume Amazon EBS yang terkait dengan instans notebook.

Selain itu, ada juga beberapa langkah lagi yang berlaku khusus untuk memigrasikan notebook Neptunus ke lingkungan baru.

Neptune-specific prasyarat

Dalam peran IAM buku catatan Neptunus sumber, tambahkan semua izin berikut:


{
  "Effect": "Allow",
  "Action": [
    "s3:GetObject",
    "s3:ListBucket",
    "s3:CreateBucket",
    "s3:PutObject"
  ],
  "Resource": [
    "arn:aws:s3:::(your ebs backup bucket name)",
    "arn:aws:s3:::(your ebs backup bucket name)/*"
  ]
},
{
  "Effect": "Allow",
  "Action": [
    "sagemaker:ListTags"
  ],
  "Resource": [
    "*"
  ]
}

Pastikan untuk menentukan ARN yang benar untuk bucket S3 yang akan Anda gunakan untuk membuat cadangan.

Neptune-specific konfigurasi siklus hidup

Saat membuat skrip konfigurasi Siklus Hidup kedua untuk memulihkan cadangan (darion-create.sh) seperti yang dijelaskan dalam posting blog, nama Siklus Hidup harus mengikuti aws-neptune-* format, sepertiaws-neptune-sync-from-s3. Ini memastikan bahwa LCC dapat dipilih selama pembuatan notebook di konsol Neptunus.

Neptune-specific sinkronisasi dari snapshot ke instance baru

Dalam langkah-langkah yang dijelaskan dalam posting blog untuk menyinkronkan dari snapshot ke instance baru, berikut adalah perubahannya Neptune-specific :

Pada langkah 4, pilih notebook- al2-v3.
Pada langkah 5, gunakan kembali peran IAM dari sumber notebook Neptunus.
Antara langkah 7 dan 8:
- Di Pengaturan instance Notebook, tetapkan nama yang menggunakan aws-neptune-* format.
- Buka akordeon pengaturan jaringan dan pilih grup VPC, Subnet, dan Keamanan yang sama seperti di buku catatan sumber.

Neptune-specific langkah-langkah setelah notebook baru dibuat

Pilih tombol Buka Jupyter untuk notebook. Setelah SYNC_COMPLETE file muncul di direktori utama, lanjutkan ke langkah berikutnya.
Buka halaman instance notebook di konsol SageMaker AI.
Hentikan notebook.
Pilih Edit.
Dalam pengaturan instance notebook, edit bidang konfigurasi Siklus hidup dengan memilih sumber Siklus hidup asli notebook Neptune. Perhatikan bahwa ini bukan Siklus Hidup cadangan EBS.
Pilih Per barui pengaturan buku catatan.
Mulai notebook lagi.

Dengan modifikasi yang dijelaskan di sini untuk langkah-langkah yang diuraikan dalam posting blog, buku catatan grafik Anda sekarang harus dimigrasikan ke instance notebook Neptune baru yang menggunakan lingkungan Amazon Linux 2 dan JupyterLab 4. Mereka akan muncul untuk akses dan manajemen di halaman Neptunus di Konsol Manajemen AWS, dan Anda sekarang dapat melanjutkan pekerjaan Anda dari tempat yang Anda tinggalkan dengan memilih Open Jupyter atau Open. JupyterLab

Membuat buku catatan Neptunus di inst SageMaker ans Amazon AI

Buka konsol Amazon SageMaker AI di https://console.aws.amazon.com/sagemaker/.
Di panel navigasi, perluas Notebook, lalu pilih Inst ans Notebook.
Pilih Buat instans notebook.
Di Pengaturan instance Notebook, di bawah Nama instance Notebook, berikan buku catatan nama yang diawali dengan aws-neptune- (misalnya,aws-neptune-my-test-notebook).
Di bawah Pengidentifikasi Platform, pilih Amazon Linux 2, JupyterLab 4.
Pilih Konfigur asi tambahan.
Di bawah Konfigurasi siklus hidup, pilih Buat konfigurasi siklus hidup baru.
Di Konfigur asi, di bawah Nama masukkan nama instance notebook dari langkah 4.

Di Skrip, di bawah Start notebook, ganti skrip yang ada dengan ini:


#!/bin/bash

sudo -u ec2-user -i <<'EOF'

echo "export GRAPH_NOTEBOOK_AUTH_MODE=IAM" >> ~/.bashrc
echo "export GRAPH_NOTEBOOK_SSL=True" >> ~/.bashrc
echo "export GRAPH_NOTEBOOK_SERVICE=neptune-db for Neptune, or neptune-graph for Neptune Analytics" >> ~/.bashrc
echo "export GRAPH_NOTEBOOK_HOST=(Neptune Analytics graph endpoint, public or private)" >> ~/.bashrc
echo "export GRAPH_NOTEBOOK_PORT=8182" >> ~/.bashrc
echo "export NEPTUNE_LOAD_FROM_S3_ROLE_ARN=" >> ~/.bashrc
echo "export AWS_REGION=(AWS region)" >> ~/.bashrc

aws s3 cp s3://aws-neptune-notebook-(AWS region)/graph_notebook.tar.gz /tmp/graph_notebook.tar.gz
rm -rf /tmp/graph_notebook
tar -zxvf /tmp/graph_notebook.tar.gz -C /tmp
/tmp/graph_notebook/install_jl4x.sh

EOF

Pilih Buat konfigurasi.
Di Izin dan enkripsi, di bawah Peran IAM, pilih peran yang Anda buat di atas.
Di Jaringan, jika Anda menggunakan titik akhir grafik pribadi:
1. Di bawah VPC, pilih VPC tempat grafik Neptune Analytics berada.
2. Di bawah Subnet, pilih subnet yang terkait dengan grafik Neptune Analytics.
3. Di bawah Grup Keamanan, pilih semua grup keamanan yang terkait dengan grafik Neptune Analytics.
Pilih Buat instans notebook.
Setelah 5 atau 10 menit, ketika notebook baru Anda mencapai Ready status, pilih itu. Pilih Buka Jupyter atau Buka. JupyterLab

Menyiapkan notebook Neptunus secara manual

Anda juga dapat menggunakan paket AWS open-source yang tersedia untuk graph-notebook dan graph-explorer untuk mengatur lingkungan notebook Neptune. Meskipun ada beberapa cara untuk mengatur notebook menggunakan paket sumber terbuka, pendekatan yang disarankan adalah:

Siapkan graph-notebook di mesin lokal Anda dan terowongan Amazon EC2 SSH yang menghubungkan mesin lokal Anda ke cluster Neptune pada VPC yang sama dengan instans Amazon EC2.
Siapkan graph-explorer pada instans Amazon EC2 dalam VPC Anda.

Untuk petunjuk terperinci tentang pengaturan paket graph-notebook dan graph-explorer sumber terbuka, lihat dokumentasi dan repositori resmi berikut: AWS GitHub

Konfigurasi keamanan

Saat menyiapkan lingkungan Anda, pastikan konfigurasi keamanan berikut diatur sesuai:

Grup keamanan cluster Neptune - Izinkan lalu lintas TCP masuk pada port 8182 dari grup keamanan instans Amazon EC2 Anda.
Grup keamanan instans Amazon EC2 - Konfigurasikan aturan HTTPS masuk untuk mengaktifkan akses Graph Explorer.

Sebaiknya gunakan satu grup keamanan untuk cluster Neptune dan instans Amazon EC2 Anda. Ini menyederhanakan konfigurasi dan mengurangi potensi masalah konektivitas. Namun, ingatlah untuk menambahkan aturan referensi diri untuk memungkinkan komunikasi antar sumber daya dalam grup.

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Mulai cepat menggunakan CloudShell

Sihir notebook grafik Neptunus