Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Wiederverwendung und Mehrmandantenfähigkeit in Amazon Streams GameLift

Amazon GameLift Streams teilt keine Rechenressourcen zwischen Stream-Gruppen oder mit anderen AWS Kunden. Einige Amazon GameLift Streams-Stream-Gruppen verlassen sich auf die interne gemeinsame Nutzung von Ressourcen.

Wiederverwendung von Rechenressourcen

Innerhalb einer Stream-Gruppe werden Ressourcen im Laufe der Zeit wiederverwendet, um mehrere Sitzungen mit minimaler Ausfallzeit abzuwickeln. Die spezifischen Details der Wiederverwendung unterscheiden sich zwischen Windows- und Nicht-Windows-Streamgruppen.

Stream-Gruppen außerhalb von Windows mit Stream-Klassen wiegen4n_high,gen5n_ultra, gen6n_ultra oder gen6n_pro führen Ihre Anwendungen in speziellen sitzungsspezifischen Containern aus. Jede Stream-Sitzung beginnt mit einer Kopie der Anwendungsdateien und einem leeren Benutzerprofilordner. Wenn eine Sitzung beendet wird, werden alle Änderungen am Dateisystem verworfen und alle von Ihrer Anwendung gestarteten Prozesse werden im Rahmen der Container-Bereinigung beendet.

Windows-basierte Streamgruppen mit Stream-Klassen wiegen4n_win2022, gen5n_win2022gen6n_ultra_win2022, oder gen6n_pro_win2022 führen Ihre Anwendungen direkt auf dem Host-Betriebssystem aus. Jede Streamsitzung beginnt mit einer Kopie der Anwendungsdateien und einem leeren Benutzerprofilordner. Wenn eine Sitzung beendet wird, werden der Benutzerprofilordner und der Anwendungsordner vollständig zurückgesetzt. Unterprozesse, die von Ihrer Anwendung gestartet wurden, werden beendet. Wenn Ihre Anwendung Dateien außerhalb des Benutzerprofilordners und des Anwendungsordners ändert oder die Systemregistrierung ändert, können diese Änderungen über mehrere Sitzungen hinweg bestehen bleiben.

Bei jeder Stream-Gruppenkonfiguration werden die zugrunde liegenden Rechenressourcen und die Betriebssystemumgebung im Laufe der Zeit wiederverwendet, um neue Stream-Sitzungen zu starten. Im Rahmen des Modells der gemeinsamen Verantwortung liegt es in Ihrer Verantwortung, die Sicherheit Ihrer Anwendungen zu gewährleisten und zu verhindern, dass nicht vertrauenswürdiger Code ausgeführt oder wichtige Betriebssystemdateien geändert werden.

Stream-Gruppen mit mehreren Mandanten

Streamgruppen sind entweder Single-Tenant- oder Multi-Tenant-Gruppen, je nachdem, welche Stream-Klasse Sie ausgewählt haben. Stream-Klassen mit mehreren Mandanten, z. B. gen4n_high oder gen5n_high teilen sich eine GPU für mehrere gleichzeitige Sitzungen. In diesem Zusammenhang bezieht sich Multi-Tenancy auf die Ausführung mehrerer Sitzungen gleichzeitig auf der zugrunde liegenden Hardware. Die Hardware ist immer noch für Ihre Stream-Gruppe reserviert und wird nicht von mehreren Stream-Gruppen oder mit anderen AWS Kunden gemeinsam genutzt.

Dieses Mehrmandanten-Stream-Gruppenmodell ist einzigartig für Amazon GameLift Streams und hat wichtige Auswirkungen auf Sicherheit und Leistung. Die Sicherheitslage einer Multi-Tenant-Stream-Gruppe entspricht dem Hosten mehrerer Anwendungscontainer auf einem einzigen physischen Server. Diese Sicherheitslage ist nicht von Natur aus unsicher, kann aber die Auswirkungen vorhandener Sicherheitslücken in Ihren Anwendungen verstärken. Im Rahmen des Modells der gemeinsamen Verantwortung liegt es in Ihrer Verantwortung, die Sicherheit Ihrer Anwendungen aufrechtzuerhalten.

Amazon GameLift Streams bemüht sich sicherzustellen, dass sich Sitzungen mit mehreren Mandanten nicht gegenseitig stören. Wenn eine Anwendung jedoch CPU- oder GPU-Ressourcen verbraucht, ohne die definierten Grenzwerte der Stream-Klasse zu berücksichtigen, kann dies Auswirkungen auf andere Streams haben, die versuchen, dieselben gemeinsam genutzten Ressourcen zu verwenden. In einer Gruppe mit „hohem“ Datenstrom und zwei Mandanten pro GPU kann sich eine gierige Anwendung beispielsweise negativ auf einen anderen Stream auswirken. Ihre Anwendung sollte ihren eigenen Ressourcenverbrauch regulieren. Wenn sich Ihre Anwendung nicht selbst regulieren kann und Ihr Anwendungsfall keine Toleranz für mögliche Leistungsschwankungen beim „Noisy Neighbor“ bietet, wird eine Stream-Klasse mit einem Mandanten wiegen5n_win2022, gen6n_pro_win2022 gen5n_ultragen6n_ultra, oder empfohlen.