MaxCompute 分布式计算框架 MaxFrame 服务正式商业化公告

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介: MaxCompute 分布式计算框架 MaxFrame 服务于北京时间2024年09月27日正式商业化!

MaxCompute 分布式计算框架 MaxFrame 服务于北京时间2024年09月27日正式对外商业化。


MaxFrame 是由阿里云自研的分布式计算框架,支持 Python 编程接口,并直接使用 MaxCompute 的计算资源和数据接口,MaxFrame 不仅兼容 Pandas、Xgboost 接口,还自动实现分布式处理,使得 Python 开发者可以更加高效、便捷地在 MaxCompute 上完成大规模数据处理及 ML/AI 数据预处理等工作。关于 MaxFrame 详情请参见:


说明

MaxCompute MaxFrame 将逐步替换 PyODPS DataFrame 及 Mars 接口,同时在算子兼容性和分布式性能方面有明显提升,推荐新用户和新作业可直接基于 MaxFrame 进行 Python 开发,使用 PyODPS DataFrame 和 Mars 的历史作业建议逐步迁移至 MaxFrame 执行以获取更好的开发体验和服务支持。


上线地域

地区

地域

中国地区

华北2(北京)

华东1(杭州)

华东2(上海)

华南1(深圳)

西南1(成都)

华北6(乌兰察布)

中国(香港)


计费说明

MaxFrame 按照作业计算资源使用量进行计费,支持按量付费及包年包月付费方式。


  • 包年包月

若您已购买 MaxCompute 包年包月计算资源,MaxFrame 作业可复用现有 MaxCompute 包年包月资源,无需单独购买;若您暂未购买 MaxCompute 包年包月计算资源,可直接按需购买 MaxCompute 包年包月计算资源,MaxCompute 的包年包月标准计算资源规格计算费用规则可参考:计算费用(包年包月)


  • 按量付费

MaxFrame 支持按量付费方式,可按照 MaxFrame 作业实际 CU 使用量进行计费。

MaxFrame 作业执行后,系统会统计作业所消耗的 CU 时(计算时)。系统将在第二天对所有 MaxFrame 作业的计费信息进行一次性汇总计费,并在06:00前汇总在账号账单中,自动从账号余额中扣除费用。


MaxFrame 作业计费规则如下:

计费公式

类型

价格

说明

示例

MaxFrame作业当日计算费用=当日总计算时×单价

标准MaxFrame作业

(指使用按量付费标准版计算配额的MaxFrame作业)

一般情况下,计费单价如下:

  • 公共云:0.36元/计算时
  • 金融云:0.684元/计算时

MaxFrame作业的计算时详情如下:

  • 计算消耗的CPU Core及内存数量。
  • 1计算时包含1 CPU Core和4 GB内存。
  • 计算方法为MAX(CPU×时长, 向上取整(内存×时长/4))

执行MaxFrame作业使用2 CPU Core和5 GB内存,运行1小时。则计算时为MAX(2×1, 向上取整(5×1/4))=2

MaxFrame作业计算费用在公有云上为2×0.36=0.72元,在金融云上为2×0.684=1.368元


计费账单详情:

产品

产品明细

消费类型

计费项

计费项code

单价

单价单位

用量

用量单位

MaxCompute

大数据计算服务MaxCompute(按量付费)

后付费

MaxFrame作业计算

odps_computation_maxframe

0.36

元/计算时

数值

计算时


MaxCompute 按量付费计算资源规格费用规则可参考:计算费用(按量付费)


服务支持

您有任何相关问题或需要协助,可以通过填写钉钉群申请表单加入MaxCompute开发者社区群(钉钉群号:11782920)、您的专属钉群或者 MaxFrame 官方用户支持群(钉钉群号:37130012987)等方式联系我们。




相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
26天前
|
Java 数据库
在Java中使用Seata框架实现分布式事务的详细步骤
通过以上步骤,利用 Seata 框架可以实现较为简单的分布式事务处理。在实际应用中,还需要根据具体业务需求进行更详细的配置和处理。同时,要注意处理各种异常情况,以确保分布式事务的正确执行。
|
26天前
|
消息中间件 Java Kafka
在Java中实现分布式事务的常用框架和方法
总之,选择合适的分布式事务框架和方法需要综合考虑业务需求、性能、复杂度等因素。不同的框架和方法都有其特点和适用场景,需要根据具体情况进行评估和选择。同时,随着技术的不断发展,分布式事务的解决方案也在不断更新和完善,以更好地满足业务的需求。你还可以进一步深入研究和了解这些框架和方法,以便在实际应用中更好地实现分布式事务管理。
|
3天前
|
消息中间件 存储 安全
分布式系统架构3:服务容错
分布式系统因其复杂性,故障几乎是必然的。那么如何让系统在不可避免的故障中依然保持稳定?本文详细介绍了分布式架构中7种核心的服务容错策略,包括故障转移、快速失败、安全失败等,以及它们在实际业务场景中的应用。无论是支付场景的快速失败,还是日志采集的安全失败,每种策略都有自己的适用领域和优缺点。此外,文章还为技术面试提供了解题思路,助你在关键时刻脱颖而出。掌握这些策略,不仅能提升系统健壮性,还能让你的技术栈更上一层楼!快来深入学习,走向架构师之路吧!
31 11
|
2天前
|
分布式计算 大数据 数据处理
技术评测:MaxCompute MaxFrame——阿里云自研分布式计算框架的Python编程接口
随着大数据和人工智能技术的发展,数据处理的需求日益增长。阿里云推出的MaxCompute MaxFrame(简称“MaxFrame”)是一个专为Python开发者设计的分布式计算框架,它不仅支持Python编程接口,还能直接利用MaxCompute的云原生大数据计算资源和服务。本文将通过一系列最佳实践测评,探讨MaxFrame在分布式Pandas处理以及大语言模型数据处理场景中的表现,并分析其在实际工作中的应用潜力。
16 2
|
25天前
|
存储 Java 关系型数据库
在Spring Boot中整合Seata框架实现分布式事务
可以在 Spring Boot 中成功整合 Seata 框架,实现分布式事务的管理和处理。在实际应用中,还需要根据具体的业务需求和技术架构进行进一步的优化和调整。同时,要注意处理各种可能出现的问题,以保障分布式事务的顺利执行。
46 6
|
25天前
|
数据库
如何在Seata框架中配置分布式事务的隔离级别?
总的来说,配置分布式事务的隔离级别是实现分布式事务管理的重要环节之一,需要认真对待和仔细调整,以满足业务的需求和性能要求。你还可以进一步深入研究和实践 Seata 框架的配置和使用,以更好地应对各种分布式事务场景的挑战。
28 6
|
26天前
|
机器学习/深度学习 分布式计算 算法
【大数据分析&机器学习】分布式机器学习
本文主要介绍分布式机器学习基础知识,并介绍主流的分布式机器学习框架,结合实例介绍一些机器学习算法。
170 5
|
23天前
|
消息中间件 运维 数据库
Seata框架和其他分布式事务框架有什么区别
Seata框架和其他分布式事务框架有什么区别
23 1
|
20天前
|
SQL 分布式计算 算法
分布式是大数据处理的万能药?
分布式技术在大数据处理中广泛应用,通过将任务拆分至多个节点执行,显著提升性能。然而,它并非万能药,适用于易于拆分的任务,特别是OLTP场景。对于复杂计算如OLAP或批处理任务,分布式可能因数据交换延迟、非线性扩展等问题而表现不佳。因此,应先优化单机性能,必要时再考虑分布式。SPL等工具通过高效算法提升单机性能,减少对分布式依赖。
|
1月前
|
机器学习/深度学习 自然语言处理 并行计算
DeepSpeed分布式训练框架深度学习指南
【11月更文挑战第6天】随着深度学习模型规模的日益增大,训练这些模型所需的计算资源和时间成本也随之增加。传统的单机训练方式已难以应对大规模模型的训练需求。
132 3

相关产品

  • 云原生大数据计算服务 MaxCompute
  • 下一篇
    DataWorks