Entre los motores que ofrece RDS hay uno especial, creado por la propia AWS: Aurora. No es un motor «de fábrica» como MySQL o PostgreSQL, sino una versión mejorada y reinventada por AWS para la nube. En este subcapítulo veremos qué lo hace distinto y cuándo elegirlo frente al RDS «clásico» (lo que se suele llamar RDS vanilla).
Qué es Aurora
Amazon Aurora es una base de datos relacional creada por AWS que es compatible con MySQL y PostgreSQL, pero rediseñada por dentro para aprovechar al máximo la nube.
- «Compatible con MySQL/PostgreSQL» significa que tu aplicación habla con Aurora igual que hablaría con MySQL o PostgreSQL. No tienes que reescribir tu código ni aprender un lenguaje nuevo. Por debajo, Aurora es muy distinta y mucho más eficiente.
Analogía: Imagina que MySQL es un buen coche de calle. Aurora es como coger ese mismo coche, conservar el volante y los pedales (para que sepas conducirlo sin aprender nada nuevo) pero cambiarle el motor por uno de competición. Conduces igual, pero rinde muchísimo más.
Las ventajas de Aurora sobre RDS vanilla
- Mucho más rendimiento
AWS afirma que Aurora puede ser hasta 5 veces más rápida que MySQL y hasta 3 veces más rápida que PostgreSQL en RDS estándar, gracias a su arquitectura de almacenamiento rediseñada. Para aplicaciones exigentes, esto es una gran diferencia.
- Almacenamiento que crece solo
En RDS clásico, tienes que decidir de antemano cuánto espacio de disco reservar (y ampliarlo a mano si te quedas corto). En Aurora, el almacenamiento crece automáticamente a medida que tus datos aumentan, sin que tengas que hacer nada. Pagas por lo que usas.
Ventaja práctica: te olvidas del clásico susto de «se ha llenado el disco de la base de datos». Aurora se expande sola.
- Alta disponibilidad superior
Aurora guarda seis copias de tus datos repartidas en tres zonas de disponibilidad automáticamente. Esto la hace extremadamente resistente a fallos: puede perder copias enteras y seguir funcionando sin perder datos. La recuperación ante fallos es más rápida que en RDS clásico.
- Réplicas de lectura más rápidas y numerosas
Aurora permite hasta 15 réplicas de lectura (frente a las 5 de RDS clásico) y con un retraso de sincronización mínimo. Ideal para aplicaciones con muchísima lectura.
- Aurora Serverless: que escale solo
Existe una variante llamada Aurora Serverless que ajusta automáticamente su capacidad según la demanda, e incluso puede reducirse a casi cero cuando no hay actividad. Pagas por el uso real.
Cuándo es genial: para aplicaciones con uso intermitente o impredecible (por ejemplo, un entorno de desarrollo que solo se usa en horario de oficina, o una app con picos esporádicos). En lugar de pagar una base de datos encendida 24/7, pagas solo cuando se usa. Recuerda el espíritu de elasticidad del Capítulo 1.
Aurora vs RDS vanilla: tabla comparativa
| Característica | RDS vanilla (MySQL/PostgreSQL) | Aurora |
|---|---|---|
| Rendimiento | Bueno | Muy superior (hasta 3-5×) |
| Almacenamiento | Lo reservas tú, lo amplías a mano | Crece automáticamente |
| Copias de datos | Según Multi-AZ | 6 copias en 3 AZ, automático |
| Máx. réplicas de lectura | 5 | 15 |
| Opción serverless | No | Sí (Aurora Serverless) |
| Coste | Más económico | Algo más caro |
| Compatibilidad | MySQL, PostgreSQL y otros | Compatible con MySQL/PostgreSQL |
¿Entonces uso siempre Aurora?
No necesariamente. Aurora es más potente pero también algo más cara que RDS vanilla. La elección depende de tu caso:
Elige Aurora cuando:
- Necesitas alto rendimiento o esperas crecer mucho.
- Quieres la máxima disponibilidad sin complicarte.
- Tienes mucha carga de lectura (aprovechas sus réplicas).
- Tu uso es intermitente y te interesa Aurora Serverless.
Elige RDS vanilla cuando:
- Tu aplicación es pequeña o mediana y no necesita el rendimiento extra.
- Quieres minimizar el coste.
- Necesitas un motor que Aurora no ofrece (Oracle, SQL Server, MariaDB…).
- Quieres exactamente el mismo MySQL/PostgreSQL «de fábrica» por algún requisito concreto.
Ejemplo real: Una startup empieza su producto con RDS PostgreSQL estándar porque es barato y suficiente. Cuando su base de usuarios crece y la base de datos empieza a ir justa de rendimiento, migran a Aurora PostgreSQL (sin tocar su código, gracias a la compatibilidad) y ganan velocidad y capacidad de crecer. Aurora «acompaña» su éxito.
Lo que debes recordar
- Aurora es la base de datos relacional propia de AWS, compatible con MySQL y PostgreSQL (tu código funciona igual) pero rediseñada para la nube.
- Sus ventajas: mucho más rendimiento, almacenamiento que crece solo, alta disponibilidad superior (6 copias en 3 AZ), más réplicas de lectura y la opción Aurora Serverless (escala solo, ideal para uso intermitente).
- Es más potente pero algo más cara que RDS vanilla.
- Elige Aurora para alto rendimiento/crecimiento; RDS vanilla para proyectos más pequeños, menor coste o motores que Aurora no ofrece.
En el siguiente subcapítulo cambiamos de mundo: veremos DynamoDB, una base de datos NoSQL muy distinta de las relacionales, y cuándo conviene usarla.
Cloud, AWS & Terraform — De cero a experto
Capítulo 1 · Qué es el cloud computing
- 1.1 El modelo cliente-servidor tradicional
- 1.2 Problemas que venía a resolver la nube
- 1.3 On-premise vs cloud vs híbrido
- 1.4 Los tres modelos de servicio: IaaS, PaaS, SaaS
- 1.5 Los cinco pilares del cloud (según NIST)
- 1.6 Ventajas reales: elasticidad, pago por uso, disponibilidad global
Capítulo 2 · El mercado cloud y los grandes proveedores
- 2.1 AWS, Azure y GCP: diferencias y cuotas de mercado
- 2.2 Por qué aprender AWS primero
- 2.3 Conceptos que son universales entre proveedores
Capítulo 3 · Regiones, zonas de disponibilidad y edge
- 3.1 Qué es una región AWS y cómo elegirla
- 3.2 Availability Zones: alta disponibilidad desde el diseño
- 3.3 Edge locations y CloudFront
- 3.4 Latencia, resiliencia y soberanía de datos
Capítulo 4 · Cómputo: EC2
- 4.1 Instancias: tipos, familias y cuándo elegir cada una
- 4.2 AMIs, key pairs y Security Groups
- 4.3 Ciclo de vida de una instancia
- 4.4 Elastic IPs y Placement Groups
- 4.5 Savings Plans vs Reserved vs On-Demand vs Spot
Capítulo 5 · Almacenamiento: S3
- 5.1 Buckets, objetos y claves
- 5.2 Clases de almacenamiento (Standard, IA, Glacier…)
- 5.3 Versionado y ciclo de vida de objetos
- 5.4 Políticas de bucket y ACLs
- 5.5 Hosting de sitios web estáticos
Capítulo 6 · Redes: VPC
- 6.1 Qué es una VPC y por qué la necesitas
- 6.2 Subredes públicas y privadas
- 6.3 Internet Gateway y NAT Gateway
- 6.4 Route Tables y Network ACLs
- 6.5 VPC Peering y endpoints
Capítulo 7 · Identidad y acceso: IAM
- 7.1 Usuarios, grupos, roles y políticas
- 7.2 El principio de mínimo privilegio
- 7.3 Políticas basadas en identidad vs en recurso
- 7.4 MFA y credenciales temporales (STS)
- 7.5 Buenas prácticas de seguridad IAM
Capítulo 8 · Bases de datos gestionadas
- 8.1 RDS: motores, Multi-AZ y réplicas de lectura
- 8.2 Aurora y sus ventajas sobre RDS vanilla
- 8.3 DynamoDB: modelo clave-valor / documentos
- 8.4 ElastiCache para caché en memoria
- 8.5 Cuándo usar cada tipo de base de datos
Capítulo 9 · Por qué Infraestructura como Código
- 9.1 Problemas del aprovisionamiento manual
- 9.2 IaC declarativo vs imperativo
- 9.3 Terraform vs CloudFormation vs Pulumi vs CDK
- 9.4 El ciclo plan → apply → destroy
Capítulo 10 · HCL: el lenguaje de Terraform
- 10.1 Bloques resource, variable, output, locals
- 10.2 Tipos de datos: string, number, bool, list, map, object
- 10.3 Expresiones, referencias y funciones built-in
- 10.4 Condicionales y bucles (count, for_each, for)
Capítulo 11 · Providers y estado
- 11.1 Cómo funciona el provider de AWS
- 11.2 El fichero terraform.tfstate y su importancia
- 11.3 State local vs state remoto (S3 + DynamoDB)
- 11.4 Comandos esenciales: init, plan, apply, destroy, fmt, validate
Capítulo 12 · Tu primera infraestructura real en Terraform
- 12.1 Crear una VPC con subredes desde cero
- 12.2 Levantar una instancia EC2 pública
- 12.3 Asociar un Security Group y una Elastic IP
- 12.4 Outputs y referencias entre recursos
- 12.5 Flujo de trabajo en equipo: PR review de planes
Capítulo 13 · Balanceo de carga y autoescalado
- 13.1 Application Load Balancer vs Network Load Balancer
- 13.2 Target Groups, listeners y reglas
- 13.3 Auto Scaling Groups: políticas y métricas
- 13.4 Warm pools y lifecycle hooks
Capítulo 14 · Serverless con Lambda
- 14.1 El modelo de ejecución de Lambda
- 14.2 Triggers: API Gateway, S3, DynamoDB Streams, SQS
- 14.3 Gestión de dependencias y capas (Layers)
- 14.4 Cold starts y estrategias para reducirlos
- 14.5 Límites y antipatrones
Capítulo 15 · Mensajería y eventos
- 15.1 SQS: colas estándar vs FIFO, DLQ
- 15.2 SNS: topics, suscripciones, fan-out
- 15.3 EventBridge: event buses y reglas
- 15.4 Patrones: pub/sub, desacoplamiento, saga
Capítulo 16 · Entrega de contenido y DNS
- 16.1 Route 53: tipos de registros y routing policies
- 16.2 CloudFront: distribuciones, cachés y origins
- 16.3 ACM: certificados SSL/TLS gratuitos
- 16.4 WAF integrado con CloudFront
Capítulo 17 · Contenedores en AWS
- 17.1 Docker: repaso exprés de conceptos clave
- 17.2 ECR: registro privado de imágenes
- 17.3 ECS: task definitions, services, Fargate vs EC2
- 17.4 EKS: cuándo Kubernetes y cuándo no
Capítulo 18 · Módulos: reutilización y composición
- 18.1 Anatomía de un módulo Terraform
- 18.2 Variables de entrada, outputs y dependencias
- 18.3 Módulos locales vs módulos del Terraform Registry
- 18.4 Versionado de módulos con Git tags
- 18.5 Diseño de módulos genéricos vs específicos de dominio
Capítulo 19 · Workspaces y gestión de entornos
- 19.1 Workspaces de Terraform: casos de uso y limitaciones
- 19.2 Estrategia de directorios por entorno (dev/stg/prod)
- 19.3 Terragrunt: DRY para configuraciones de entorno
- 19.4 Variables de entorno y archivos .tfvars
Capítulo 20 · Backends remotos y locking
- 20.1 Configurar S3 + DynamoDB como backend
- 20.2 State locking: evitar corrupción en equipo
- 20.3 Migración de estado entre backends
- 20.4 terraform import: traer recursos existentes al estado
Capítulo 21 · Testing de infraestructura
- 21.1 Terraform validate y fmt en CI
- 21.2 Checkov y tfsec: análisis de seguridad estático
- 21.3 Terratest: tests de integración en Go
- 21.4 Contract testing entre módulos
Capítulo 22 · Terraform en CI/CD
- 22.1 Pipeline básico: lint → plan → apply en GitHub Actions
- 22.2 Atlantis: GitOps para Terraform
- 22.3 Terraform Cloud / HCP Terraform
- 22.4 Drift detection y reconciliación automática
Capítulo 23 · Seguridad en profundidad
- 23.1 AWS Organizations y Service Control Policies
- 23.2 AWS Config: compliance continuo
- 23.3 GuardDuty: detección de amenazas
- 23.4 Security Hub: visión centralizada
- 23.5 KMS: gestión de claves y rotación
- 23.6 Secrets Manager vs Parameter Store
Capítulo 24 · Observabilidad: logs, métricas y trazas
- 24.1 CloudWatch Logs, métricas y alarmas
- 24.2 CloudWatch Dashboards y Contributor Insights
- 24.3 X-Ray: trazado distribuido
- 24.4 OpenTelemetry en AWS
- 24.5 Managed Grafana y Managed Prometheus
Capítulo 25 · Optimización de costes
- 25.1 AWS Cost Explorer y presupuestos con alertas
- 25.2 Trusted Advisor y Compute Optimizer
- 25.3 Rightsizing: cómo detectar sobredimensionamiento
- 25.4 Savings Plans vs Reserved Instances: decisión estratégica
- 25.5 FinOps: cultura y procesos para controlar el gasto
Capítulo 26 · Alta disponibilidad y disaster recovery
- 26.1 RTO y RPO: definir los objetivos
- 26.2 Estrategias: backup/restore, pilot light, warm standby, multi-site
- 26.3 Route 53 health checks y failover automático
- 26.4 AWS Backup: política centralizada de copias
Capítulo 27 · Well-Architected Framework de AWS
- 27.1 Los seis pilares: excelencia operacional, seguridad, fiabilidad, eficiencia de rendimiento, optimización de costes, sostenibilidad
- 27.2 Well-Architected Tool: revisiones formales
- 27.3 Cómo aplicar el framework en decisiones de diseño
Capítulo 28 · Arquitecturas serverless a escala
- 28.1 Event-driven architecture con Lambda + EventBridge
- 28.2 Saga pattern para transacciones distribuidas
- 28.3 Step Functions: orquestación de workflows complejos
- 28.4 Lambda@Edge y CloudFront Functions
Capítulo 29 · Plataformas de datos en AWS
- 29.1 Data Lake con S3, Glue y Athena
- 29.2 Kinesis Data Streams y Firehose para streaming
- 29.3 Redshift: data warehousing a escala
- 29.4 Lake Formation: gobierno del dato
Capítulo 30 · Multi-cuenta y landing zones
- 30.1 Por qué separar workloads en cuentas distintas
- 30.2 AWS Control Tower y Account Factory
- 30.3 Gestión centralizada de logs y seguridad
- 30.4 Terraform a escala multi-cuenta con módulos compartidos
Capítulo 31 · Platform Engineering e Internal Developer Platform
- 31.1 Golden paths y abstracciones sobre Terraform
- 31.2 Service Catalog de AWS
- 31.3 Backstage como portal de desarrolladores
- 31.4 Módulos Terraform como producto interno
Capítulo 32 · Certificaciones AWS relevantes
- 32.1 Cloud Practitioner: ¿vale la pena?
- 32.2 Solutions Architect Associate → Professional
- 32.3 DevOps Engineer Professional
- 32.4 Specialty: Security, Database, Networking
- 32.5 HashiCorp Terraform Associate
Capítulo 33 · Proyectos para consolidar lo aprendido
- 33.1 Proyecto 1: blog serverless (S3 + CloudFront + Lambda + DynamoDB)
- 33.2 Proyecto 2: API REST con ECS Fargate + RDS + ALB
- 33.3 Proyecto 3: plataforma de datos con Glue + Athena + Redshift
- 33.4 Proyecto 4: landing zone multi-cuenta con Terraform y Control Tower
