成本策略

使用 AWS Compute Optimizer 实现资源优化 - 实例的合理调整

通过机器学习分析 CloudWatch 指标，为 EC2、Lambda、EBS、ECS Fargate 生成资源大小优化建议。详解 Graviton 迁移建议和增强指标提升精度的活用方法。

約 1 分で読めます

Compute Optimizer 概述

AWS Compute Optimizer 是通过机器学习分析 CloudWatch 指标，为 EC2 实例、Lambda 函数、EBS 卷和 ECSFargate 任务提供资源大小优化建议的服务。它检测过度配置的资源，以金额形式展示成本削减机会。建议在维持当前性能的同时朝降低成本的方向生成。Trusted Advisor 也提供资源优化建议，但 Compute Optimizer 进行基于机器学习的更精细分析，深入到具体实例类型的建议。Cost Explorer 的建议专注于预留实例和 Savings Plans 的购买，而 Compute Optimizer 则聚焦于资源大小的合理化。

建议类型与 Graviton 迁移

EC2 建议展示当前实例类型与推荐类型的比较、预估成本节约额和性能风险。建议包含三种模式：实例系列变更（m5 → m6i）、大小变更（xlarge → large）和 Graviton 迁移（m5 → m6g）。Graviton 实例迁移建议尤其值得关注，从 x86 迁移到 Arm 可期望最高 40% 的成本削减。Lambda 建议展示内存大小的优化，可削减过度的内存分配。由于 Lambda 按内存比例分配 CPU，内存优化也有助于缩短执行时间。EBS 建议提出从 gp2 迁移到 gp3、IOPS 和吞吐量的优化。gp3 相比 gp2 基线性能更高，且可独立设置 IOPS 和吞吐量，在大多数情况下可实现成本削减。

增强指标与建议的应用

标准情况下基于过去 14 天的 CloudWatch 指标生成建议，启用增强基础设施指标后可基于 93 天的数据获得更高精度的建议。可考虑月末批处理或季度结算高峰等短期内无法捕捉的使用模式来生成建议。建议以 1-5 的等级显示性能风险，优先应用风险低的建议。由于建议需要手动应用，建议建立定期（每月）确认建议并分阶段变更实例类型的运维流程。通过与 Organizations 集成，可统一管理所有账户的建议，可视化整个组织的成本削减机会。 关于资源优化的实践，也可参考Amazon 的相关书籍。

Compute Optimizer 的费用

Compute Optimizer 的基本功能免费使用。增强基础设施指标（93 天指标分析）为付费功能，每个资源每月约 0.0003272 美元。即使对 1,000 台 EC2 实例启用增强指标，每月也仅约 0.33 美元，考虑到建议精度提升带来的成本削减效果，强烈建议启用。外部指标导入（来自 Datadog、Dynatrace 等 APM 工具的指标）也无需额外费用，可将 CloudWatch 以外的指标源纳入建议输入。

总结

AWS Compute Optimizer 是通过基于机器学习的资源优化建议，在维持性能的同时削减成本的服务。分析 EC2、Lambda、EBS、ECS Fargate 的资源大小，提供包含 Graviton 迁移在内的具体建议。通过增强指标获取基于 93 天数据的稳定建议，分阶段合理化资源。

相关服务

AWS Compute Optimizer通过 ML 分析资源使用情况并推荐最优实例类型和大小的服务Amazon EC2在云端提供虚拟服务器的计算服务AWS Lambda无需管理服务器即可运行代码的无服务器计算服务

相关文章

AWS 环境优化诊断 - 使用 Trusted Advisor 进行最佳实践检查详解使用 AWS Trusted Advisor 进行环境自动诊断。介绍成本优化、安全性、容错性、性能和服务限制 5 个类别的检查项目及活用方法。通过 AWS Auto Scaling 实现需求驱动型基础设施 - 扩缩策略的设计与优化介绍如何灵活运用目标跟踪、预测性和计划性三种扩缩策略，并通过混合实例策略利用 Spot 实例实现成本优化。使用 AWS Cost Explorer 可视化和分析成本 - 标签策略与 Savings Plans 的活用通过服务别、账户别、标签别的成本分析，以及基于机器学习的异常检测和成本预测来可视化 AWS 支出。详解利用预留实例和 Savings Plans 购买建议的成本优化。

本主题的更多内容

AWS 计费计算的幕后 - 按秒计费、按 100ms 计费、按请求计费是如何计量的解析 EC2 的按秒计费、Lambda 的按 1ms 计费、S3 的按请求计费等 AWS 多样化计费粒度是如何计量、汇总和出账的，从计量系统机制进行说明。AWS 90% 的功能源自客户之声 - Working Backwards 与以客户为起点的创新解析 Working Backwards 流程和 Customer Obsession 原则如何塑造 AWS 的服务开发。介绍从 PR/FAQ 文档开始的创新机制以及客户反馈的落地流程。AWS 的降价文化 - 2006 年以来 100 多次降价背后的飞轮与规模经济分析将规模优势回馈客户的 AWS 降价文化，以及其背后的规模经济、硬件代际更替和竞争策略。介绍过去主要降价案例及其影响。AWS 的定价模型为何复杂 - 按量计费背后的经济学与博弈论从航空业收益管理和需求预测经济学的角度解读按需、预留实例、竞价实例三层定价结构，解析定价复杂性的合理原因。使用 AWS Budgets 实现成本管理 - 预算告警与自动操作对实际值和预测值同时设置告警，通过 Budget Actions 自动执行 IAM 策略应用和实例停止。与 Slack 集成提升团队整体的成本意识。云成本预算管理 - 通过 AWS Budgets 实现支出控制与告警详细介绍使用 AWS Budgets 进行预算设置、成本告警和自动操作的方法。包括与 Cost Explorer 的区分使用、预算类型的选择以及通过 Organizations 集成实现组织级预算管理。CloudWatch Logs 费用意外增高的原因 - 摄取、存储与分析的成本结构详细介绍 CloudWatch Logs 摄取费用是存储费用 20 倍以上的定价结构、VPC 流日志和 Lambda 日志引发的成本爆炸以及通过 Infrequent Access 类和 S3 导出实现的优化策略。计算资源优化 - 使用 AWS Compute Optimizer 进行合理调整详解使用 AWS Compute Optimizer 进行资源合理调整。介绍 EC2、Lambda、EBS、ECS on Fargate 的建议事项、成本削减效果估算和导入步骤。

相似的文章与服务

计算资源优化 - 使用 AWS Compute Optimizer 进行合理调整详解使用 AWS Compute Optimizer 进行资源合理调整。介绍 EC2、Lambda、EBS、ECS on Fargate 的建议事项、成本削减效果估算和导入步骤。AWS Compute Optimizer通过机器学习分析 CloudWatch 指标，为 EC2、EBS、Lambda、ECS 提供资源规格优化建议的服务AWS 成本管理工具集 - Cost Explorer、Budgets、Compute Optimizer 的原生集成AWS 原生集成了 Cost Explorer、Budgets、Compute Optimizer、Trusted Advisor 等成本管理工具。通过与 Azure Cost Management 和 GCP 计费管理的比较，分析 AWS 在成本可视化与优化方面的优势。使用 AWS Cost Explorer 可视化和分析成本 - 标签策略与 Savings Plans 的活用通过服务别、账户别、标签别的成本分析，以及基于机器学习的异常检测和成本预测来可视化 AWS 支出。详解利用预留实例和 Savings Plans 购买建议的成本优化。