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。
Cost Explorer 概述
AWS Cost Explorer 是对 AWS 的使用成本和用量进行可视化和分析的服务。可以按服务、账户、区域、标签等多个角度分析过去 13 个月的成本数据。基于机器学习的成本预测功能可以估算未来 12 个月的支出，用于预算规划。Budgets 专注于基于告警的成本管理，而 Cost Explorer 则侧重于分析和可视化。通过与 Cost Anomaly Detection 集成，可以自动检测偏离正常模式的成本增长，并帮助找出根本原因。
成本分析与过滤
Cost Explorer 控制台以图表显示每日和每月的成本趋势，并可按服务、关联账户、区域、实例类型、使用类型等维度进行分组和过滤。启用成本分配标签后，可以按项目、环境（dev/staging/prod）、团队等自定义维度对成本进行分类。标签在 Billing 控制台中启用，启用后的数据才能按标签进行分析。也可以使用 API（GetCostAndUsage）以编程方式获取成本数据，构建自有的仪表板或自动生成的报告。将 Cost Explorer 的报告定期导出到 S3，再用 Athena 或 Amazon Quick Sight（旧称 Amazon QuickSight）进行高级分析，这种模式也很常见。
购买建议与 Savings Plans
Cost Explorer 提供预留实例（RI）和 Savings Plans 的购买建议。分析过去的使用模式，提出在 1 年或 3 年承诺下有望实现最大成本削减的购买方案。Savings Plans 有 Compute Savings Plans（适用于 EC2、Fargate、Lambda）和 EC2 Instance Savings Plans（适用于特定的实例系列）两种，Compute Savings Plans 的灵活性更高，相应地折扣率略低。这些建议会从覆盖率（使用量中由 RI/SP 覆盖的比例）和利用率（已购买的 RI/SP 中实际被使用的比例）两方面提出优化方案。
Cost Explorer 的费用
Cost Explorer 的控制台可以免费使用。API（GetCostAndUsage、GetCostForecast 等）按量计费，每个请求约 0.01 美元（截至 2026 年 8 月）。Cost Anomaly Detection 可以免费使用，无需额外费用即可接收异常检测告警。成本分配标签的启用本身是免费的，但标签的管理和运维需要治理机制。如果使用 Organizations 的整合账单，可以从管理账户集中分析所有成员账户的成本。
Cost Anomaly Detection 的运用
成本异常检测是尽早发现意外支出增长的机制。按服务、账户或成本类别设置监控器后，机器学习会检测偏离常规趋势的增长，并通过告警通知。检测到异常时，会显示是哪些服务或使用类型导致了增长的明细，因此可以更快地找出原因。适当地设置阈值，并调整为不会因细小的噪声而频繁告警，就能只关注真正应该注意的成本波动。能够在账单确定之前发现，是一大优势。
标签策略与治理
要按项目或团队正确地分析成本，前提是彻底地为资源添加标签。按环境、用途、所有者等维度制定命名规则，并通过组织的策略强制要求必需标签，之后的成本分摊就会更容易。将定期找出未添加标签的资源并加以纠正的运维工作机制化。标签的一致性一旦被打破，分析的精度就会下降，因此作为治理持续进行管理很重要。完善的标签不仅能用于成本分配，还有助于安全和运维的自动化。
报告的自动化与共享
对于日常的成本管理，报告的自动化很有效。除了在控制台中分析之外，如果通过 API 获取成本数据，就可以搭建自有的仪表板和定期报告。如果需要更详细的明细，常见的模式是将成本和使用情况报告输出到 S3，再用 Athena 或 Quick Sight 进行深入分析。面向团队和管理层，定期发送按其关心的维度汇总的报告，成本意识就会在组织中扎根。营造人人都能把握现状的状态，是持续优化的基础。
成本优化的实践循环
可视化不是终点，而是起点。要让分析中发现的浪费与具体的对策相连，形成循环。停止和删除未使用的资源、将过剩的规格调整到合适水平、为稳定运行的部分购买承诺，都是代表性的措施。在判断调整规格时，Compute Optimizer 的建议很有帮助。购买承诺时，要一边看覆盖率（折扣对象所能覆盖的比例）和利用率两方面，一边寻找最优点。每月重复这一循环并衡量效果，就能持续降低成本。
总结
AWS Cost Explorer 是通过多角度成本分析和基于机器学习的预测来可视化 AWS 支出的服务。结合成本分配标签的项目别/团队别分析、RI/Savings Plans 购买建议以及 Cost Anomaly Detection 的异常检测，推进持续的成本优化。
参考资料（AWS 官方）
本页的第一手信息来源是 AWS 官方网站及官方文档。最新的规格与价格请以下列官方页面为准。
如本页内容与官方文档不一致，请以官方文档为准。