AWS Cost Anomaly Detection
通过机器学习自动检测 AWS 成本异常增减模式，并附带根因分析结果发送告警通知的成本管理服务
概述
AWS Cost Anomaly Detection 通过机器学习模型持续监控 AWS 使用成本，自动检测偏离正常模式的异常支出。作为 AWS Cost Explorer 的功能提供，无需额外费用。可按服务、账户、成本分配标签等多维度设置监控器，异常检测时通过 SNS、Amazon Chime 或邮件即时接收告警。检测到的异常附带服务名、区域、使用类型等根因分析，可快速定位成本激增原因。
监控器类型与告警订阅
Cost Anomaly Detection 的监控器定义成本数据的监控单位。监控器有 4 种类型：按 AWS 服务监控的服务监控器、按关联账户监控的账户监控器、按成本分配标签监控的标签监控器和按成本类别监控的成本类别监控器。服务监控器最为便捷，独立监控 AWS 账户内的所有服务，检测特定服务的成本激增。多账户环境中账户监控器有效，可从 Organizations 管理账户统一监控各成员账户的成本异常。告警订阅绑定到监控器设置，可指定异常影响金额或百分比阈值进行过滤。例如设置仅通知影响金额超过 100 美元的异常可防止轻微波动导致的告警疲劳。通知目标可选 SNS 主题、邮箱地址或 Amazon Chime Webhook，Slack 集成通过 SNS 经由 AWS Chatbot 实现。
异常检测模型的学习与检测精度
Cost Anomaly Detection 的机器学习模型从历史成本数据自动学习各服务和账户的支出模式。创建监控器后最少积累 24 小时数据即可开始检测，但精度稳定需要约 2 周学习期。模型识别每周周期性、月末批处理的定期高峰和季节性流量波动等模式，避免将这些可预测变动误判为异常。检测粒度为日级，基于前一天的成本数据进行异常判定。由于非实时检测，数小时级瞬时高峰的即时检测建议配合 CloudWatch 计费指标告警。提高检测精度的有效方法是适当设置成本分配标签以细化监控器的监控粒度。
根因分析与响应工作流
检测到异常时，Cost Anomaly Detection 自动执行根因分析（Root Cause Analysis）。分析结果包含导致异常的服务名、区域、账户和使用类型（如 USW2-BoxUsage:m5.xlarge），可定位成本增加的具体来源。异常详情页面显示正常预测成本与实际成本的图表，可视化偏离程度。实际响应工作流为：收到异常告警后先在 Cost Explorer 确认该时段的成本明细，按根因分析指示的服务和区域筛选。然后在 CloudTrail 调查该时段的 API 调用，确认是否有意外的资源创建或扩展事件。常见原因包括测试环境资源忘记删除、Auto Scaling 上限设置错误、数据传输量超预期增加、预留实例到期等。确认异常后发送反馈可持续改善模型精度。