Savings Plans 按服务覆盖实战：EC2 / Fargate / Lambda 的组合策略

概述

Savings Plans (SP) 是 AWS 提供的灵活折扣计划，可覆盖 EC2、Fargate 和 Lambda 三大计算服务。但不同服务的使用模式、计费方式和优化策略大相径庭。本文将深入解析如何针对不同服务特征制定最优的 SP 覆盖策略。

第一部分：Savings Plans 基础知识回顾

1.1 SP 类型对比

1.2 承诺期限与支付方式影响

折扣率计算矩阵：

全预付    部分预付   无预付
1年期
Compute SP    52%       49%       48%
EC2 SP        58%       56%       54%

3年期  
Compute SP    66%       62%       60%
EC2 SP        72%       69%       67%

关键洞察：
- 3年期比1年期额外折扣：12-14%
- 全预付比无预付额外折扣：2-5%
- EC2 SP 比 Compute SP 额外折扣：6-8%

第二部分：EC2 服务的 SP 覆盖策略

2.1 EC2 使用模式分析

工作负载分类框架

flowchart TD
    A[EC2 工作负载] --> B[基线负载<br/>24/7 运行]
    A --> C[可预测负载<br/>定时运行]
    A --> D[突发负载<br/>不可预测]
    
    B --> B1[生产数据库<br/>推荐: EC2 SP 3年]
    B --> B2[Web服务器<br/>推荐: Compute SP 3年]
    
    C --> C1[批处理任务<br/>推荐: Compute SP 1年]
    C --> C2[开发环境<br/>推荐: 按需或Spot]
    
    D --> D1[营销活动<br/>推荐: 按需]
    D --> D2[灾备系统<br/>推荐: 少量SP+按需]

2.2 EC2 SP 覆盖率计算

最优覆盖率模型

def calculate_ec2_sp_coverage(usage_data):
    """
    计算 EC2 的最优 SP 覆盖率
    """
    # 分析过去 3 个月的使用数据
    baseline = np.percentile(usage_data, 20)  # P20 作为稳定基线
    average = np.mean(usage_data)
    peak = np.max(usage_data)
    
    # 覆盖率建议
    coverage_recommendations = {
        'conservative': baseline * 0.8,  # 保守：基线的 80%
        'balanced': baseline * 1.0,      # 平衡：100% 基线
        'aggressive': average * 0.7      # 激进：平均值的 70%
    }
    
    # 计算 ROI
    for strategy, coverage in coverage_recommendations.items():
        sp_cost = coverage * 0.42  # 假设 58% 折扣
        on_demand_cost = (average - coverage) * 1.0
        total_cost = sp_cost + max(0, on_demand_cost)
        savings = (average * 1.0) - total_cost
        roi = (savings / (coverage * 0.42)) * 100
        
        print(f"{strategy}: 覆盖 {coverage:.0f} 小时, ROI {roi:.1f}%")
    
    return coverage_recommendations

2.3 EC2 实例族选择策略

EC2 Instance SP vs Compute SP 决策

2.4 实战案例：电商平台 EC2 优化

背景：
- 月度 EC2 支出：$50,000
- 实例分布：60% m5 系列，30% c5 系列，10% r5 系列
- 使用模式：基线 70%，峰值 130%


优化方案：
1. EC2 Instance SP（3年全预付）
   - 覆盖 m5.xlarge × 20 台（us-east-1）
   - 承诺：$18,000/月
   - 折扣：72%

2. Compute SP（1年部分预付）
   - 覆盖剩余基线负载
   - 承诺：$8,000/月
   - 折扣：49%

3. 按需 + Spot
   - 峰值使用按需
   - 批处理使用 Spot

结果：
- 优化前：$50,000/月
- 优化后：$31,500/月
- 节省：37%（$18,500/月）

第三部分：Fargate 服务的 SP 策略

3.1 Fargate 计费模型理解

Fargate 资源计算公式

Fargate 成本 = (vCPU 小时 × vCPU 价格) + (内存 GB 小时 × 内存价格)


示例（us-east-1）：
- vCPU：$0.04048/小时
- 内存：$0.004445/GB/小时

1个任务（1 vCPU, 2GB 内存）运行 1 小时：
成本 = (1 × $0.04048) + (2 × $0.004445) = $0.04937

应用 Compute SP（66% 折扣）：
优化成本 = $0.04937 × 0.34 = $0.01678
节省：66%

3.2 Fargate 工作负载分析

容器服务使用模式

3.3 ECS on Fargate 优化策略

# Fargate 任务定义优化
TaskDefinition:
  Family: web-service
  RequiresCompatibilities: 
    - FARGATE
  Cpu: '1024'     # 1 vCPU
  Memory: '2048'   # 2 GB
  
  # 成本优化配置
  CostOptimization:
    # 使用 Fargate Spot
    CapacityProvider:
      - FARGATE_SPOT  # 可节省 70%
      - FARGATE        # 保证可用性
    
    # 任务配置优化
    TaskSize:
      Strategy: "right-sizing"
      MonitoringPeriod: 7  # 天
      TargetUtilization: 70  # %

3.4 Fargate SP 购买决策

承诺金额计算器

def calculate_fargate_sp_commitment(services):
    """
    计算 Fargate 的 SP 承诺金额
    """
    monthly_baseline = 0
    
    for service in services:
        # 计算每个服务的基线成本
        vcpu_hours = service['tasks'] * service['vcpu'] * 24 * 30
        memory_hours = service['tasks'] * service['memory_gb'] * 24 * 30
        
        vcpu_cost = vcpu_hours * 0.04048
        memory_cost = memory_hours * 0.004445
        
        service_baseline = (vcpu_cost + memory_cost) * service['baseline_pct']
        monthly_baseline += service_baseline
    
    # SP 承诺建议
    recommendations = {
        '1年 Compute SP': {
            'commitment': monthly_baseline * 0.7,  # 覆盖 70% 基线
            'discount': 0.49,
            'monthly_savings': monthly_baseline * 0.7 * 0.49
        },
        '3年 Compute SP': {
            'commitment': monthly_baseline * 0.6,  # 覆盖 60% 基线
            'discount': 0.66,
            'monthly_savings': monthly_baseline * 0.6 * 0.66
        }
    }
    
    return recommendations

第四部分：Lambda 服务的 SP 覆盖

4.1 Lambda 计费特殊性

Lambda 定价组成

Lambda 总成本 = 请求费用 + 持续时间费用


请求费用：
- $0.20 / 100万次请求

持续时间费用：
- $0.0000166667 / GB-秒
- 最小计费单位：1ms

Compute SP 覆盖：
- ✅ 覆盖持续时间费用
- ❌ 不覆盖请求费用

重要：SP 只能节省持续时间成本部分！

4.2 Lambda 使用分析

函数类型与 SP 策略

4.3 Lambda SP 覆盖计算

def analyze_lambda_sp_coverage(lambda_metrics):
    """
    分析 Lambda 函数的 SP 覆盖潜力
    """
    results = []
    
    for function in lambda_metrics:
        # 计算月度 GB-秒
        monthly_gb_seconds = (
            function['invocations'] * 
            function['duration_ms'] / 1000 * 
            function['memory_mb'] / 1024 * 
            30  # 天
        )
        
        # 计算成本
        duration_cost = monthly_gb_seconds * 0.0000166667
        request_cost = function['invocations'] * 30 / 1_000_000 * 0.20
        total_cost = duration_cost + request_cost
        
        # SP 可节省部分（仅持续时间）
        sp_savings_potential = duration_cost * 0.66  # 假设 66% 折扣
        sp_coverage_pct = (duration_cost / total_cost) * 100
        
        results.append({
            'function': function['name'],
            'monthly_cost': total_cost,
            'sp_saveable': duration_cost,
            'sp_savings': sp_savings_potential,
            'coverage_pct': sp_coverage_pct,
            'recommend': monthly_gb_seconds > 500_000
        })
    
    return results

4.4 Lambda 优化最佳实践

内存配置对 SP 效果的影响

案例：图片处理 Lambda 函数


配置 A：3008 MB，100ms 执行时间
- GB-秒：0.3008
- 成本：$0.000005013
- SP 折扣后：$0.000001704

配置 B：1024 MB，280ms 执行时间  
- GB-秒：0.2867
- 成本：$0.000004778
- SP 折扣后：$0.000001625

结论：优化内存配置 + SP = 双重节省

第五部分：混合服务 SP 策略

5.1 多服务组合优化

服务组合矩阵

5.2 统一 SP 管理框架

class UnifiedSPManager:
    """统一的 Savings Plans 管理器"""
    
    def __init__(self):
        self.services = {
            'ec2': {'usage': 0, 'weight': 1.0},
            'fargate': {'usage': 0, 'weight': 0.9},
            'lambda': {'usage': 0, 'weight': 0.7}
        }
    
    def analyze_service_mix(self, usage_data):
        """分析服务组合"""
        total_compute = sum(usage_data.values())
        
        service_mix = {
            service: (usage / total_compute) * 100
            for service, usage in usage_data.items()
        }
        
        return self.recommend_strategy(service_mix)
    
    def recommend_strategy(self, service_mix):
        """推荐 SP 策略"""
        if service_mix['ec2'] > 70:
            return {
                'primary': 'EC2 Instance SP',
                'coverage': '70% of EC2 baseline',
                'secondary': 'Compute SP',
                'coverage2': '30% of total baseline'
            }
        elif service_mix['fargate'] > 50:
            return {
                'primary': 'Compute SP',
                'coverage': '80% of total baseline',
                'term': '3 years for stability'
            }
        else:
            return {
                'primary': 'Compute SP',
                'coverage': '60% of total baseline',
                'term': '1 year for flexibility'
            }

5.3 跨账户 SP 共享策略

Organizations SP 共享优化

管理账户集中购买策略：


优势：
1. 批量折扣最大化
2. 统一管理简单
3. 自动跨账户共享

实施步骤：
1. 在管理账户购买 SP
2. 启用 SP 共享（默认启用）
3. 监控各账户使用情况

共享优先级：
1. 购买账户的使用
2. 同一 OU 的账户
3. 其他账户（按需）

监控指标：
- SP 利用率 > 95%
- 跨账户分配均衡性
- 未覆盖的按需支出

第六部分：SP 监控与优化

6.1 关键监控指标

SP 效率仪表板

6.2 持续优化流程

flowchart LR
    A[月度分析] --> B[使用趋势]
    B --> C{利用率OK?}
    C -->|< 90%| D[增加工作负载]
    C -->|> 95%| E[评估增购]
    C -->|90-95%| F[保持现状]
    
    D --> G[调整策略]
    E --> G
    F --> G
    
    G --> H[季度评审]
    H --> I[年度续约决策]

6.3 SP 优化自动化

def automated_sp_optimization():
    """
    自动化 SP 优化建议系统
    """
    # 获取当前 SP 和使用数据
    current_sps = get_savings_plans()
    usage_data = get_compute_usage(days=30)
    
    recommendations = []
    
    for sp in current_sps:
        utilization = calculate_utilization(sp, usage_data)
        
        if utilization < 0.9:
            # 利用率低，建议增加工作负载
            recommendations.append({
                'type': 'increase_workload',
                'sp_id': sp['id'],
                'current_util': utilization,
                'action': find_workloads_to_migrate()
            })
        elif utilization > 0.98:
            # 利用率过高，建议增购
            recommendations.append({
                'type': 'purchase_additional',
                'amount': calculate_additional_needed(),
                'term': recommend_term()
            })
    
    # 检查未覆盖的使用
    uncovered = find_uncovered_usage(usage_data, current_sps)
    if uncovered > 1000:  # $1000/月 阈值
        recommendations.append({
            'type': 'new_sp',
            'service': identify_service_type(uncovered),
            'amount': calculate_commitment(uncovered)
        })
    
    return recommendations

第七部分：实战案例集

7.1 案例一：SaaS 公司的渐进式覆盖

公司背景：
- B2B SaaS，月账单 $80k
- 服务组成：EC2 60%，Fargate 30%，Lambda 10%


实施阶段：

第1阶段（Month 1-3）：
- 分析3个月使用数据
- 识别基线：$45k/月
- 购买：Compute SP $25k/月（1年期）
- 结果：节省 $12k/月

第2阶段（Month 4-6）：
- 工作负载稳定性验证
- 识别 EC2 长期实例
- 追加：EC2 SP $15k/月（3年期）
- 结果：额外节省 $8k/月

第3阶段（Month 7-12）：
- 优化和调整
- Lambda 函数内存优化
- Fargate 任务规格调整
- 结果：总节省 $24k/月（30%）

关键经验：
1. 渐进式承诺降低风险
2. 先 Compute 后 EC2 Instance
3. 持续监控和优化

7.2 案例二：游戏公司的峰值优化

挑战：
- 新游戏发布，流量不可预测
- 峰值是平时的 10 倍
- 需要保持成本可控


解决方案：

基线覆盖（30%）：
- EC2 Instance SP：$30k/月
- 覆盖核心游戏服务器

弹性层（50%）：
- Compute SP：$20k/月
- 覆盖 Fargate 容器服务

峰值应对（20%）：
- Spot 实例：自动竞价
- Lambda：事件驱动扩展
- 按需：紧急容量

成果：
- 正常期成本：降低 45%
- 峰值期成本：降低 25%
- 整体 ROI：180%

7.3 案例三：金融科技的合规优化

特殊要求：
- 数据必须在特定区域
- 需要专用主机
- 严格的可用性要求


策略设计：

1. 区域固定 EC2 SP：
   - us-east-1：$40k/月
   - eu-west-1：$20k/月
   - 3年期全预付

2. 合规工作负载：
   - Dedicated Hosts
   - 不使用 SP（成本占比小）

3. 分析工作负载：
   - Compute SP：$15k/月
   - 覆盖 Fargate 批处理

结果：
- 符合所有合规要求
- 成本节省 38%
- 保持高可用性

第八部分：常见问题与误区

8.1 SP 购买误区

8.2 优化失败案例分析

失败案例1：过度承诺
- 问题：购买了 $100k/月 SP，实际只用 $60k
- 损失：$40k/月 的浪费
- 教训：保守估计，渐进增加


失败案例2：错误类型
- 问题：买了 EC2 SP，后来迁移到容器
- 损失：SP 无法应用到 Fargate
- 教训：考虑架构演进，优先 Compute SP

失败案例3：忽视区域
- 问题：us-east-1 的 SP，工作负载在 us-west-2
- 损失：SP 无法跨区域（EC2 Instance SP）
- 教训：确认区域策略后再购买

第九部分：工具和自动化

9.1 SP 分析工具

# SP 优化分析工具
class SPAnalyzer:
    def __init__(self, aws_account_id):
        self.ce_client = boto3.client('ce')
        self.account_id = aws_account_id
    
    def get_sp_utilization(self, sp_id):
        """获取 SP 利用率"""
        response = self.ce_client.get_savings_plans_utilization(
            TimePeriod={
                'Start': (datetime.now() - timedelta(days=30)).strftime('%Y-%m-%d'),
                'End': datetime.now().strftime('%Y-%m-%d')
            },
            Filter={
                'Dimensions': {
                    'Key': 'SAVINGS_PLAN_ARN',
                    'Values': [sp_id]
                }
            }
        )
        return response['SavingsPlansUtilizationsByTime']
    
    def recommend_additional_sp(self):
        """推荐额外的 SP 购买"""
        # 获取未覆盖的使用
        uncovered = self.get_uncovered_usage()
        
        if uncovered['ec2'] > 10000:
            return {
                'type': 'EC2 Instance SP',
                'amount': uncovered['ec2'] * 0.6,
                'term': '3 years',
                'payment': 'All Upfront'
            }
        elif uncovered['compute'] > 5000:
            return {
                'type': 'Compute SP',
                'amount': uncovered['compute'] * 0.5,
                'term': '1 year',
                'payment': 'Partial Upfront'
            }
        
        return None

9.2 CloudWatch 监控仪表板

{
  "name": "SP-Optimization-Dashboard",
  "widgets": [
    {
      "type": "metric",
      "properties": {
        "metrics": [
          ["AWS/CE", "SavingsPlansUtilization", {"stat": "Average"}],
          [".", "SavingsPlansCoverage", {"stat": "Average"}],
          [".", "SavingsPlansSavings", {"stat": "Sum"}]
        ],
        "period": 86400,
        "stat": "Average",
        "region": "us-east-1",
        "title": "Savings Plans Performance"
      }
    },
    {
      "type": "metric",
      "properties": {
        "metrics": [
          ["AWS/EC2", "CPUUtilization", {"stat": "Average"}],
          ["AWS/ECS", "CPUUtilization", {"stat": "Average"}],
          ["AWS/Lambda", "Duration", {"stat": "Sum"}]
        ],
        "period": 3600,
        "title": "Service Utilization Trends"
      }
    }
  ]
}

总结与行动计划

关键要点

1. 服务特性决定策略

   • EC2：稳定负载用 EC2 Instance SP
   • Fargate：容器化负载用 Compute SP
   • Lambda：高 GB-秒使用才考虑 SP

2. 覆盖率黄金法则

   • 保守型：基线的 50-60%
   • 平衡型：基线的 70-80%
   • 激进型：平均值的 60-70%

3. 组合优化价值

   • 不同期限组合降低风险
   • 不同类型组合保持灵活性
   • 跨服务协同最大化节省

30天行动计划

Week 1：数据收集

• 导出 3 个月使用数据
• 按服务分类统计
• 识别使用模式

Week 2：分析规划

• 计算基线使用量
• 评估稳定性
• 制定覆盖策略

Week 3：购买执行

• 选择 SP 类型
• 确定承诺金额
• 分批购买

Week 4：监控优化

• 设置监控告警
• 跟踪利用率
• 制定优化计划

预期成果

通过正确的 SP 策略，您可以期待：

• 成本节省：40-72%的计算成本降低
• 灵活性：保持架构演进的空间
• 可预测性：稳定的月度成本
• ROI：通常在 6-12 个月内回本

记住：Savings Plans 不是一次性决策，而是需要持续优化的过程。从小处着手，逐步扩大，在节省成本的同时保持业务的灵活性。

相关阅读：

• 不同账单规模的 SP 策略
• 预留实例 Standard vs Convertible
• AWS 成本优化大全