在 AWS 成本优化策略中，Savings Plans (SP) 和 Reserved Instances (RI) 是两种最重要的折扣工具。本文将从技术细节、财务影响和实际应用场景三个维度，全面对比这两种折扣方式，帮助您做出最优选择。

核心差异

承诺模式对比

| 交换能力 | 无需交换，自动适配 | Standard 不可交换，Convertible 可交换 |

技术架构差异

#### 计费模式对比

| 计费灵活性 | 极高，按实际使用扣减 | 较低，固定配置 |

#### Savings Plans 类型详解

| SageMaker SP | SageMaker 实例 | 跨实例大小、组件 | 64% | ML 工作负载 |

#### Reserved Instances 类型详解

| Convertible RI | 可交换到等值或更高价值配置 | 66% | ❌ 不可转售 | 需要灵活性的长期负载 |

#### 关键特性对比

| 容量预留 | ❌ 不包含 | ✅ 可选（区域 RI 除外） |

折扣率详细对比

#### 不同承诺期和付款方式的折扣率

| 无预付 | 57% | 49% | 53% | 47% |

> 💡 关键洞察：
> – Standard RI 提供最高折扣率，但灵活性最低
> – EC2 Instance SP 在折扣和灵活性之间达到良好平衡
> – Compute SP 折扣率较低，但提供最大的灵活性
> – 3年期全预付始终提供最佳折扣率

#### 实例族别折扣差异

| GPU (p3/p4) | 65% | 63% | 2% | 根据迁移需求选择 |

适用场景分析

场景一：稳定的生产环境

#### 环境特征

| 迁移频率 | 低（年度级别） | 无需过多灵活性 |

#### 推荐混合策略

| 总计 | – | – | – | 58.5% | 平衡成本优化和风险管理 |

> 💡 实施建议：
> 1. 先分析 3 个月的使用数据，识别 P20 基线
> 2. 为 P20 基线购买 3 年期 Standard RI
> 3. 用 1 年期 Compute SP 覆盖 P20-P80 的波动
> 4. 保留 10% On-Demand 应对不确定性

场景二：容器化工作负载

#### 环境特征

| Fargate 使用 | 30-50% 工作负载 | 只能使用 SP |

#### 推荐策略

| 总计 | – | – | – | 56.2% | 最大化灵活性 |

> 📌 关键决策点：
> – Fargate 占比 > 30%：优先 Compute SP
> – 实例类型变化频繁：避免 Standard RI
> – 多区域部署：选择 Compute SP 的区域灵活性

场景三：开发测试环境

#### 环境特征

| 成本敏感度 | 中等 | 平衡成本和便利性 |

#### 推荐策略

| 总计 | – | – | – | 42.8% | 优化成本同时保持敏捷性 |

> 🎯 最佳实践：
> 1. 实施自动化开关机策略（节省 65-70%）
> 2. 优先使用 Spot 实例（额外 70-90% 折扣）
> 3. 仅为始终运行的服务购买 SP
> 4. 考虑按需购买短期 SP（1年期）

场景四：多云或混合云架构

#### 环境特征

| 技术债务 | 可能重构 | 保持退出选项 |

#### 推荐保守策略

| 总计 | – | – | – | 13.2% | 风险最小化策略 |

> ⚠️ 风险管理要点：
> – 避免 3 年期承诺
> – 优先无预付方式
> – 每季度评估云策略
> – 保持 40-50% 按需容量

组合策略实战

最优组合计算器

import pandas as pd
import numpy as np

class OptimalCombinationCalculator:
    """
    计算 SP 和 RI 的最优组合
    """
    
    def __init__(self, monthly_spend, usage_data):
        self.monthly_spend = monthly_spend
        self.usage_data = usage_data
        self.hourly_rate = monthly_spend / 730  # 平均每小时成本
    
    def calculate_optimal_mix(self):
        """
        基于历史数据计算最优组合
        """
        # 分析使用模式
        usage_df = pd.DataFrame(self.usage_data)
        
        # 计算基线（P50）
        baseline = usage_df['hourly_cost'].quantile(0.5)
        
        # 计算峰值（P95）
        peak = usage_df['hourly_cost'].quantile(0.95)
        
        # 推荐组合
        recommendations = {
            'baseline_coverage': {
                'tool': 'Standard RI (3yr All Upfront)',
                'coverage_percent': 40,
                'hourly_commit': baseline  0.4,
                'annual_cost': baseline  0.4  8760  0.25,  # 75% 折扣
                'annual_savings': baseline  0.4  8760  0.75
            },
            'variable_coverage': {
                'tool': 'Compute SP (3yr Partial Upfront)',
                'coverage_percent': 30,
                'hourly_commit': baseline  0.3,
                'annual_cost': baseline  0.3  8760  0.34,  # 66% 折扣
                'annual_savings': baseline  0.3  8760  0.66
            },
            'peak_coverage': {
                'tool': 'EC2 Instance SP (1yr No Upfront)',
                'coverage_percent': 15,
                'hourly_commit': (peak - baseline)  0.5,
                'annual_cost': (peak - baseline)  0.5  8760  0.73,  # 27% 折扣
                'annual_savings': (peak - baseline)  0.5  8760  0.27
            },
            'on_demand': {
                'coverage_percent': 15,
                'reason': 'Flexibility buffer'
            }
        }
        
        # 计算总节省
        total_savings = sum(r.get('annual_savings', 0) 
                          for r in recommendations.values())
        savings_percent = (total_savings / (self.monthly_spend  12))  100
        
        return {
            'recommendations': recommendations,
            'total_annual_savings': total_savings,
            'savings_percentage': savings_percent,
            'payback_period_months': self._calculate_payback_period(recommendations)
        }
    
    def _calculate_payback_period(self, recommendations):
        """
        计算投资回收期
        """
        upfront_cost = 0
        monthly_savings = 0
        
        for rec in recommendations.values():
            if 'annual_cost' in rec:
                # 假设 All Upfront 需要预付全年
                if 'All Upfront' in rec.get('tool', ''):
                    upfront_cost += rec['annual_cost']
                # Partial Upfront 预付 50%
                elif 'Partial Upfront' in rec.get('tool', ''):
                    upfront_cost += rec['annual_cost']  0.5
                
                monthly_savings += rec['annual_savings'] / 12
        
        if monthly_savings > 0:
            return upfront_cost / monthly_savings
        return 0

使用示例
usage_data = [
    {'hour': i, 'hourly_cost': np.random.normal(1000, 200)} 
    for i in range(720)  # 30 天的小时数据
]

calculator = OptimalCombinationCalculator(
    monthly_spend=50000,
    usage_data=usage_data
)

result = calculator.calculate_optimal_mix()
print(f"推荐组合将节省 {result['savings_percentage']:.1f}%")
print(f"年度节省金额: ${result['total_annual_savings']:,.0f}")
print(f"投资回收期: {result['payback_period_months']:.1f} 个月")

实战案例：$50k/月账单优化

def real_case_implementation():
    """
    真实案例：月账单 $50,000 的优化实施
    """
    
    # 第一步：现状分析
    current_state = {
        'monthly_spend': 50000,
        'ec2_spend': 28000,  # 56%
        'fargate_spend': 5000,  # 10%
        'lambda_spend': 2000,  # 4%
        'other_spend': 15000,  # 30%
        'existing_discounts': 'None'
    }
    
    # 第二步：制定策略
    optimization_plan = {
        'phase1_month1': {
            'action': '购买 Compute SP',
            'amount': '$15/hour',
            'term': '3年 All Upfront',
            'upfront_cost': 394200,  # $15  24  365  3  0.34
            'expected_monthly_savings': 7300
        },
        'phase2_month2': {
            'action': '购买 Standard RI',
            'instances': '20x m5.xlarge in us-east-1',
            'term': '3年 All Upfront',
            'upfront_cost': 68400,
            'expected_monthly_savings': 3200
        },
        'phase3_month3': {
            'action': '购买 EC2 Instance SP',
            'amount': '$8/hour',
            'term': '1年 No Upfront',
            'monthly_cost': 3900,
            'expected_monthly_savings': 1900
        }
    }
    
    # 第三步：计算 ROI
    total_upfront = 394200 + 68400
    total_monthly_savings = 7300 + 3200 + 1900
    roi_months = total_upfront / total_monthly_savings
    
    # 第四步：实施追踪
    implementation_tracker = {
        'month_1': {
            'actual_spend': 42700,
            'expected_spend': 42700,
            'variance': 0,
            'actions_taken': ['Compute SP purchased', 'Monitoring setup']
        },
        'month_2': {
            'actual_spend': 39500,
            'expected_spend': 39500,
            'variance': 0,
            'actions_taken': ['Standard RI purchased', 'Tag compliance 95%']
        },
        'month_3': {
            'actual_spend': 37600,
            'expected_spend': 37600,
            'variance': 0,
            'actions_taken': ['EC2 Instance SP added', 'Cost allocation complete']
        }
    }
    
    return {
        'total_savings_percent': 24.8,
        'annual_savings': 149400,
        'roi_months': roi_months,
        'implementation_tracker': implementation_tracker
    }

决策框架

快速决策树

graph TD
    A[开始] --> B{工作负载类型?}
    B -->|稳定生产| C[Standard RI 为主]
    B -->|容器化| D[Compute SP 为主]
    B -->|开发测试| E[混合策略]
    B -->|不确定| F[从 SP 开始]
    
    C --> G{预算充足?}
    G -->|是| H[3年 All Upfront]
    G -->|否| I[1年 Partial Upfront]
    
    D --> J{使用 Fargate?}
    J -->|是| K[必须用 SP]
    J -->|否| L[SP + RI 组合]
    
    E --> M[Scheduled RI + SP + Spot]
    
    F --> N[1年 No Upfront SP]
    N --> O[逐月增加覆盖]

评估检查清单

SP vs RI 决策检查清单

选择 Savings Plans 的情况：

[ ] 使用 Fargate 或 Lambda
[ ] 实例类型经常变化
[ ] 需要跨区域灵活性
[ ] 刚开始优化，需要简单方案
[ ] 容器化程度高
[ ] 团队规模小，管理能力有限


选择 Reserved Instances 的情况：

[ ] 实例配置非常稳定
[ ] 追求最大折扣（75%）
[ ] 有专门的 FinOps 团队
[ ] 需要在 Marketplace 转售
[ ] 使用 RDS、ElastiCache 等特定服务


组合使用的情况：

[ ] 月度支出 > $10,000
[ ] 混合工作负载
[ ] 需要平衡折扣和灵活性
[ ] 有明确的基线和峰值模式

财务影响分析

现金流影响

def cashflow_impact_analysis(monthly_spend=50000):
    """
    分析不同支付方式对现金流的影响
    """
    
    scenarios = {
        'all_upfront_3yr': {
            'initial_payment': monthly_spend  12  3  0.3,  # 假设 70% 折扣
            'monthly_payment': 0,
            'total_3yr_cost': monthly_spend  12  3  0.3,
            'monthly_equivalent': monthly_spend  0.3
        },
        'partial_upfront_3yr': {
            'initial_payment': monthly_spend  12  3  0.35  0.5,
            'monthly_payment': monthly_spend  0.35  0.5,
            'total_3yr_cost': monthly_spend  12  3  0.35,
            'monthly_equivalent': monthly_spend  0.35
        },
        'no_upfront_1yr': {
            'initial_payment': 0,
            'monthly_payment': monthly_spend  0.73,
            'total_1yr_cost': monthly_spend  12  0.73,
            'monthly_equivalent': monthly_spend  0.73
        }
    }
    
    # 计算 NPV（净现值）假设年利率 5%
    annual_rate = 0.05
    monthly_rate = annual_rate / 12
    
    for scenario, details in scenarios.items():
        months = 36 if '3yr' in scenario else 12
        npv = details['initial_payment']
        
        for month in range(1, months + 1):
            npv += details['monthly_payment'] / ((1 + monthly_rate)  month)
        
        details['npv'] = npv
        details['npv_savings'] = (monthly_spend  months) - npv
    
    return scenarios

监控和优化

关键指标监控

CloudWatch 自定义指标
def setup_monitoring_metrics():
    """
    设置 SP 和 RI 监控指标
    """
    
    metrics = [
        {
            'name': 'RICoverage',
            'namespace': 'CostOptimization',
            'dimensions': [{'Name': 'Type', 'Value': 'StandardRI'}],
            'statistic': 'Average',
            'period': 3600,
            'threshold': 95,  # 告警阈值 95%
            'comparison': 'LessThanThreshold'
        },
        {
            'name': 'SPUtilization',
            'namespace': 'CostOptimization',
            'dimensions': [{'Name': 'Type', 'Value': 'ComputeSP'}],
            'statistic': 'Average',
            'period': 3600,
            'threshold': 90,
            'comparison': 'LessThanThreshold'
        },
        {
            'name': 'OnDemandSpend',
            'namespace': 'CostOptimization',
            'dimensions': [{'Name': 'Type', 'Value': 'OnDemand'}],
            'statistic': 'Sum',
            'period': 86400,
            'threshold': 5000,  # 日度按需支出告警
            'comparison': 'GreaterThanThreshold'
        }
    ]
    
    return metrics

月度优化审查

月度 SP/RI 优化审查模板

1. 使用率分析

[ ] RI 利用率 > 95%
[ ] SP 利用率 > 90%
[ ] 未覆盖支出 < 20%


2. 覆盖率分析

[ ] 总体覆盖率达到目标
[ ] 识别新的稳定工作负载
[ ] 评估是否需要追加购买


3. 浪费识别

[ ] 检查未使用的 RI
[ ] 分析 SP 未充分利用原因
[ ] 考虑 RI Marketplace 转售


4. 下月行动计划

[ ] 新购买建议
[ ] 现有承诺调整
[ ] Convertible RI 交换评估

2025 年最新趋势

市场变化

1. SP 采用率持续上升

• 2024 年 SP 采用率达 65%
• 预计 2025 年将超过 75%
• 主要驱动：容器化和 Serverless 增长

2. 混合策略成为主流

• 单一工具策略逐渐减少
• 80% 的大型企业采用 SP+RI 组合
• 平均节省率从 25% 提升到 35%

3. 自动化工具普及

• AWS Compute Optimizer 集成度提高
• 第三方工具更加智能化
• 实时优化建议成为标准

最佳实践更新

#### 2025 年推荐策略路线图

| 成熟阶段 | 月7+ | 优化期 | 70-80% | • 混合策略实施
• 3年期承诺
• 自动化管理 |

#### 成熟组织的理想组合

| On-Demand | 15% | 峰值缓冲 | 无 |

#### 风险管理原则

| 退出策略 | 保持 20% 灵活容量 | 持续 |

#### 监控工具清单

| 第三方工具 | 多账户优化建议 | 每月 | 半自动 |

总结与建议

核心要点

1. 没有一刀切的方案：每个组织的最优策略都不同
2. 从小处着手：先用 1 年期 SP 试水，再考虑长期承诺
3. 数据驱动决策：基于实际使用数据，而非预测
4. 持续优化：设置月度审查机制，不断调整
5. 风险平衡：在节省和灵活性之间找到平衡点

行动建议

#### 基于当前状态的决策树

| >60% | 任意 | 评估和再平衡 | – | – | 降低风险 |

#### 快速决策指南

| 追求最大节省 | 3年全预付 Standard RI | 75% 折扣率 |

关键建议

选择 SP 还是 RI，或是两者组合，取决于您的具体情况。关键是要基于数据做决策，从小规模开始，逐步优化。记住，最好的策略是能够持续执行和优化的策略。

> 💡 黄金法则：
> – 起步阶段：优先 Compute SP，1年期，无预付
> – 成长阶段：混合策略，增加 RI 比例
> – 成熟阶段：70% RI + 30% SP 的黄金组合
> – 永远保持：15-20% 的按需容量作为缓冲

相关阅读

探索更多 AWS 成本优化策略：

• 🏦 AWS 合并计费完整指南：企业级成本管理 – 学习如何通过合并计费最大化折扣效果
• 📊 AWS 多账号 FinOps 实践模板 – 构建企业级财务运营体系
• 💡 案例：$50k 月账单 90 天节省 18% – 实战案例详解 RI/SP 的应用

—

本文由 StablePayx 团队撰写。作为 AWS 官方合作伙伴，我们专注于云成本优化和财务管理。我们的 RI/SP 优化方案已帮助客户实现平均 45% 的折扣率。获取专业评估。