AWS 优惠全用上，为什么成本还是降不下来？

本年度首次线下 Meetup 终于上线啦！欢迎下周六在上海和我们见面，一起聊聊 CPU、GPU优化、大模型训练实践还有平台提效！

对于很多出海企业来说，AWS 是首选的海外云平台，降本自然成了团队的必修课。

但现实中，很多团队兴冲冲地用上了官方优惠、买了便宜实例（RI、SP等），最后发现成本不仅没降，甚至更高了。

问题不在 AWS 优惠不够，而是成本优化思路跑偏了：他们把注意力放在了“实例单价”，而忽视了“资源利用效率”才是影响总成本的第一变量。单价再低，效率掉下去，成本反而会更高。

本文将结合实践经验，拆解 AWS 降本中最容易踩的几个“效率陷阱”，并探讨如何用智能调度突破这些局限。

Reserved Instances（RI）看似稳妥，可以锁定长期低价，但它往往绑定实例族、区域和账户，灵活性极低。

当业务架构调整、需求减少或迁移区域时，RI 就成了“沉没成本”。虽然 AWS 有转售市场，但活跃度不高，往往卖不出理想价格，反而锁死预算。

RI 的“硬伤”在这篇文章中有介绍，可查看：AWS悄悄变天：预留实例退场，Savings Plan上位！

Savings Plans 比 RI 灵活，折扣覆盖更广，但它的前提是假设用量稳定。

一旦业务用量低于承诺值，折扣浪费；用量激增，又要回到高价的按需实例。

更致命的是，部分 SP 只覆盖特定服务或实例族，当架构变化时，折扣会直接失效。（关于 SP 的详细介绍，请查看：别再被忽悠啦！揭秘 AWS Savings Plans 的糖衣炮弹：省钱不成，反被“绑架”？）

本质问题：RI 和 SP 都是在“用量和架构固定”的前提下才有效，一旦业务有波动，效率和折扣就会双双下滑。

Spot 实例价格极具吸引力，按需价的 10%~30% 就能买到。但很多企业担心中断风险，干脆全用按需，结果错过了最可观的降本机会。

其实，关键在于是否有健壮的架构和调度机制，能在实例被回收时快速转移负载。没有这个能力，Spot 就是“看得到吃不到”的馅饼。

Spot Insights（spot.cloudpilot.ai）可以帮助你查询各个区域 Spot 的实时价格和中断率。

不少团队为了避免性能瓶颈，采用“保守策略”——提前扩容，保证资源富余。问题是：

• CPU 与内存比例不匹配：Pod 内存高、CPU 低（或反之）时，按最大值配节点会让另一项资源闲置。

• 节点类型单一：通用型实例跑高 IO 任务，性能不够；高性能实例跑轻量任务，又浪费。

• 扩容依据粗糙：依赖静态阈值或经验估算，无法实时感知负载变化。

Kubernetes 调度器是根据 Pod 的 requests 来判断节点是否够用。如果开发习惯性“多报”资源，调度器就会不断触发扩容，即使实际利用率很低。久而久之，账单上全是闲置资源的成本。

不同实例的 CPU 主频、IO 吞吐、网络带宽差异很大。选了单价低的机型，如果性能不足导致任务运行时间变长，整体算力成本反而会上升，还可能拖慢业务响应。

本质问题：调度不精准，让便宜实例没发挥价值，反而放大了浪费。

扩缩容策略如果不感知成本，就会默认使用更贵的按需实例；如果不感知架构，就无法在合适场景优先调度 ARM 架构（AWS Graviton）这种性价比更高的实例。

本质问题：没有智能化能力，资源匹配只能停留在粗放模式。

针对上述痛点，我们基于开源项目 Karpenter 构建了智能弹性伸缩解决方案，打破传统扩缩容局限，目标不是简单“买便宜实例”，而是让每一分资源的钱都花在刀刃上。实现了：

• 动态调度与选型：结合业务负载特性、节点性能和价格动态打分，精准选型，避免资源浪费。

• 成本感知调度：根据工作负载对稳定性的不同要求，动态平衡非抢占式与抢占式实例的使用比例。

• 架构感知优化：优先调度支持 ARM 架构的 Graviton 实例，实现性能与成本的双赢。

真实案例显示，该方案帮助客户实现了成本降低60%以上，同时保证业务性能稳定不降级。

AWS 降本真正的核心，不是抢到最低价的实例，而是提升资源利用效率：

• 架构够灵活，才能应对用量波动；

• 调度够精准，才能用好低价资源；

• 策略够智能，才能持续在成本与性能间找到最优解。

价格决定一时成本，效率决定长期成本。

8 月 23 日（下周六），我们会在上海模速空间的技术沙龙「偷懒也是生产力！算力优化与平台自动化实战」中，现场分享更多智能调度和成本优化的落地方法，欢迎扫码报名。