成本管理和优化

支持的版本: EKS 1.29+, EKS Auto Mode GA 最后更新: July 11, 2026

本指南涵盖 EKS Auto Mode 的成本优化策略，包括成本分析、Spot 节省测量、资源合理配置以及 Savings Plans 集成。

2026 年 7 月更新：GPU 管理费用最高降低 60%

自 2026 年 7 月 1 日起，EKS Auto Mode 针对 GPU 和加速实例类型的管理费用已降低：

G-series：管理费用降低 35%
P-series and AWS Trainium：管理费用降低 60%

这些降价会自动应用于所有提供 EKS Auto Mode 的 AWS Region 中的所有 Auto Mode 集群，无需任何操作。Auto Mode 包含为加速工作负载构建的能力，例如在配备本地 NVMe 存储的 GPU 实例上并行拉取和解包镜像（使大型容器和模型镜像启动更快），以及感知加速器的 Node 修复功能，可检测 GPU 硬件故障并自动替换不健康的 Node。请参阅 Amazon EKS 定价获取更新后的费率表。(公告)

成本优化最佳实践

yaml

# cost-optimization-best-practices.yaml
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: cost-optimized
spec:
  template:
    spec:
      requirements:
        # 1. Allow various instance families
        - key: karpenter.k8s.aws/instance-category
          operator: In
          values: ["m", "c", "r", "i", "d"]

        # 2. Include Graviton (ARM) instances (20% cheaper)
        - key: kubernetes.io/arch
          operator: In
          values: ["amd64", "arm64"]

        # 3. Prioritize Spot instances
        - key: karpenter.sh/capacity-type
          operator: In
          values: ["spot", "on-demand"]

      nodeClassRef:
        group: eks.amazonaws.com
        kind: NodeClass
        name: default

  # 4. Aggressive Consolidation
  disruption:
    consolidationPolicy: WhenEmptyOrUnderutilized
    consolidateAfter: 1m
---
# Pod settings for cost optimization
apiVersion: apps/v1
kind: Deployment
metadata:
  name: cost-efficient-app
spec:
  replicas: 5
  template:
    spec:
      # Prefer Spot
      affinity:
        nodeAffinity:
          preferredDuringSchedulingIgnoredDuringExecution:
            - weight: 100
              preference:
                matchExpressions:
                  - key: karpenter.sh/capacity-type
                    operator: In
                    values: ["spot"]

      # Appropriate resource requests (prevent overprovisioning)
      containers:
        - name: app
          resources:
            requests:
              cpu: 250m      # Based on actual usage
              memory: 256Mi
            limits:
              cpu: 500m
              memory: 512Mi

成本分析仪表板

CloudWatch 成本指标

设置 CloudWatch dashboard 来跟踪 Auto Mode 成本：

json

{
  "widgets": [
    {
      "type": "metric",
      "properties": {
        "title": "Node Hours by Capacity Type",
        "metrics": [
          ["Karpenter", "karpenter_nodes_total", "capacity_type", "spot"],
          ["Karpenter", "karpenter_nodes_total", "capacity_type", "on-demand"]
        ],
        "period": 3600,
        "stat": "Average"
      }
    },
    {
      "type": "metric",
      "properties": {
        "title": "Node Provisioning Rate",
        "metrics": [
          ["Karpenter", "karpenter_nodeclaims_created"],
          ["Karpenter", "karpenter_nodeclaims_terminated"]
        ],
        "period": 3600,
        "stat": "Sum"
      }
    }
  ]
}

Kubecost 集成

若要进行详细的成本分摊，请集成 Kubecost：

bash

# Install Kubecost
helm repo add kubecost https://kubecost.github.io/cost-analyzer/
helm install kubecost kubecost/cost-analyzer \
  --namespace kubecost \
  --create-namespace \
  --set kubecostToken="<your-token>"

Auto Mode 的关键 Kubecost 指标：

指标	描述	使用场景
Cluster 成本	总计算支出	预算跟踪
Namespace 成本	每个 Namespace 的成本	费用分摊
Pod 成本	每个工作负载的成本	优化目标
闲置成本	未使用的资源	合理配置机会
Spot 节省	Spot 与 On-Demand 的差额	验证 Spot 策略

测量 Spot Instance 节省

计算实际 Spot 节省

bash

# Get current node distribution
kubectl get nodes -L karpenter.sh/capacity-type -L node.kubernetes.io/instance-type | \
  awk 'NR>1 {print $6, $7}' | sort | uniq -c

Spot 节省分析脚本

bash

#!/bin/bash
# spot-savings-analysis.sh

# Get Spot and On-Demand node counts
SPOT_NODES=$(kubectl get nodes -l karpenter.sh/capacity-type=spot --no-headers | wc -l)
OD_NODES=$(kubectl get nodes -l karpenter.sh/capacity-type=on-demand --no-headers | wc -l)

echo "Current Node Distribution:"
echo "  Spot nodes: $SPOT_NODES"
echo "  On-Demand nodes: $OD_NODES"
echo "  Spot percentage: $(echo "scale=2; $SPOT_NODES * 100 / ($SPOT_NODES + $OD_NODES)" | bc)%"

# Estimate savings (assuming average 70% Spot discount)
echo ""
echo "Estimated Monthly Savings:"
echo "  If all were On-Demand: \$X,XXX"
echo "  With current Spot mix: \$X,XXX"
echo "  Monthly savings: \$X,XXX (XX%)"

AWS Cost Explorer 查询

使用 Cost Explorer 分析 Auto Mode 成本：

按标签筛选：eks:cluster-name = your-cluster
分组依据：Instance Type 或 Purchase Option
时间范围：过去 30 天
比较：Spot 与 On-Demand 支出

资源合理配置分析

VPA 建议

安装 Vertical Pod Autoscaler 以获取合理配置建议：

bash

# Install VPA
kubectl apply -f https://github.com/kubernetes/autoscaler/releases/latest/download/vpa-v1-crd-gen.yaml
kubectl apply -f https://github.com/kubernetes/autoscaler/releases/latest/download/vpa-rbac.yaml
kubectl apply -f https://github.com/kubernetes/autoscaler/releases/latest/download/recommender-deployment.yaml

以建议模式配置 VPA：

yaml

apiVersion: autoscaling.k8s.io/v1
kind: VerticalPodAutoscaler
metadata:
  name: my-app-vpa
spec:
  targetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: my-app
  updatePolicy:
    updateMode: "Off"  # Recommendation only
  resourcePolicy:
    containerPolicies:
      - containerName: '*'
        minAllowed:
          cpu: 100m
          memory: 128Mi
        maxAllowed:
          cpu: 4
          memory: 8Gi

分析使用模式

bash

# Get VPA recommendations
kubectl get vpa my-app-vpa -o jsonpath='{.status.recommendation.containerRecommendations[0]}' | jq

# Compare with current requests
kubectl get deployment my-app -o jsonpath='{.spec.template.spec.containers[0].resources}'

合理配置决策矩阵

当前值与建议值对比	操作	预期节省
Request > 2x usage	降低 request	20-50%
Request within 2x	最优	-
Request < usage	增加 request	避免 OOM
Limit >> request	降低 limit	更好的装箱

Savings Plans 和 Reserved Instances 策略

Savings Plans 如何与 Auto Mode 交互

EKS Auto Mode 与 Savings Plans：

场景	Savings Plans 是否适用	建议
On-Demand nodes	是	购买 Compute Savings Plans
Spot nodes	否（已享受折扣）	不纳入覆盖范围
Graviton instances	是（单独费率）	考虑 ARM Savings Plans
混合工作负载	部分	计算 On-Demand 基线

Savings Plans 规模估算

Recommended Savings Plans Coverage =
    Baseline On-Demand Hours *
    (1 - Expected Spot Percentage) *
    Average Instance Cost

Where:
- Baseline = Minimum sustained usage
- Expected Spot = Target Spot percentage (e.g., 60%)
- Don't over-commit (leave room for Spot)

Savings Plans 最佳实践

实践	理由
覆盖 On-Demand 基线的 60-70%	为 Spot 优化留出空间
使用 Compute Savings Plans	跨实例类型的灵活性
每季度审查	随工作负载演进进行调整
排除 GPU 实例	单独的 GPU 专用计划

Reserved Instances 与 Savings Plans

因素	Reserved Instances	Savings Plans
灵活性	实例特定	任意实例
Auto Mode 适配度	差（实例会变化）	好
承诺期限	1 年或 3 年	1 年或 3 年
建议	不推荐	推荐

成本优化检查清单

快速收益

操作	预估节省	工作量
启用 Spot instances	Spot nodes 上 60-90%	低
添加 ARM/Graviton 支持	ARM instances 上 20%	低
合理配置 requests	10-30%	中
启用 consolidation	10-20%	低

中期优化

操作	预估节省	工作量
实施 VPA	15-30%	中
购买 Savings Plans	On-Demand 上 20-40%	低
Multi-AZ 优化	5-10%	中
工作负载调度	10-20%	高

成本监控告警

设置成本异常告警：

yaml

# CloudWatch Alarm for unexpected node growth
AWSTemplateFormatVersion: '2010-09-09'
Resources:
  NodeCountAlarm:
    Type: AWS::CloudWatch::Alarm
    Properties:
      AlarmName: EKS-Auto-Mode-Node-Count-High
      MetricName: karpenter_nodes_total
      Namespace: Karpenter
      Statistic: Average
      Period: 300
      EvaluationPeriods: 3
      Threshold: 100  # Adjust based on expected max
      ComparisonOperator: GreaterThanThreshold
      AlarmActions:
        - !Ref AlertSNSTopic

成本归因

用于成本分配的标签策略

yaml

# NodeClass with cost allocation tags
apiVersion: eks.amazonaws.com/v1
kind: NodeClass
metadata:
  name: tagged-nodeclass
spec:
  tags:
    Environment: production
    Team: platform
    CostCenter: "12345"
    Application: my-app
    ManagedBy: eks-auto-mode

Namespace 级成本跟踪

yaml

# Namespace with cost labels
apiVersion: v1
kind: Namespace
metadata:
  name: team-a
  labels:
    cost-center: "team-a"
    environment: production

< 上一页：Operations | 目录 | 下一页：Node Lifecycle >

端到端可观测性实验

ArgoCD 详解测验

Istio 详解测验

Linkerd 详解测验

Cilium 服务网格详解测验

Cilium 深入解析

Calico 深入解析

指标

日志

追踪

告警

可观测性实验

ArgoCD

流量管理

安全性

可观测性

弹性

高级

对比指南

指标

日志

追踪

告警

成本管理和优化 ​

2026 年 7 月更新：GPU 管理费用最高降低 60% ​

成本优化最佳实践 ​

成本分析仪表板 ​

CloudWatch 成本指标 ​

Kubecost 集成 ​

测量 Spot Instance 节省 ​

计算实际 Spot 节省 ​

Spot 节省分析脚本 ​

AWS Cost Explorer 查询 ​

资源合理配置分析 ​

VPA 建议 ​

分析使用模式 ​

合理配置决策矩阵 ​

Savings Plans 和 Reserved Instances 策略 ​

Savings Plans 如何与 Auto Mode 交互 ​

Savings Plans 规模估算 ​

Savings Plans 最佳实践 ​

Reserved Instances 与 Savings Plans ​

成本优化检查清单 ​

快速收益 ​

中期优化 ​

成本监控告警 ​

成本归因 ​

用于成本分配的标签策略 ​

Namespace 级成本跟踪 ​

成本管理和优化

2026 年 7 月更新：GPU 管理费用最高降低 60%

成本优化最佳实践

成本分析仪表板

CloudWatch 成本指标

Kubecost 集成

测量 Spot Instance 节省

计算实际 Spot 节省

Spot 节省分析脚本

AWS Cost Explorer 查询

资源合理配置分析

VPA 建议

分析使用模式

合理配置决策矩阵

Savings Plans 和 Reserved Instances 策略

Savings Plans 如何与 Auto Mode 交互

Savings Plans 规模估算

Savings Plans 最佳实践

Reserved Instances 与 Savings Plans

成本优化检查清单

快速收益

中期优化

成本监控告警

成本归因

用于成本分配的标签策略

Namespace 级成本跟踪