비용 관리 및 최적화

지원 버전: EKS 1.29+, EKS Auto Mode GA 마지막 업데이트: 2026년 7월 11일

이 문서에서는 EKS Auto Mode에서 비용을 효과적으로 관리하고 최적화하는 방법을 설명합니다.

2026년 7월 업데이트: GPU 관리 요금 최대 60% 인하

2026년 7월 1일부터 EKS Auto Mode의 GPU 및 가속 인스턴스 관리 요금이 인하되었습니다:

G 시리즈: 관리 요금 35% 인하
P 시리즈 및 AWS Trainium: 관리 요금 60% 인하

이 인하는 EKS Auto Mode가 제공되는 모든 AWS 리전의 모든 Auto Mode 클러스터에 자동 적용되며, 별도 작업이 필요 없습니다. Auto Mode는 GPU 인스턴스의 로컬 NVMe 스토리지를 활용한 병렬 이미지 풀링(대형 컨테이너/모델 이미지 시작 시간 단축)과 GPU 하드웨어 장애를 감지해 비정상 노드를 자동 교체하는 가속기 인식 노드 복구 등 가속 워크로드용 기능을 포함합니다. 최신 요율표는 Amazon EKS 요금 페이지를 참고하세요. (발표 원문)

비용 최적화 기본 원칙

yaml

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

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

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

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

  # 4. 적극적인 Consolidation
  disruption:
    consolidationPolicy: WhenEmptyOrUnderutilized
    consolidateAfter: 1m
---
# 비용 최적화를 위한 Pod 설정
apiVersion: apps/v1
kind: Deployment
metadata:
  name: cost-efficient-app
spec:
  replicas: 5
  selector:
    matchLabels:
      app: cost-efficient
  template:
    metadata:
      labels:
        app: cost-efficient
    spec:
      # Spot 선호
      affinity:
        nodeAffinity:
          preferredDuringSchedulingIgnoredDuringExecution:
            - weight: 100
              preference:
                matchExpressions:
                  - key: karpenter.sh/capacity-type
                    operator: In
                    values: ["spot"]

      # 적절한 리소스 요청 (오버프로비저닝 방지)
      containers:
        - name: app
          image: my-app:latest
          resources:
            requests:
              cpu: 250m      # 실제 사용량 기반
              memory: 256Mi
            limits:
              cpu: 500m
              memory: 512Mi

비용 분석 대시보드

CloudWatch 기반 비용 대시보드

json

{
  "widgets": [
    {
      "type": "metric",
      "properties": {
        "title": "일별 EC2 비용 추세",
        "metrics": [
          ["AWS/Billing", "EstimatedCharges", "ServiceName", "Amazon Elastic Compute Cloud - Compute"]
        ],
        "period": 86400,
        "stat": "Maximum"
      }
    },
    {
      "type": "metric",
      "properties": {
        "title": "노드 수 vs 비용",
        "metrics": [
          ["Karpenter", "karpenter_nodes_total", { "label": "노드 수" }],
          ["AWS/Billing", "EstimatedCharges", "ServiceName", "Amazon Elastic Compute Cloud - Compute", { "yAxis": "right", "label": "EC2 비용" }]
        ],
        "period": 3600
      }
    },
    {
      "type": "metric",
      "properties": {
        "title": "Spot vs On-Demand 비율",
        "metrics": [
          ["Karpenter", "karpenter_nodes_total", "capacity_type", "spot", { "label": "Spot" }],
          ["Karpenter", "karpenter_nodes_total", "capacity_type", "on-demand", { "label": "On-Demand" }]
        ],
        "period": 300
      }
    }
  ]
}

Kubecost 통합

yaml

# kubecost-installation.yaml
# Helm을 통한 Kubecost 설치
# helm repo add kubecost https://kubecost.github.io/cost-analyzer/
# helm install kubecost kubecost/cost-analyzer \
#   --namespace kubecost \
#   --create-namespace \
#   --set kubecostToken="<token>"

# Kubecost 대시보드 접근
# kubectl port-forward -n kubecost deployment/kubecost-cost-analyzer 9090

비용 할당 태깅

yaml

# 비용 추적을 위한 NodeClass 태깅
apiVersion: eks.amazonaws.com/v1
kind: NodeClass
metadata:
  name: tagged-nodeclass
spec:
  amiFamily: AL2023
  tags:
    # AWS Cost Allocation Tags
    Environment: production
    Team: platform
    Project: web-services
    CostCenter: "CC-12345"
    Application: my-app

Spot 인스턴스 절감 효과 측정

Spot 절감률 계산

bash

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

# 현재 Spot 노드 정보 수집
echo "=== Spot 인스턴스 절감 분석 ==="

# Spot 노드 수
SPOT_COUNT=$(kubectl get nodes -l karpenter.sh/capacity-type=spot --no-headers | wc -l)
# On-Demand 노드 수
OD_COUNT=$(kubectl get nodes -l karpenter.sh/capacity-type=on-demand --no-headers | wc -l)

echo "Spot 노드: $SPOT_COUNT"
echo "On-Demand 노드: $OD_COUNT"
echo "Spot 비율: $(echo "scale=2; $SPOT_COUNT * 100 / ($SPOT_COUNT + $OD_COUNT)" | bc)%"

# 인스턴스 타입별 현재 Spot 가격 조회
echo ""
echo "=== 인스턴스 타입별 Spot 가격 ==="
for type in m6i.xlarge m6i.2xlarge c6i.xlarge c6i.2xlarge; do
  SPOT_PRICE=$(aws ec2 describe-spot-price-history \
    --instance-types $type \
    --product-description "Linux/UNIX" \
    --max-items 1 \
    --query 'SpotPriceHistory[0].SpotPrice' \
    --output text 2>/dev/null)

  OD_PRICE=$(aws pricing get-products \
    --service-code AmazonEC2 \
    --filters "Type=TERM_MATCH,Field=instanceType,Value=$type" \
    --query 'PriceList[0]' 2>/dev/null | jq -r '.terms.OnDemand | to_entries[0].value.priceDimensions | to_entries[0].value.pricePerUnit.USD' 2>/dev/null)

  if [ -n "$SPOT_PRICE" ] && [ -n "$OD_PRICE" ]; then
    SAVINGS=$(echo "scale=0; (1 - $SPOT_PRICE / $OD_PRICE) * 100" | bc)
    echo "$type: Spot \$$SPOT_PRICE vs On-Demand \$$OD_PRICE (절감: ${SAVINGS}%)"
  fi
done

Spot 인터럽트 비용 영향 분석

yaml

# Prometheus 메트릭을 활용한 Spot 분석
apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
  name: spot-cost-analysis
spec:
  groups:
    - name: spot-savings
      rules:
        # Spot 노드 비율
        - record: karpenter:spot_ratio
          expr: |
            sum(karpenter_nodes_total{capacity_type="spot"}) /
            sum(karpenter_nodes_total) * 100

        # Spot 인터럽트 빈도 (시간당)
        - record: karpenter:spot_interrupts_per_hour
          expr: |
            increase(karpenter_nodeclaims_terminated{reason="SpotInterruption"}[1h])

리소스 적정 크기 분석

VPA를 활용한 리소스 추천

yaml

# VPA 설치 및 설정
# kubectl apply -f https://github.com/kubernetes/autoscaler/releases/latest/download/vpa-v1-crd.yaml
# kubectl apply -f https://github.com/kubernetes/autoscaler/releases/latest/download/vpa-v1-rbac.yaml

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

리소스 사용량 분석 스크립트

bash

#!/bin/bash
# resource-analysis.sh

echo "=== 리소스 적정 크기 분석 ==="

# 네임스페이스별 리소스 요청 vs 실제 사용량
for ns in $(kubectl get ns -o jsonpath='{.items[*].metadata.name}'); do
  echo ""
  echo "--- Namespace: $ns ---"

  # 요청된 리소스
  REQUESTED_CPU=$(kubectl get pods -n $ns -o jsonpath='{.items[*].spec.containers[*].resources.requests.cpu}' | tr ' ' '\n' | grep -v '^$' | sed 's/m//' | awk '{sum+=$1} END {print sum}')
  REQUESTED_MEM=$(kubectl get pods -n $ns -o jsonpath='{.items[*].spec.containers[*].resources.requests.memory}' | tr ' ' '\n' | grep -v '^$' | sed 's/Mi//' | awk '{sum+=$1} END {print sum}')

  # 실제 사용량 (kubectl top 기반)
  ACTUAL=$(kubectl top pods -n $ns --no-headers 2>/dev/null)
  if [ -n "$ACTUAL" ]; then
    ACTUAL_CPU=$(echo "$ACTUAL" | awk '{print $2}' | sed 's/m//' | awk '{sum+=$1} END {print sum}')
    ACTUAL_MEM=$(echo "$ACTUAL" | awk '{print $3}' | sed 's/Mi//' | awk '{sum+=$1} END {print sum}')

    if [ -n "$REQUESTED_CPU" ] && [ "$REQUESTED_CPU" != "0" ]; then
      CPU_UTIL=$(echo "scale=0; $ACTUAL_CPU * 100 / $REQUESTED_CPU" | bc)
      echo "CPU: 요청 ${REQUESTED_CPU}m, 사용 ${ACTUAL_CPU}m (${CPU_UTIL}% 활용)"
    fi

    if [ -n "$REQUESTED_MEM" ] && [ "$REQUESTED_MEM" != "0" ]; then
      MEM_UTIL=$(echo "scale=0; $ACTUAL_MEM * 100 / $REQUESTED_MEM" | bc)
      echo "Memory: 요청 ${REQUESTED_MEM}Mi, 사용 ${ACTUAL_MEM}Mi (${MEM_UTIL}% 활용)"
    fi
  fi
done

오버프로비저닝 감지

yaml

# 리소스 오버프로비저닝 경고
apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
  name: resource-efficiency-alerts
spec:
  groups:
    - name: resource-efficiency
      rules:
        # CPU 오버프로비저닝 감지
        - alert: CPUOverProvisioned
          expr: |
            (
              sum by (namespace, pod) (
                kube_pod_container_resource_requests{resource="cpu"}
              ) -
              sum by (namespace, pod) (
                rate(container_cpu_usage_seconds_total[5m])
              )
            ) /
            sum by (namespace, pod) (
              kube_pod_container_resource_requests{resource="cpu"}
            ) > 0.7
          for: 1h
          labels:
            severity: info
          annotations:
            summary: "CPU 오버프로비저닝 감지"
            description: "{{ $labels.namespace }}/{{ $labels.pod }}가 요청 CPU의 30% 미만을 사용 중"

        # 메모리 오버프로비저닝 감지
        - alert: MemoryOverProvisioned
          expr: |
            (
              sum by (namespace, pod) (
                kube_pod_container_resource_requests{resource="memory"}
              ) -
              sum by (namespace, pod) (
                container_memory_working_set_bytes
              )
            ) /
            sum by (namespace, pod) (
              kube_pod_container_resource_requests{resource="memory"}
            ) > 0.7
          for: 1h
          labels:
            severity: info
          annotations:
            summary: "메모리 오버프로비저닝 감지"

Savings Plans 및 Reserved Instances 전략

Auto Mode와 Savings Plans 통합

EKS Auto Mode는 동적으로 인스턴스를 프로비저닝하므로, Savings Plans을 전략적으로 활용해야 합니다.

전략	설명	권장 비율
Compute Savings Plans	인스턴스 패밀리/리전 유연성	기본 워크로드의 60-70%
EC2 Instance Savings Plans	특정 인스턴스 패밀리 고정	안정적 워크로드의 30-40%
Spot + Savings Plans 혼합	Spot으로 커버 안 되는 부분 보완	On-Demand의 50%

Savings Plans 적용 전략

┌─────────────────────────────────────────────────────────────────────────────┐
│                     Auto Mode + Savings Plans 전략                           │
├─────────────────────────────────────────────────────────────────────────────┤
│                                                                              │
│  총 컴퓨팅 용량                                                               │
│  ┌──────────────────────────────────────────────────────────────────────┐  │
│  │████████████████████████████████████████████████████████████████████│  │
│  └──────────────────────────────────────────────────────────────────────┘  │
│  │                         │                    │                      │  │
│  │    Spot (40-60%)        │  Savings Plans    │   On-Demand          │  │
│  │    최대 비용 절감        │  (30-40%)         │   (10-20%)           │  │
│  │                         │  안정적 할인       │   유연성 확보         │  │
│                                                                              │
│  권장 접근법:                                                                 │
│  1. 먼저 Spot 활용을 극대화 (인터럽트 허용 워크로드)                           │
│  2. 기준 부하(baseline)에 Compute Savings Plans 적용                        │
│  3. 나머지는 On-Demand로 유연성 확보                                          │
│                                                                              │
└─────────────────────────────────────────────────────────────────────────────┘

Savings Plans 구매 가이드

bash

# 현재 사용량 패턴 분석
aws ce get-cost-and-usage \
  --time-period Start=2025-01-01,End=2025-02-01 \
  --granularity DAILY \
  --metrics "UnblendedCost" "UsageQuantity" \
  --filter '{
    "Dimensions": {
      "Key": "SERVICE",
      "Values": ["Amazon Elastic Compute Cloud - Compute"]
    }
  }' \
  --group-by Type=DIMENSION,Key=INSTANCE_TYPE

# Savings Plans 추천 받기
aws ce get-savings-plans-purchase-recommendation \
  --savings-plans-type COMPUTE_SP \
  --term-in-years ONE_YEAR \
  --payment-option NO_UPFRONT \
  --lookback-period-in-days THIRTY_DAYS

비용 최적화 권장 사항 요약

영역	권장 사항	예상 절감
인스턴스 다양화	다양한 인스턴스 패밀리 허용	가용성 향상
Graviton 활용	ARM 인스턴스 포함	최대 20%
Spot 활용	인터럽트 허용 워크로드에 Spot 사용	60-70%
Consolidation	WhenEmptyOrUnderutilized 설정	10-30%
리소스 적정화	VPA 기반 리소스 요청 조정	20-40%
Savings Plans	기준 부하에 Compute SP 적용	20-30%

< 이전: 운영 및 관리 | 목차 | 다음: 노드 생명주기 >

Traffic Management

Security

Observability

Resilience

Advanced

비교 가이드

ArgoCD

Metrics

Logging

Tracing

Alerting

Observability End-to-End 실습

Cilium 딥다이브

Calico 딥다이브

Istio 상세 퀴즈

Linkerd 상세 퀴즈

Cilium Service Mesh 상세 퀴즈

ArgoCD 상세 퀴즈

Metrics

Logging

Tracing

Alerting

Observability Labs

비용 관리 및 최적화 ​

2026년 7월 업데이트: GPU 관리 요금 최대 60% 인하 ​

비용 최적화 기본 원칙 ​

비용 분석 대시보드 ​

CloudWatch 기반 비용 대시보드 ​

Kubecost 통합 ​

비용 할당 태깅 ​

Spot 인스턴스 절감 효과 측정 ​

Spot 절감률 계산 ​

Spot 인터럽트 비용 영향 분석 ​

리소스 적정 크기 분석 ​

VPA를 활용한 리소스 추천 ​

리소스 사용량 분석 스크립트 ​

오버프로비저닝 감지 ​

Savings Plans 및 Reserved Instances 전략 ​

Auto Mode와 Savings Plans 통합 ​

Savings Plans 적용 전략 ​

Savings Plans 구매 가이드 ​

비용 최적화 권장 사항 요약 ​

비용 관리 및 최적화

2026년 7월 업데이트: GPU 관리 요금 최대 60% 인하

비용 최적화 기본 원칙

비용 분석 대시보드

CloudWatch 기반 비용 대시보드

Kubecost 통합

비용 할당 태깅

Spot 인스턴스 절감 효과 측정

Spot 절감률 계산

Spot 인터럽트 비용 영향 분석

리소스 적정 크기 분석

VPA를 활용한 리소스 추천

리소스 사용량 분석 스크립트

오버프로비저닝 감지

Savings Plans 및 Reserved Instances 전략

Auto Mode와 Savings Plans 통합

Savings Plans 적용 전략

Savings Plans 구매 가이드

비용 최적화 권장 사항 요약