SUS05-BP02 Verwenden von Instance-Typen mit den geringsten Auswirkungen

Abonnieren Sie Neuerungen bei AWS, um sich über die aktuellen AWS-Technologien und -Instances auf dem Laufenden zu halten.

Informieren Sie sich über die verschiedenen AWS-Instance-Typen.

Informieren Sie sich über AWS-Graviton-basierte Instances, die die beste Leistung pro Watt in Amazon EC2 bieten. Sehen Sie sich re:Invent 2020 – Vertiefung in vom AWS-Graviton2-Prozessor unterstützte Amazon EC2-Instances und Vertiefung in AWS-Graviton3 und Amazon EC2-C7g-Instances an.

Definieren Sie einen Prozess zur Evaluierung neuer Features oder Instances für Ihre Workloads. Nutzen Sie die Agilität in der Cloud, um schnell zu testen, wie neue Instance-Typen die ökologische Nachhaltigkeit Ihrer Workloads verbessern können. Nutzen Sie Proxy-Metriken, um zu messen, wie viele Ressourcen Sie für eine Arbeitseinheit benötigen.

Modifizieren Sie Ihren Workload nach Möglichkeit so, dass er mit unterschiedlichen Zahlen von vCPUs und Arbeitsspeichergrößen kompatibel ist, um die größtmögliche Auswahl an Instance-Typen zu erhalten.

Erwägen Sie die Übertragung Ihres Workloads zu auf Graviton basierenden Instances, um die Leistungseffizienz Ihres Workloads zu verbessern. Weitere Informationen zum Verschieben von Workloads zu AWS Graviton finden Sie unter AWS Graviton Schnellstart und Überlegungen bei der Übertragung von Workloads zu auf AWS Graviton basierenden Amazon Elastic Compute Cloud-Instances.

Erwägen Sie die Auswahl der AWS Graviton-Option, wenn Sie verwaltete AWS-Services verwenden.

Migrieren Sie Ihren Workload zu Regionen mit Instances, die die geringsten nachhaltigkeitsbezogenen Auswirkungen bieten und dennoch Ihre geschäftlichen Anforderungen erfüllen.

Nutzen Sie für Machine Learning-Workloads spezielle Hardware, die auf Ihren Workload abgestimmt ist, z. B. AWS Trainium, AWS Inferentia oder Amazon EC2 DL1. AWS Inferentia-Instances wie Inf2-Instances bieten eine um bis zu 50 % bessere Leistung pro Watt als vergleichbare Amazon EC2-Instances.

Verwenden Sie Amazon SageMaker AI Inference Recommender für die korrekte Dimensionierung des ML-Inferenz-Endpunkts.

Verwenden Sie für Workloads, bei denen es gelegentlich zu zusätzlichen Kapazitätsanforderungen kommt, Instances mit Spitzenlastleistung.

Verwenden Sie für zustandslose und fehlertolerante Workloads Amazon EC2 Spot Instances, um die allgemeine Auslastung der Cloud zu verbessern und die Nachhaltigkeitsauswirkungen ungenutzter Ressourcen zu reduzieren.

Prüfen Sie für kurzzeitige Workloads die Instance-Amazon CloudWatch-Metriken wie CPUUtilization, um festzustellen, ob die Instance gar nicht oder zu wenig genutzt wird.

Prüfen Sie für stabile Workloads in regelmäßigen Intervallen AWS-Dimensionierungstools wie etwa AWS Compute Optimizer, um Möglichkeiten zur Optimierung und zur korrekten Dimensionierung der Instances zu erkennen.