PERF02-BP02 사용 가능한 컴퓨팅 구성 및 기능 파악
컴퓨팅 서비스에 사용 가능한 구성 옵션과 기능을 이해하면 적절한 양의 리소스를 프로비저닝하고 성능 효율성을 개선하는 데 도움이 됩니다.
일반적인 안티 패턴:
-
워크로드 특성에 대해 컴퓨팅 옵션 또는 사용 가능한 인스턴스 제품군을 평가하지 않습니다.
-
최대 수요 요구 사항을 충족하기 위해 컴퓨팅 리소스를 과도하게 프로비저닝합니다.
이 모범 사례 확립의 이점: AWS 컴퓨팅 기능 및 구성을 숙지하여 워크로드 특성과 필요 사항에 맞게 최적화된 컴퓨팅 솔루션을 사용할 수 있습니다.
이 모범 사례가 확립되지 않을 경우 노출되는 위험 수준: 중간
구현 가이드
각 컴퓨팅 솔루션에는 다양한 워크로드 특성과 요구 사항을 지원하기 위해 사용할 수 있는 고유한 구성과 기능이 있습니다. 이러한 옵션을 통해 워크로드를 보완할 수 있는 방식을 알아보고 애플리케이션에 가장 적합한 구성 옵션을 결정합니다. 이러한 옵션의 예로는 인스턴스 패밀리, 크기, 기능(GPU, I/O), 버스팅, 시간 초과, 함수 크기, 컨테이너 인스턴스 및 동시성이 있습니다. 워크로드에서 4주 이상 동일한 컴퓨팅 옵션을 사용하고 있으며 앞으로도 특성이 변하지 않을 것으로 예상되는 경우 AWS Compute Optimizer
구현 단계
-
워크로드 요구 사항(예: CPU 필요량, 메모리, 지연 시간)을 이해합니다.
-
AWS 설명서 및 모범 사례를 검토하여 컴퓨팅 성능을 개선하는 데 도움이 되는 권장 구성 옵션에 대해 알아봅니다. 고려해야 할 몇 가지 주요 구성 옵션은 다음과 같습니다.
구성 옵션 예시 인스턴스 유형 요금 모델 Auto Scaling Auto Scaling 구성을 사용하여 컴퓨팅 리소스를 트래픽 패턴에 일치시킵니다. 크기 조정 -
Compute Optimizer
를 사용하여 기계 학습 기반 추천을 통해 컴퓨팅 특성에 가장 적합한 컴퓨팅 구성을 추천받습니다. -
AWS Lambda Power Tuning을 사용하여 Lambda 함수에 가장 적합한 구성을 선택합니다.
하드웨어 기반 컴퓨팅 액셀러레이터 -
가속 컴퓨팅 인스턴스는 그래픽 처리 또는 데이터 패턴 일치와 같은 기능을 CPU 기반 대안보다 더 효율적으로 수행합니다.
-
기계 학습 워크로드의 경우 AWS Trainium
, AWS Inferentia , Amazon EC2 DL1 과 같이 워크로드에 특정한 목적별 하드웨어를 활용합니다.
-
리소스
관련 문서:
관련 비디오:
-
AWS re:Invent 2023 – AWS Graviton: The best price performance for your AWS workloads
-
AWS re:Invent 2023 – New Amazon EC2 generative AI capabilities in AWS Management Console
-
AWS re:Invent 2023 – Smart savings: Amazon EC2 cost-optimization strategies
-
AWS re:Invent 2021 – Powering next-gen Amazon EC2: Deep dive on the Nitro System
-
AWS re:Invent 2022 – Optimizing Amazon EKS for performance and cost on AWS
관련 예제: