SUS05-BP02 使用影响最小的实例类型
持续监控和使用新实例类型以充分利用能源效率改进。
常见反模式：
-
您只使用一个系列的实例。
-
您只使用 x86 实例。
-
您在 Amazon EC2 Auto Scaling 配置中指定一种实例类型。
-
您使用 AWS 实例的方式与其预期用途不匹配（例如，您将计算优化的实例用于内存密集型工作负载）。
-
您没有定期评估新的实例类型。
-
您不查看 AWS 合理调整大小工具（如 AWS Compute Optimizer）的建议。
建立此最佳实践的好处： 通过使用节能且大小合适的实例，您可以大大减小工作负载对环境的影响并降低其成本。
未建立这种最佳实践的情况下暴露的风险等级： 中
实施指导
在云工作负载中使用高效的实例对于降低资源使用率和成本效益至关重要。持续监控新实例类型的发布并利用能效改进，包括那些旨在支持特定工作负载（例如机器学习训练和推理以及视频转码）的实例类型。
实施步骤
-
学习和探索可以减小工作负载对环境影响的实例类型。
-
订阅 AWS 新增功能
及时了解新增的 AWS 技术和实例。 -
了解不同的 AWS 实例类型。
-
通过观看如下视频，了解基于 AWS Graviton 的实例（这些实例在 Amazon EC2 中每瓦能耗方面提供出色性能）： re:Invent 2020 - 深入了解 AWS Graviton2 处理器提供支持的 Amazon EC2 实例
和 深入了解 AWS Graviton3 和 Amazon EC2 C7g 实例 。
-
-
规划工作负载并将其转换为影响极小的实例类型。
-
定义一个流程来评估工作负载的新功能或实例。利用云中的敏捷性，快速测试新的实例类型如何改善工作负载的环境可持续性。使用代理指标来衡量完成一个单元的工作需要多少资源。
-
如有可能，修改工作负载以使用不同数量的 vCPU 和不同数量的内存，以最大限度地增加您的实例类型选项。
-
考虑将工作负载转换为基于 Graviton 的实例，以提高工作负载的性能效率。
-
考虑选择 AWS Graviton 选项（在使用 AWS 托管服务时）。
-
将工作负载迁移到提供对可持续性影响极小的实例且仍满足您的业务要求的区域。
-
对于机器学习工作负载，请利用特定于工作负载的专用硬件，例如 AWS Trainium
、 AWS Inferentia 和 Amazon EC2 DL1。 Inf2 等 AWS Inferentia 实例，相比同类同类 Amazon EC2 实例，性能功耗比提升了 50% -
使用 Amazon SageMaker Inference Recommender 来合理调整机器学习推理端点的大小。
-
对于突增工作负载（不经常需要额外容量的工作负载），请使用 可突增性能实例。
-
对于无状态和容错工作负载，请使用 Amazon EC2 竞价型实例 提高云的整体利用率并减少未使用资源对可持续性的影响。
-
-
运营和优化您的工作负载实例。
-
对于临时工作负载，请评估 实例 Amazon CloudWatch 指标 （例如
CPUUtilization），以确定实例是空闲还是未充分利用。 -
对于稳定的工作负载，请定期检查 AWS 合理调整大小工具（如 AWS Compute Optimizer
），以确定优化和合理调整实例大小的机会。
-
资源
相关文档：
相关视频：
相关示例：
