PERF02-BP02 了解可用的计算配置和功能
了解计算服务的可用配置选项和功能，从而预置适量的资源并提高性能效率。
常见反模式：
-
您没有依据工作负载特征评估计算方案或可用的实例系列。
-
您过度预置计算资源来满足高峰需求。
建立此最佳实践的好处： 熟悉 AWS 计算功能和配置，以便您能够使用经过优化的计算解决方案，来满足工作负载特征需求。
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
每种计算解决方案都有独特的配置和功能，可支持不同的工作负载特征和需求。了解这些方案如何完善您的工作负载，并确定哪些配置选项最适合您的应用程序。这些选项的示例包括实例系列、规模、功能（GPU、I/O）、突增、超时、函数大小、容器实例和并发度。如果您的工作负载已经使用同一计算方案超过四周，并且您预计这些特征在未来将保持不变，那么您可以使用 AWS Compute Optimizer
实施步骤
-
了解工作负载要求（如 CPU 需求、内存和延迟）。
-
查看 AWS 文档和最佳实践，了解有助于提高计算性能的推荐配置选项。以下是一些需要考虑的关键配置选项：
配置选项 示例 实例类型 定价模式 -
按需型实例
让您可以按小时或按秒使用计算容量，而无需做出长期承诺。这些实例非常适合超出性能基线需求的突增情况。 -
Savings Plans
相比按需型实例，能够节省大量成本，以换取在一年或三年内使用特定数量计算能力的承诺。 -
竞价型实例
可让您以折扣价将未使用的实例容量用于无状态的容错工作负载。
Auto Scaling 使用 Auto Scaling 配置以使计算资源与流量模式相匹配。 确定大小 -
使用 Compute Optimizer
可以就哪种计算配置最符合您的计算特征，获得基于机器学习的建议。 -
使用 AWS Lambda Power Tuning 为 Lambda 函数选择最佳配置。
基于硬件的计算加速器 -
加速型计算实例 与基于 CPU 的替代方案相比，执行图形处理或数据模式匹配等功能的效率更高。
-
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
-
资源
相关文档：
相关视频：
相关示例：
