本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
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。
-
您可以在 Amazon A EC2 uto Scaling 配置中指定一种实例类型。
-
您使用 AWS 实例的方式不是为它们设计的（例如，对于内存密集型工作负载，您使用计算优化的实例）。
-
您没有定期评估新的实例类型。
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。
在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
-
学习和探索实例类型：学习和探索可以减小工作负载对环境影响的实例类型。
-
使用影响最小的实例类型：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。
-
如果可能，请修改您的工作负载以使用不同数量 vCPUs 和不同数量的内存，从而最大限度地选择实例类型。
-
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。有关将工作负载迁移到 Graviton 的更多信息，请参阅 AWS Gr AWS aviton 快速起
步和将工作负载过渡到基于 Gravit AWS on 的亚马逊弹性计算云实例时的注意事项 。 -
考虑在使用托AWS 管 AWS
服务时选择 Graviton 选项。 -
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，请利用专门针对您的工作负载构建的硬件，例如 AWS Trainium
、Inf AWS er entia 和 Amazon。EC2 DL1 AWS Inf2 实例等推理实例的每瓦特性能比同类 Amazon 实例高出 50%。EC2 -
使用 Amazon SageMaker 推理推荐器来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，使用 A mazon EC2 Spot 实例来提高云的总体利用率，并减少未使用资源对可持续性的影响。
-
-
运营和优化：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确定实例是空闲还是未得到充分利用。 -
对于稳定的工作负载 AWS ，请定期检查调整大小工具，以确定优化和调整实例大小的机会。AWS Compute Optimizer
有关更多示例和推荐，请参阅以下实验：
-
资源
相关文档：
相关视频：
相关示例：
