Skip to content

进阶:成本架构与资源效率 ​

本篇要点:把一笔说不清来源的云账单,变成每个业务单元都能认领、并且能换算成单笔订单成本的结构。 前置文章:《架构演进:从单体到分布式》把单体拆成 14 个服务,交付物变多了,资源消耗也跟着从“一台机器”变成一张长长的清单,这一章就来管这张清单。

一、为什么需要它 ​

一个做 SaaS 的团队,2026 年第三季度,云支出从 7 月的 4.2 万涨到 9 月的 11.6 万。老板问的是“为什么翻了一倍多”,技术负责人能给出的回答只有“业务量涨了”。

把账单按标签拉成一维分布之后,结论完全不一样:业务量确实涨了约 60%,但成本涨了 176%。多出来的部分里,37% 是十二个测试环境的数据库实例常年开机,22% 是三台为“双十一”预备的机型事后忘了降配,18% 是对象存储里 2.1 TB 的调试日志从未设过生命周期。真正跟着业务量走的只有四成。

这一章解决的问题就是:让成本能归因,让每笔钱都对应到某个业务量单位,然后判断该缩什么、该留什么、该改结构。

二、核心概念 ​

2.1 云成本结构分三层 ​

固定成本(Fixed Cost):不随流量变的部分,比如三台常驻的数据库主从、负载均衡、专线。这部分优化靠“换更便宜的规格或付费方式”,不靠缩容。

变动成本(Variable Cost):随请求数、存储量、出网流量线性变化的部分,比如函数计算调用次数、对象存储容量、CDN 回源流量。这部分优化靠“降低单位消耗”。

潮汐成本(Tidal Cost):按小时或按天呈明显峰谷起伏的部分,比如白天 40 台晚上的 8 台的 Web 层。这部分优化靠弹性伸缩。

三类成本要分开管,因为优化手段互不通用。给固定成本配自动伸缩没用,给潮汐成本买三年预留就是浪费。

打个比方:固定成本是房租,变动成本是水电,潮汐成本是临时工。你不能靠少开灯来降房租。

反例:把整张账单按“计算/存储/网络”三类看。这个切法对财务有用,对架构师没用——你没法据此做任何决定,因为看不出哪个业务在烧钱。

2.2 单位经济性:把账单除以业务量 ​

单位经济性(Unit Economics)指每产生一个业务单位所消耗的资源成本,比如每笔订单 0.42 元、每个活跃用户每月 1.8 元、每千次 API 调用 0.09 元。

它比总成本有用,因为总成本同时受规模和效率影响,而单位成本只反映效率。总成本涨 60%、单位成本涨 0,说明只是规模变大,架构没退步;总成本涨 40%、单位成本涨 40%,那是效率在恶化,必须查。

反例:只看月度总额做环比。旺季总额高你会以为一切正常,淡季总额低你会以为优化生效了,其实什么都没变——单位成本才是那条稳定的线。

2.3 弹性与预留是两种商品,不是二选一 ​

弹性(Elasticity)按秒/小时计费、随时可退,单价最高;预留(Reserved Instance / Savings Plan,预留实例)承诺一年或三年,折扣通常在 30% 到 60% 之间,但买错了退不掉;按需(On-Demand)居中。抢占式(Spot)最便宜,随时可能被回收,只能跑可中断任务。

判断方法很朴素:把过去 90 天每个实例族的 CPU 使用率按小时排序,看第 10 百分位。如果一个实例族的最低水位也常年高于 60%,它的基座部分就适合买预留;峰谷差超过 3 倍的,峰段用弹性。

反例:为了省事全买三年预留。业务方向一变,机器规格就成了沉没成本,账面上省的三成会以“买了一堆用不上的实例”的形式还回去。

2.4 成本归因靠标签,标签靠强制 ​

成本归因(Cost Allocation)是把每一笔支出归到某个责任主体的过程,技术上依赖资源标签(Tag):team、env、service、cost-center 四个维度基本够用。

关键在“强制”。标签靠自觉填,三个月后一定有一半资源是 untagged。可行的做法是在基础设施即代码(Infrastructure as Code,IaC)的模板里把标签写成必填变量,缺失就 plan 失败;同时每周跑一次未打标签资源清单,直接推到对应负责人的群里。

图 11-1 成本归因到优化的决策路径:先归因,再算单位成本,最后按成本类型选手段

如图 11-1 所示,从账单到动作之间必须经过“除业务量”这一步,跳过它就没法判断涨得对不对。

三、动手实践 ​

以 AWS 为例,其他云厂商的账单导出结构相近,字段名不同。

3.1 导出明细并算出单位成本 ​

先在账单控制台开启 Cost and Usage Report(CUR),投递到 S3,然后用 Athena 建外部表查询。下面的查询按月聚合、除以订单数:

sql
SELECT
  line_item_usage_start_date        AS d,
  product_servicecode               AS svc,
  resource_tags_user_service        AS svc_name,
  ROUND(SUM(line_item_unblended_cost), 2) AS cost_usd
FROM cur_db.cur_table
WHERE line_item_usage_start_date >= DATE '2026-09-01'
  AND line_item_line_item_type = 'Usage'
GROUP BY 1, 2, 3
HAVING SUM(line_item_unblended_cost) > 0
ORDER BY cost_usd DESC
LIMIT 20;

运行结果:

d            svc            svc_name      cost_usd
2026-09-01   AmazonEC2      order-api     8412.37
2026-09-01   AmazonEC2      pay-core      6190.02
2026-09-01   AmazonRDS      order-db      4805.66
2026-09-01   AmazonS3       log-archive   2287.41
2026-09-01   AmazonEC2      untagged      1974.88

最后一行那 1974 美元就是典型缺口:没归到任何服务。它的存在本身就说明标签策略漏了执行,不用等优化,先补标签。

3.2 算单位成本,画两条线 ​

python
import csv

# orders.csv 来自业务库,两列:月份、订单数
orders = {r['month']: int(r['orders']) for r in csv.DictReader(open('orders.csv'))}
costs  = {}
for r in csv.DictReader(open('cost_by_month.csv')):
    costs[r['month']] = costs.get(r['month'], 0) + float(r['cost_usd'])

prev = None
for m in sorted(costs):
    unit = costs[m] / orders[m]
    delta = '' if prev is None else f" 单位成本环比 {(unit/prev - 1):+.1%}"
    print(f"{m}  总成本 {costs[m]:>10,.0f} 元  订单 {orders[m]:>8,}  单均 {unit:.3f} 元{delta}")
    prev = unit

运行结果:

2026-07  总成本     42,180 元  订单  220,400  单均 0.191 元
2026-08  总成本     61,940 元  订单  305,100  单均 0.203 元 单位成本环比 +6.1%
2026-09  总成本    116,320 元  订单  352,800  单均 0.330 元 单位成本环比 +62.4%

8 月只涨 6.1%,可以解释为规模效应没完全摊薄;9 月涨 62.4%,是结构性变化,必须落到具体资源上查。

3.3 按成本类型拆手段 ​

对 9 月做分解,得到 11.6 万里各部分该用什么手段:

成本项金额(元)类型手段预期回收
12 套测试环境 RDS21,400固定夜间停机 + 降到单节点每月约 1.4 万
3 台预扩容机型9,700固定降配到原规格每月约 6 千
S3 调试日志 2.1 TB5,100变动生命周期 30 天转低频、90 天删每月约 4 千
Web 层潮汐 8→40 台31,200潮汐按 CPU 70% 扩容、45% 缩容每月约 8 千
其余随业务线增长48,920变动先不处理,监控单均—

表 11-1 9 月成本按类型分解后的手段与预期回收

第二行那个 9,700 值得单独说。预留实例一旦买错,账面上有折扣,但机型规格不匹配业务,长期就是沉没成本;所以在引入预留之前,先确认这台机器的规格和用途三个月内不会变,再谈折扣。

3.4 用最低水位决定买不买预留 ​

2.3 节那条判断可以落成一张表。把过去 90 天每个实例族的 CPU 按小时排序,取第 10 百分位和第 90 百分位,再看峰谷比,三种结论各不相同:

python
# reserved_decision.py —— 按 90 天分位数决定付费方式
rows = [
    # 实例族, P10 CPU%, P90 CPU%, 峰谷比
    ("order-api 8C16G",   22, 78, 3.5),
    ("pay-core 8C16G",    61, 84, 1.4),
    ("report-worker 4C8G", 8, 71, 8.9),
    ("search 16C32G",     44, 88, 2.0),
]
print(f"{'实例族':18s} {'P10':>4s} {'P90':>4s} {'峰谷比':>6s}  建议")
for name, p10, p90, ratio in rows:
    if p10 >= 60 and ratio < 1.5:
        adv = "基座部分买 1 年预留(波动小、水位高)"
    elif ratio >= 3:
        adv = "全按需 + 弹性伸缩,别买预留"
    else:
        adv = "基座买预留、峰段按需,比例约 6:4"
    print(f"{name:18s} {p10:4d}% {p90:4d}% {ratio:6.1f}  {adv}")

运行结果:

text
实例族                 P10  P90  峰谷比  建议
order-api 8C16G      22%  78%    3.5  全按需 + 弹性伸缩,别买预留
pay-core 8C16G       61%  84%    1.4  基座部分买 1 年预留(波动小、水位高)
report-worker 4C8G    8%  71%    8.9  全按需 + 弹性伸缩,别买预留
search 16C32G        44%  88%    2.0  基座买预留、峰段按需,比例约 6:4

四个实例族给出三种答案,这就是“预留与弹性不是二选一”的具体形态。pay-core 的水位常年 61% 以上、峰谷比 1.4,买三年预留最划算;report-worker 峰谷比 8.9,买任何预留都是在为闲置时间付费;search 落在中间,基座锁死、峰段留给弹性。

这张表还有个副产品:如果某个实例族的 P10 长期低于 20%,说明它本身就是过度配置,先降配再谈付费方式,能同时省下两边。

排错时按这个顺序查:分位数拉不出来,先确认监控是不是只保留了 15 天(多数云厂商默认聚合周期就到这里);峰谷比算出来是 1.0,检查是不是拿到了日平均而不是小时值;结论和账单对不上,多半是预留还没到期、折扣仍在生效。

四、常见误解 ​

四、常见误解 ​

误解一:成本优化等于砍资源。 其实优化的目标是让单位成本随规模下降,而不是把账单压到某个数字。见到过一个项目为了降本把日志保留期从 90 天砍到 7 天,账上省了两千,后来一次线上排查因为日志不够用了六天,人力成本远超节省的金额。降本决策要带上“这次降本会让哪个能力变弱”。

误解二:自动伸缩开了就不用人管。 其实弹性策略里有三个参数最容易配错:扩缩容阈值、冷却时间、最小实例数。阈值按 CPU 定但业务瓶颈在数据库连接数时,扩容只会把压力推到数据库;冷却时间设得太短会在临界点反复启停;最小实例数设成 1 等于把冷启动时间算进故障恢复时间里。上了伸缩之后,要按周看一次实例数曲线,看它是不是在跟着真实流量走。

误解三:价格便宜就等于省钱。 其实单价要乘以用量才是成本。函数计算按调用次数计费,一次请求若因为实现问题触发 6 次函数调用,单价再低也扛不住放大倍数。查变动成本的第一个问题永远是“一次业务请求实际触发了几次底层调用”,而不是“哪个服务单价低”。

五、小结 ​

《架构演进:从单体到分布式》每拆出一个服务,都会在这里变成账单上的一行;这一章把“结构变复杂要花多少钱”变成了可算的数字。

  • 云成本拆成固定、变动、潮汐三类,每类对应一套优化手段,混着谈就选不出动作。
  • 单位经济性是唯一稳定的观察线:总成本受规模影响,单均成本只反映效率。
  • 弹性、预留、按需、抢占是不同商品,选哪个取决于过去 90 天的最低水位和峰谷比。
  • 归因先于优化。标签靠 IaC 强制必填,untagged 的行本身就是一份待办清单。
  • 任何降本都要写清代价:这次省下的钱,会让哪个能力变弱、哪类故障变难查。

六、相关文章 ​

成本能解释了,下一个问题是“谁来判断这个方案值不值得做”。《进阶:架构评审与技术债治理》讲架构评审与技术债治理:评审要交什么材料、问哪些问题、结论怎么追踪到落地,以及技术债怎么登记和按什么节奏偿还。

继续阅读:[《进阶:架构评审与技术债治理》 进阶:架构评审与技术债治理](/guide/architecture/architecture-review-process.html)