Notu. transl.: amerika DevOps-inĝeniero Sid Palas, uzante Kiel informa gvidilo, mi komparis la koston de la Administrita Kubernetes-servo (en malsamaj agordoj) de la ĉefaj nubaj provizantoj de la mondo. Plia avantaĝo de lia laboro estis la publikigo de la responda Jupyter Notebook, kiu permesas (kun minimuma scio pri Python) ĝustigi la kalkulojn faritajn laŭ viaj bezonoj.
TL; DR: Lazuro kaj Cifereca Oceano ne pagas por komputilaj rimedoj uzataj por la kontrolaviadilo, igante ilin bona elekto por deploji multajn malgrandajn aretojn. Por ruli malgrandan nombron da grandaj aretoj, GKE plej taŭgas. Krome, vi povas signife redukti kostojn per uzado de punktoj/preemptaj/malaltprioritaj nodoj aŭ per "abonado" al longtempa uzo de la samaj nodoj (ĉi tio validas por ĉiuj platformoj).
Aretograndeco (nombro da laboristoj)
Ĝenerala informo
La anonco de GKE komenci ŝargi 10 cendojn por graphoro por ĉiu graphoro instigis min komenci analizi la prezojn de ĉefaj administritaj Kubernetes-ofertoj.
Ĉi tiu anonco multe ĝenis iujn...
La ĉeffiguroj de la artikolo estas:
- Google Kubernetes Engine (GCP) - ;
- Elasta Kubernetes Servo (AWS) - ;
- Azure Kubernetes Servo (Lazura) - ;
- Kubernetes sur Cifereca Oceano - .
Kosto-Rompiĝo
La totalkosto de uzado de Kubernetes sur ĉiu el ĉi tiuj platformoj konsistas el la sekvaj komponantoj:
- Kotizo pri administrado de cluster;
- Ŝarĝbalancado (por Eniro);
- Komputilaj rimedoj (vCPU kaj memoro) de laboristoj;
- Elira trafiko;
- Konstanta stokado;
- Prilaborado de datumoj per ŝarĝbalancilo.
Aldone, nubaj provizantoj ofertas gravajn rabatojn se la kliento volas/povas uzi preventilon aŭ malaltprioritaj nodoj AŬ entreprenas uzi la samajn nodojn dum 1-3 jaroj.
Indas substreki, ke kvankam kosto estas bona bazo por kompari kaj taksi servoprovizantoj, aliaj faktoroj devas esti konsiderataj:
- Uptime (Interkonsento pri Servonivelo);
- La ĉirkaŭa nuba ekosistemo;
- Disponeblaj versioj de K8s;
- Kvalito de dokumentaro/ilaro.
Tamen, ĉi tiuj faktoroj estas ekster la amplekso de ĉi tiu artikolo/studo. EN Ne-prezaj faktoroj por EKS, AKS kaj GKE estas detale diskutataj.
Jupyter Kajero
Por faciligi trovi la plej profitan solvon, mi disvolvis , uzante plotly + ipywidgets en ĝi. Ĝi permesas vin kompari provizantajn ofertojn por malsamaj aretgrandoj kaj servaroj.
Vi povas ekzerci kun viva versio de la notbloko en Binder:
Sciigu min ĉu la kalkuloj aŭ originalaj prezoj estas malĝustaj (ĉi tio povas esti farita per problemo aŭ tira peto en GitHub - ).
trovoj
Ve, estas tro da nuancoj por doni pli specifajn rekomendojn ol tiuj inkluzivitaj en la TL;DR-alineo komence. Tamen, kelkaj konkludoj ankoraŭ povas esti tiritaj:
- Male al GKE kaj EKS, AKS kaj Digital Ocean ne pagas por kontroltavolaj rimedoj. AKS kaj DO estas pli enspeziga se la arkitekturo inkluzivas multajn malgrandajn aretojn (ekzemple unu areton per ĉiu programisto aŭ ĉiu kliento).
- La iomete malpli multekostaj komputikaj rimedoj de GKE faras ĝin pli enspeziga dum aretgrandoj* pliiĝas.
- Uzante preventeblajn nodojn aŭ longtempan nodan afinecon povas redukti kostojn je pli ol 50%. Notu: Cifereca Oceano ne ofertas ĉi tiujn rabatojn.
- La elirkotizoj de Google estas pli altaj, sed la kosto de komputikaj rimedoj estas determinanta faktoro en la kalkulo (krom se via areto generas signifan kvanton da elirantaj datumoj).
- Elekti maŝintipojn bazitajn sur la CPU- kaj memorbezonoj de viaj laborŝarĝoj helpos vin eviti pagi kromajn por neuzataj rimedoj.
- Cifereca Oceano ŝargas malpli por vCPU kaj pli por memoro kompare kun aliaj platformoj - tio povas esti decida faktoro por iuj specoj de komputikaj laborkvantoj.
*Noto: Analizo uzas datumojn por ĝeneraluzeblaj komputaj nodoj (ĝenerala celo). Ĉi tiuj estas n1 GCP Compute Engine-instancoj, m5 AWS ec2-instancoj, D2v3 Azure virtualaj maŝinoj kaj DO-gutetoj kun dediĉitaj CPUoj. Siavice, eblas fari esploradon inter aliaj specoj de virtualaj maŝinoj (rompeblaj, enirnivelaj). Unuavide, la kosto de virtualaj maŝinoj dependas lineare de la nombro da vCPU-oj kaj la kvanto de memoro, sed mi ne certas, ke ĉi tiu supozo validos por tre ne-normaj memoro/CPU-proporcioj.
En la artikolo , publikigita en 2018, uzis referencan areton kun 100 vCPU-kernoj kaj 400 GB da memoro. Por komparo, laŭ miaj kalkuloj, simila areto sur ĉiu el ĉi tiuj platformoj (por postulataj okazoj) kostos la jenan kvanton:
- AKS: 51465 USD/jaro
- EKS: 43138 USD/jaro
- GKE: 30870 USD/jaro
- DO: 36131 USD/jaro
Mi esperas, ke ĉi tiu artikolo kune kun la kajero helpos vin taksi la ĉefajn administritajn Kubernetes-proponojn kaj/aŭ ŝpari monon pri nuba infrastrukturo profitante rabatojn kaj aliajn ŝancojn.
PS de tradukisto
Legu ankaŭ en nia blogo:
- «»;
- «»;
- «»;
- «".
fonto: www.habr.com