🥇Költség összehasonlítás a Managed Kubernetes terén (2020)

Megjegyzés fordítás.: Az amerikai DevOps mérnök, Sid Palas, a Google Cloud nemrég bejelentett újdonságát használva összehasonlította a Managed Kubernetes szolgáltatás költségeit (különböző konfigurációkban) a világ vezető felhőszolgáltatóinak kínálatával. Munkájának további előnye volt a megfelelő Jupyter Notebook közzététele, amely lehetővé teszi (minimális Python tudás birtokában) a számítások saját szükségletekhez való korrekcióját.

Röviden összefoglalva: Az Azure és a Digital Ocean nem számítanak fel díjat a vezérlő réteg (control plane) számítási erőforrásaiért, ami alkalmassá teszi őket számos kis klaszter telepítésére. Néhány nagy klaszter elindításához a GKE a legoptimálisabb megoldás. Ezenkívül jelentősen csökkenthetők a költségek, ha spórolós/leváltható/alacsony prioritású csomópontokat használunk, vagy „hosszú távú” használatot vállalunk azonos csomópontok esetén (ez minden platformra vonatkozik).

A klaszter mérete (worker-ek száma)

Áttekintés

A Google Cloud nemrégiben bejelentette hogy óránként 10 centet kezdenek el felszámolni minden GKE klaszter működéséért, ami arra ösztönzött, hogy elemezzem az alapvető ajánlatok árait a menedzselt Kubernetes területén.

Ez a bejelentés sokakat nagyon elszomorított...

A cikk főszereplői:

Google Kubernetes Engine (GCP) – árkalkulátor;
Elastic Kubernetes Service (AWS) – árkalkulátor;
Azure Kubernetes Service (Azure) – árkalkulátor;
Kubernetes a Digital Ocean-on – árazási oldal.

Költségmegoszlás

A Kubernetes használatára vonatkozó összköltségek minden egyes platformon a következő elemekből tevődnek össze:

Klaszterkezelési díj;
Terheléselosztás (Ingress esetén);
V számítási erőforrások (vCPU és memória) a worker-ek számára;
Egress forgalom;
Állandó tárolás;
Adatok feldolgozása a terheléselosztó által.

Ezen kívül a felhőszolgáltatók jelentős kedvezményeket kínálnak, ha az ügyfél szeretné/tudja használni a leváltható, spórolós vagy alacsony prioritású csomópontokat, vagy vállalja az azonos csomópontok használatát 1-3 évig.

Fontos hangsúlyozni, hogy bár a költségek jó alapot adnak a szolgáltatók összehasonlításához és értékeléséhez, más tényezőket is figyelembe kell venni:

Üzemidő (Szolgáltatási Szint Megállapodás);
A felhő ökoszisztèma;
A K8s elérhető verziói;
A dokumentáció/minőségi eszközkészletek színvonala.

Ezek a tényezők azonban túllépnek a jelen cikken/kutatáson. A StackRox februári blogbejegyzésében A non-price factors for EKS, AKS, and GKE is examined in detail.

Jupyter Notebook

To simplify the search for the most advantageous solution, I developed the Jupyter Notebook, integrating plotly + ipywidgets. It allows comparing provider offers for different cluster sizes and service sets.

You can practice with the live version of the notebook in Binder:

managed-kubernetes-price-exploration.ipynb on mybinder.org

Let me know if any calculations or initial estimates are incorrect (you can do this via an issue or pull request on GitHub - here is the repository).

Következtetések

Unfortunately, there are too many nuances to provide more specific recommendations than those included in the TL;DR paragraph at the very beginning. However, some conclusions can still be drawn:

Unlike GKE and EKS, AKS and Digital Ocean do not charge for the resources of the control plane. AKS and DO are more advantageous if the architecture includes many small clusters (for example, one cluster per each developer vagy each client).
Slightly less expensive computing resources of GKE make it more advantageous as cluster sizes increase*.
Using spot nodes or long-term node binding can reduce costs by more than 50%. Note: Digital Ocean does not have such discounts.
The outgoing traffic fee in Google is higher, but the determining factor in the calculations is the cost of computing resources (unless your cluster is a source of significant outgoing data volumes).
Choosing machine types according to CPU and memory workload needs will help avoid extra charges for unutilized resources.
Digital Ocean charges less for vCPU and more for memory compared to other platforms - this may be a decisive factor for certain types of computing workloads.

* Note: the analysis uses data for general-purpose computing nodes (general-purpose). These are n1 GCP Compute Engine instances, m5 AWS ec2, Azure D2v3 virtual machines, and DO droplets with dedicated CPU. In turn, research can also be conducted among other types of virtual machines (burstable, entry-level). At first glance, the cost of virtual machines linearly depends on the number of vCPU and memory volume, but I am not sure this assumption will hold true for highly non-standard memory/CPU ratios.

A cikkben The Ultimate Kubernetes Cost Guide: AWS vs GCP vs Azure vs Digital Ocean, 2018-ban közzétett, 100 vCPU maggal és 400 GB memóriával rendelkező referencia klasztert használtak. Összehasonlításképpen, számításaim szerint egy hasonló klaszter ezen platformok bármelyikén (igény szerinti példányokhoz) a következő összegbe kerülne:

AKS: 51465 USD/év
EKS: 43138 USD/év
GKE: 30870 USD/év
DO: 36131 USD/év

Remélem, hogy a cikk és a jegyzet segítenek Önnek értékelni a managed Kubernetes alapvető ajánlatait, és/vagy pénzt spórolni a felhőinfrastruktúrán, kihasználva a kedvezményeket és egyéb lehetőségeket.