🥇Kostnadsjämförelse för Managed Kubernetes (2020)

Obs. övers.: Amerikansk DevOps-ingenjör Sid Palas, med hjälp av den senaste tillkännagivandet från Google Cloud , gjorde en jämförelse av kostnaden för Managed Kubernetes (i olika konfigurationer) från ledande globala molnleverantörer. Ett ytterligare plus med hans arbete var publiceringen av en motsvarande Jupyter Notebook, som gör det möjligt att (med grundläggande kunskaper i Python) anpassa de utförda beräkningarna efter egna behov.

TL;DR: Azure och Digital Ocean tar inte ut avgifter för de beräkningsresurser som används för styrskiktet (control plane), vilket gör dem till ett lämpligt val för att implementera många små kluster. För att köra ett litet antal stora kluster är GKE det bästa valet. Dessutom kan kostnaderna minskas avsevärt genom att använda spill-/preemptible/lågt prioriterade noder eller "prenumerera" på långvarig användning av samma noder (gäller för alla plattformar).

Klusterstorlek (antal workerar)

Allmän information

Det senaste tillkännagivandet från Google Cloud om att börja ta ut 10 cent per timme för varje kluster i GKE fick mig att analysera priserna på erbjudanden för hanterad Kubernetes.

Detta tillkännagivande störde många...

Huvudaktörerna i artikeln är:

Google Kubernetes Engine (GCP) – prisräknare;
Elastic Kubernetes Service (AWS) – prisräknare;
Azure Kubernetes Service (Azure) – prisräknare;
Kubernetes på Digital Ocean – prissidan.

Kostnadsuppdelning

De totala kostnaderna för att använda Kubernetes på var och en av dessa plattformar består av följande komponenter:

Avgift för klusterhantering;
Lastbalansering (för Ingress);
Beräkningsresurser (vCPU och minne) för arbetare;
Egress-trafik;
Permanent lagring;
Datahantering av lastbalanseraren.

Dessutom erbjuder molnleverantörer betydande rabatter om kunder vill/kan använda preemptible, spot- eller lågt prioriterade noder ELLER förbinder sig att använda samma noder i 1-3 år.

Det är värt att notera att även om kostnad är en bra grund för att jämföra och bedöma tjänsteleverantörer, bör även andra faktorer beaktas:

Uppetid (Service Level Agreement);
Den omgivande molnekosystemet;
Tillgängliga versioner av K8s;
Kvaliteten på dokumentationen/verktygen.

Men dessa faktorer går bortom vad denna artikel/undersökning omfattar. I februari-notisen på StackRox-bloggen I detaljeras icke-prisfaktorer för EKS, AKS och GKE.

Jupyter Anteckningsbok

För att förenkla sökningen efter den mest fördelaktiga lösningen har jag utvecklat Jupyter anteckningsbok, som använder plotly + ipywidgets. Den gör det möjligt att jämföra erbjudanden från leverantörer för olika klusterstorlekar och tjänstepaket.

Du kan öva med den levande versionen av anteckningsboken i Binder:

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

Låt mig veta om beräkningarna eller de ursprungliga priserna är felaktiga (detta kan göras via issue eller pull request på GitHub — här är repot).

Slutsatser

Tyvärr finns det för många nyanser för att ge mer specifika rekommendationer än de som ingår i TL;DR-avsnittet i början. Men vissa slutsatser kan ändå dras:

Till skillnad från GKE och EKS, tar AKS och Digital Ocean inte betalt för resurserna i kontrollskiktet. AKS och DO är mer kostnadseffektiva om arkitekturen innehåller många små kluster (t.ex. ett kluster per utvecklare eller kund).
De något billigare beräkningsresurserna i GKE gör det mer kostnadseffektivt med större klusterstorlekar*.
Att använda utspridda noder eller långtidsbindningar till noder kan sänka kostnaderna med mer än 50%. Observera: Digital Ocean har inga sådana rabatter.
Avgiften för utgående trafik i Google är högre, men den avgörande faktorn vid beräkningen är kostnaden för beräkningsresurser (såvida inte ditt kluster är en källa till betydande mängder utgående data).
Att välja maskintyper utifrån behoven för arbetsbelastningar avseende CPU och minne gör det möjligt att undvika onödiga kostnader för ouppvaktade resurser.
Digital Ocean tar mindre betalt för vCPU och mer för minne jämfört med andra plattformar — detta kan bli en avgörande faktor för vissa typer av arbetsbelastningar.

* Observera: analysen använder data för allmänna beräkningsnoder (general-purpose). Det handlar om instanser av n1 GCP Compute Engine, m5 AWS EC2, virtuella maskiner D2v3 Azure och droppar DO med dedikerad CPU. Samtidigt kan studier också göras bland andra typer av virtuella maskiner (burstable, entry-level). Vid första anblick, kostnaden för virtuella maskiner beror linjärt på antalet vCPU och mängden minne, men jag är inte säker på att denna antagande kommer att förbli giltigt för mycket ostandardiserade förhållanden mellan minne och CPU.

I artikeln Den Ultimata Kubernetes Kostnads Guiden: AWS vs GCP vs Azure vs Digital Ocean, publicerad 2018, användes en referenskluster med 100 vCPU-kärnor och 400 GB minne. För jämförelse beräknar jag att ett liknande kluster på var och en av dessa plattformar (för on-demand instanser) kommer att kosta följande belopp:

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

Jag hoppas att artikeln tillsammans med anteckningsblocket hjälper dig att utvärdera de grundläggande erbjudandena för hanterad Kubernetes och/eller spara på molninfrastruktur genom att utnyttja rabatter och andra möjligheter.