Tandaan. transl.: American DevOps engineer Sid Palas, gamit Bilang gabay sa impormasyon, ikinumpara ko ang halaga ng serbisyo ng Managed Kubernetes (sa iba't ibang configuration) mula sa mga nangungunang provider ng cloud sa mundo. Ang isang karagdagang bentahe ng kanyang trabaho ay ang paglalathala ng kaukulang Jupyter Notebook, na nagpapahintulot (na may kaunting kaalaman sa Python) na ayusin ang mga kalkulasyon na ginawa upang umangkop sa iyong mga pangangailangan.
Tl; DR: Ang Azure at Digital Ocean ay hindi naniningil para sa mga mapagkukunan ng pagkalkula na ginagamit para sa control plane, na ginagawa itong isang mahusay na pagpipilian para sa pag-deploy ng maraming maliliit na cluster. Para sa pagpapatakbo ng maliit na bilang ng malalaking cluster, ang GKE ay pinakaangkop. Bilang karagdagan, maaari mong makabuluhang bawasan ang mga gastos sa pamamagitan ng paggamit ng mga spot/preemptive/mababang priyoridad na node o sa pamamagitan ng "pag-subscribe" sa pangmatagalang paggamit ng parehong mga node (nalalapat ito sa lahat ng platform).
Laki ng kumpol (bilang ng mga manggagawa)
Pangkalahatang-ideya ng
Ang anunsyo ng GKE na simulang maningil ng 10 cents bawat cluster hour para sa bawat cluster hour ay nag-udyok sa akin na simulan ang pagsusuri sa pagpepresyo ng mga pangunahing pinamamahalaang mga alok ng Kubernetes.
Ang anunsyo na ito ay labis na ikinagalit ng ilang...
Ang mga pangunahing tauhan ng artikulo ay:
- Google Kubernetes Engine (GCP) β ;
- Elastic Kubernetes Service (AWS) β ;
- Serbisyo ng Azure Kubernetes (Azure) β ;
- Kubernetes sa Digital Ocean β .
Pagkakasira ng Gastos
Ang kabuuang halaga ng paggamit ng Kubernetes sa bawat isa sa mga platform na ito ay binubuo ng mga sumusunod na bahagi:
- Bayad sa pamamahala ng kumpol;
- Pagbalanse ng load (para sa Ingress);
- Mga mapagkukunan sa pag-compute (vCPU at memorya) ng mga manggagawa;
- Trapiko sa labasan;
- Permanenteng imbakan;
- Pagproseso ng data sa pamamagitan ng load balancer.
Bukod pa rito, nag-aalok ang mga cloud provider ng makabuluhang diskwento kung gusto/maaaring gumamit ng preemptible ang kliyente o mga node na mababa ang priyoridad O nangangako na gamitin ang parehong mga node sa loob ng 1-3 taon.
Ito ay nagkakahalaga ng pagbibigay-diin na bagama't ang gastos ay isang magandang batayan para sa paghahambing at pagsusuri ng mga tagapagbigay ng serbisyo, ang iba pang mga kadahilanan ay dapat isaalang-alang:
- Uptime (Kasunduan sa Antas ng Serbisyo);
- Ang nakapalibot na cloud ecosystem;
- Magagamit na mga bersyon ng K8s;
- Kalidad ng dokumentasyon/toolkit.
Gayunpaman, ang mga salik na ito ay lampas sa saklaw ng artikulo/pag-aaral na ito. SA Ang mga salik na hindi presyo para sa EKS, AKS at GKE ay tinalakay nang detalyado.
Jupyter Notebook
Upang gawing mas madaling mahanap ang pinaka-pinakinabangang solusyon, gumawa ako , gamit ang plotly + ipywidgets dito. Binibigyang-daan ka nitong paghambingin ang mga alok ng provider para sa iba't ibang laki ng kumpol at hanay ng serbisyo.
Maaari kang magsanay gamit ang isang live na bersyon ng notepad sa Binder:
Ipaalam sa akin kung ang mga kalkulasyon o orihinal na pagpepresyo ay hindi tama (ito ay maaaring gawin sa pamamagitan ng isang isyu o pull request sa GitHub - ).
Natuklasan
Sa kasamaang palad, napakaraming mga nuances upang magbigay ng mas tiyak na mga rekomendasyon kaysa sa mga kasama sa talata ng TL;DR sa pinakadulo simula. Gayunpaman, maaari pa ring gumawa ng ilang mga konklusyon:
- Hindi tulad ng GKE at EKS, hindi naniningil ang AKS at Digital Ocean para sa mga mapagkukunan ng control layer. Ang AKS at DO ay mas kumikita kung ang arkitektura ay may kasamang maraming maliliit na kumpol (halimbawa, isang kumpol bawat bawat developer o bawat kliyente).
- Dahil sa bahagyang mas murang compute resources ng GKE, mas kumikita ito habang tumataas ang mga laki ng cluster*.
- Ang paggamit ng mga preemptible node o pangmatagalang node affinity ay maaaring mabawasan ang mga gastos ng higit sa 50%. Tandaan: Hindi nag-aalok ang Digital Ocean ng mga diskwento na ito.
- Ang mga papalabas na bayarin ng Google ay mas mataas, ngunit ang halaga ng mga mapagkukunan sa pag-compute ay isang pagtukoy sa kadahilanan sa pagkalkula (maliban kung ang iyong cluster ay bumubuo ng isang malaking halaga ng papalabas na data).
- Ang pagpili ng mga uri ng makina batay sa mga pangangailangan ng CPU at memorya ng iyong mga workload ay makakatulong sa iyong maiwasan ang pagbabayad ng labis para sa mga hindi nagamit na mapagkukunan.
- Mas mababa ang paniningil ng Digital Ocean para sa vCPU at higit pa para sa memory kumpara sa iba pang mga platform - maaari itong maging salik ng pagpapasya para sa ilang uri ng mga compute workload.
*Tandaan: Gumagamit ang pagsusuri ng data para sa mga general purpose na compute node (Pangkalahatang layunin). Ang mga ito ay n1 GCP Compute Engine instance, m5 AWS ec2 instance, D2v3 Azure virtual machine at DO droplets na may mga nakalaang CPU. Sa turn, posibleng magsagawa ng pananaliksik sa iba pang mga uri ng virtual machine (burstable, entry-level). Sa unang sulyap, ang halaga ng mga virtual machine ay nakadepende nang linear sa bilang ng mga vCPU at sa dami ng memorya, ngunit hindi ako sigurado na ang palagay na ito ay magiging totoo para sa mataas na hindi karaniwang mga ratio ng memory/CPU.
Sa artikulo , na inilathala noong 2018, ay gumamit ng reference cluster na may 100 vCPU core at 400 GB ng memory. Para sa paghahambing, ayon sa aking mga kalkulasyon, ang isang katulad na cluster sa bawat isa sa mga platform na ito (para sa mga on-demand na pagkakataon) ay magkakahalaga ng sumusunod na halaga:
- AKS: 51465 USD/taon
- EKS: 43138 USD/taon
- GKE: 30870 USD/taon
- DO: 36131 USD/taon
Umaasa ako na ang artikulong ito kasama ang notebook ay makakatulong sa iyo na suriin ang mga pangunahing pinamamahalaang mga alok ng Kubernetes at/o makatipid ng pera sa cloud infrastructure sa pamamagitan ng pagsasamantala sa mga diskwento at iba pang pagkakataon.
PS mula sa tagasalin
Basahin din sa aming blog:
- Β«";
- Β«";
- Β«";
- Β«'.
Pinagmulan: www.habr.com