SUS05-BP02 Verwenden von Instance-Typen mit den geringsten Auswirkungen

Abonnieren Sie Neuerungen bei AWS, um sich über die aktuellen AWS-Technologien und -Instances auf dem Laufenden zu halten.

Informieren Sie sich über die verschiedenen AWS-Instance-Typen.

Informieren Sie sich über AWS-Graviton-basierte Instances, die die beste Leistung pro Watt in Amazon EC2 bieten. Sehen Sie sich re:Invent 2.020 - Deep dive on AWS Graviton2 processor-powered Amazon EC2 instances und Deep dive into AWS Graviton3 and Amazon EC2 C7g instances an.

Definieren Sie einen Prozess zur Evaluierung neuer Features oder Instances für Ihre Workloads. Nutzen Sie die Agilität in der Cloud, um schnell zu testen, wie neue Instance-Typen die ökologische Nachhaltigkeit Ihrer Workloads verbessern können. Nutzen Sie Proxy-Metriken, um zu messen, wie viele Ressourcen Sie für eine Arbeitseinheit benötigen.

Modifizieren Sie Ihre Workload nach Möglichkeit so, dass sie mit unterschiedlichen Zahlen von vCPUs und Arbeitsspeichergrößen kompatibel ist, um die größtmögliche Auswahl an Instance-Typen zu erhalten.

Erwägen Sie die Übertragung Ihrer Workload zu auf Graviton basierenden Instances, um die Leistungseffizienz Ihrer Workload zu verbessern. Weitere Informationen zum Verschieben von Workloads zu AWS Graviton finden Sie unter AWS Graviton Fast Start und Considerations when transitioning workloads to AWS Graviton-based Amazon Elastic Compute Cloud instances.

Erwägen Sie die Auswahl der Option AWS Graviton, wenn Sie verwaltete AWS-Services verwenden.

Migrieren Sie Ihre Workload zu Regionen mit Instances, die die geringsten nachhaltigkeitsbezogenen Auswirkungen bieten und dennoch Ihre geschäftlichen Anforderungen erfüllen.

Nutzen Sie für Machine-Learning-Workloads spezielle Hardware, die auf Ihre Workload abgestimmt ist, z. B. AWS Trainium, AWS Inferentia und Amazon EC2 DL1. AWS Inferentia-Instances wie Inf2-Instances bieten eine um bis zu 50 % bessere Leistung pro Watt als vergleichbare Amazon-EC2-Instances.

Verwenden Sie Amazon SageMaker Inference Recommender für die korrekte Dimensionierung des ML-Inferenz-Endpunkts.

Verwenden Sie für Workloads, bei denen es gelegentlich zu zusätzlichen Kapazitätsanforderungen kommt, Instances mit Spitzenlastleistung.

Verwenden Sie für zustandslose und fehlertolerante Workloads Amazon EC2 Spot Instances, um die allgemeine Auslastung der Cloud zu verbessern und die Nachhaltigkeitsauswirkungen ungenutzter Ressourcen zu reduzieren.

Prüfen Sie für kurzzeitige Workloads die Amazon-CloudWatch-Metriken der Instance wie CPUUtilization, um festzustellen, ob die Instance gar nicht oder zu wenig genutzt wird.

Prüfen Sie für stabile Workloads in regelmäßigen Intervallen AWS-Dimensionierungstools wie etwa AWS Compute Optimizer, um Möglichkeiten zur Optimierung und zur korrekten Dimensionierung der Instances zu erkennen. Weitere Beispiele und Empfehlungen finden Sie in den folgenden Labs: