Optymalizacja kosztów AWS i Kubernetes dla IDEMIA przy wsparciu specjalistów IT

IDEMIA potrzebowała dokładnej analizy wykorzystania zasobów chmurowych oraz identyfikacji miejsc, w których infrastruktura generowała zbędne koszty.
Kluczowym wyzwaniem było wykrycie niewykorzystanych zasobów EC2 oraz błędnie zdefiniowanych wymagań dla wybranych aplikacji działających w klastrach Kubernetes.
Projekt wymagał połączenia perspektywy kosztowej, infrastrukturalnej i operacyjnej, tak aby ograniczać wydatki bez negatywnego wpływu na stabilność środowisk i działanie aplikacji.

Edge One Solutions wsparło IDEMIA, dostarczając specjalistów IT odpowiedzialnych za analizę kosztów i wykorzystania zasobów w środowiskach chmurowych.
Zakres wsparcia obejmował analizę danych z AWS Cost Explorer, Metrics Server i Prometheus, identyfikację niewykorzystanych zasobów na maszynach EC2 oraz ocenę konfiguracji aplikacji osadzonych w klastrach Kubernetes.
Zespół pracował również nad doborem odpowiednich typów instancji EC2, poprawą definicji wymagań zasobowych aplikacji oraz przygotowaniem mechanizmu umożliwiającego czasowe wyłączanie środowisk niewymaganych przez cały czas.

Zespół przeanalizował wykorzystanie zasobów w systemach, korzystając z danych z AWS Cost Explorer, Metrics Server i Prometheus.
Na tej podstawie zidentyfikowano nadmiarowe zasoby EC2 oraz nieprawidłowo określone wymagania zasobowe części aplikacji działających w Kubernetes. Pozwoliło to dobrać właściwe typy instancji i poprawić konfigurację aplikacji pod kątem rzeczywistego zapotrzebowania.
Wdrożono również wewnętrzne rozwiązanie umożliwiające czasowe „usypianie” środowisk, które nie musiały działać przez cały czas. Dzięki temu koszt kont testowych został zmniejszony ponad trzykrotnie.

W środowiskach chmurowych koszty infrastruktury mogą szybko rosnąć, jeśli zasoby nie są regularnie analizowane i dopasowywane do realnego obciążenia aplikacji.
Projekt IDEMIA pokazuje, że skuteczna optymalizacja kosztów wymaga połączenia danych finansowych, metryk technicznych i wiedzy o tym, jak aplikacje wykorzystują zasoby w klastrach Kubernetes.
Dla organizacji korzystających z AWS i Kubernetes podobne podejście może pomóc ograniczyć nadmiarowe wydatki, poprawić działanie autoskalowania i zwiększyć kontrolę nad kosztami środowisk testowych oraz produkcyjnych.