为了节省成本，我们试图找出最佳的设置来处理我们在3个EC2实例之间运行的所有工作进程。
而不是三个4xlarge EC2运行数千个队列工作者，将它们分成许多小型的实例，每个处理100个左右的工作，还是继续以最大容量使用更大的实例会更有成本效益？
通常我们消耗大约相同数量的CPU和内存为我们迄今创build的每个服务器。 如果我们希望使用50％的可用CPU功率，我们通常可以使用50％的可用RAM。 对于networkingIO，我们最大的成本是与RDS通信，读取SQS队列负载，以及数据移入/移出S3。
作业可以批量处理数以百万计的小型通知，parsing大型XML / CSV文件，执行复杂的财务计算和数据build模，或运行MLalgorithm。
最好的办法是创build一个自动缩放组，将其与现场实例竞价绑定在一起，创build一个任意大小的新实例，只需less量资金即可完成工作，而且不必介意自从一个工作节点.. ASG / Lambda作业可以根据需要启动一个新的实例
我做了一些类似于kubernetes的工作，为我的工作量节省了大量的金钱。
您可以使用具有小SPOT实例的自动缩放组，我强烈build议您使用https://spotinst.com/，因为它极大地帮助您最小化EC2实例的成本，允许您始终支付最低限度的费用。
一般来说，越多的机器越好，因为一台停机的大型机器会影响更多的客户/工作/任务。 但是，你的问题是关于成本，而不是可靠性。
看看你当前的实例大小。 在这里，我假设你是CPU绑定，而不是内存，磁盘或networking绑定。 如果其中任何一个都是重复的因素。
看看vCPU号码。 将峰值和平均CPU利用率乘以实例的数量。 这会给你一个基本的CPU要求。 然后将其转换为每个vCPU的成本。 然后与同等数量的小型机器进行比较以达到相同的负载。 你会很快感觉到什么是最好的matrix。
ASG（Auto Scaling Group）背后的竞价型实例是另一种基于成本的解决scheme。 但是，您需要查看您正在使用的机器types的历史趋势; 平均和高峰出价; 并有一个pipe理策略，当你没有机器运行，因为你的出价太低。 我的客户依赖现货实例，挑选很less有价格上涨或者至less可预测的价格上涨，良好的一般可用性的机器，然后他们出价约2倍的按需定价，以涵盖那些定价跳跃的短时间框架。 （这是现货定价可以高于按需定价的原因）。 您还必须使您的实例无数据（无状态），这意味着可以随时终止一个实例，并从预configuration的AMI启动新的实例。
亚马逊提供了很多选项来帮助pipe理成本。 有了正确的架构，你可以build立一些非常好的价格非常惊人的系统。