Zurück zu allen Kundenbeispielen

AssessmentBranchenübergreifend

Die meisten Lambda-Rechnungen bezahlen Speicher, den niemand gemessen hat

Abo-Geschäft für Endkunden

Messung von Speicher, Laufzeit und Concurrency in einer großen Lambda-Landschaft, um Functions richtig zu dimensionieren, die nach Gefühl bereitgestellt worden waren.

Überblick

Die Kosten von Lambda ergeben sich aus Speicher mal Laufzeit, und beides hängt zusammen: Mehr Speicher bedeutet proportional mehr CPU, sodass eine größere Function oft so viel schneller fertig wird, dass sie weniger kostet. Kaum eine Landschaft ist auf Basis von Messungen dimensioniert – Functions erben, was der erste Entwickler eingetippt hat, und die Landschaft erstarrt darum herum.

Herausforderung

Die Lambda-Rechnung war zu einem wesentlichen Kostenposten geworden, ohne dass der Traffic entsprechend gestiegen wäre. Stichproben zeigten Functions mit viel Speicher, von dem sie nur einen kleinen Bruchteil nutzten; CPU-gebundene Functions, die bei niedrigen Speichereinstellungen ausgebremst wurden und weit länger liefen als nötig; Functions, die auf synchrone nachgelagerte Aufrufe warteten und für diese Wartezeit bezahlt wurden; und eine Reihe geplanter Functions, die häufig liefen, bei den meisten Aufrufen aber nichts taten.

Umgebung

Eine große AWS-Lambda-Landschaft mit API-gestützten, ereignisgesteuerten und geplanten Workloads. AceMQ berät zur Funktionskonfiguration und Architektur des Kunden; die Plattform betreibt AWS.

Vorgehen

AceMQ zog die Verteilungen von Speichernutzung und Laufzeit je Function aus den Plattformmetriken und fuhr für die Functions mit den höchsten Kosten kontrollierte Durchläufe über verschiedene Speichereinstellungen, um das tatsächliche Kostenminimum jeder einzelnen zu finden – statt anzunehmen, dass weniger Speicher immer günstiger ist. Verschwendung auf Architekturebene wurde getrennt von Verschwendung in der Konfiguration ausgewiesen, weil beides unterschiedlich behoben wird.

Lösung

  1. Kostenmodell je Function auf Basis gemessener Verteilungen von Speichernutzung und Laufzeit erstellt
  2. Speicher-Sweeps für die Functions mit den höchsten Kosten gefahren, um das tatsächliche Kostenminimum jeder einzelnen zu finden
  3. CPU-gebundene Functions identifiziert, bei denen mehr Speicher die Gesamtkosten senkt
  4. Functions, die während blockierender synchroner Aufrufe abgerechnet werden, als Kandidaten für ein asynchrones Redesign markiert
  5. Hochfrequentes Polling per Zeitplan durch ereignisgesteuerte Trigger ersetzt, wo die Quelle das unterstützt
  6. Gereihte Änderungsliste mit erwarteten Einsparungen und Risiko je Punkt geliefert

Resultat

Das Right-Sizing der Functions mit den höchsten Kosten senkte die Lambda-Ausgaben spürbar, ohne die Latenz zu verschlechtern, und mehrere CPU-gebundene Functions wurden nach der Erhöhung des Speichers sowohl günstiger als auch schneller.

Technologien

AWS LambdaAmazon SQSDockerPostgreSQL

Bereit für einen AWS Lambda-Health-Check?

Die Senior Engineers von AceMQ für AWS Lambda haben genau diese Art von Projekt bereits umgesetzt. Ob Sie Architekturberatung, praktische Fehlerbehebung oder eine dauerhafte Managed-Services-Partnerschaft benötigen – wir sind bereit, Ihnen zu helfen.