使用 Microsoft 成本管理 + 计费控制 Azure 支出和管理账单

Azure免费账户实战:Blob视频播放与Redis配置避坑指南 云存储是云计算的核心服务之一,它通过分布式架构提供高可靠、可扩展的数据存储能力。其工作原理是将数据分块存储在多个物理节点上,并通过冗余机制保障数据安全。这项技术的价值在于能够支持海量数据存储、降低运维成本,并作为各类应用的数据底座。在应用场景上,云存储广泛用于网站静态资源托管、大数据分析、备份归档以及多媒体内容存储与分发。本文聚焦于Azure Blob Storage,详细演示如何在其免费额度内实现视频文件的在线播放,并深入解析Azure Managed Redis的配置要点与性能边界,帮助开发者在零成本前 阅读详情

原文:Control Azure spending and manage bills with Microsoft Cost Management and billing learning path - Training | Microsoft Learn

Azure Well-Architected Framework 是一个设计框架,可通过帮助工作负载执行以下操作来提高工作负载的质量:

  • 具有弹性、可用性和可恢复性。
  • 尽可能安全。
  • 提供足够的投资回报。
  • 支持负责任的开发和运营。
  • 在可接受的时间范围内完成其目的。

架构设计始终由业务目标驱动,必须考虑投资回报率 (ROI) 和财务限制。要考虑的典型问题包含:

  • 分配的预算是否能够让您实现目标?
  • 应用程序及其操作的支出模式是什么?什么是优先领域?
  • 您将如何通过提高利用率或减少资源来最大化资源投资?

本模块中描述的概念并不包括工作负载中的成本优化,但它们代表了设计工作负载时的核心原则和一些关键方法。若要全面了解所有架构良好的框架支柱,请在开始规划和设计体系结构时访问 Azure 架构良好的框架。

本模块中的每个单元都侧重于一个设计原则以及与该原则相关的三种方法。每个单元中的方法都通过使用示例来支持,以帮助演示如何将它们应用于实际场景。这些例子都是基于一家虚构的公司。

学习目标
在本模块结束时,您将了解成本优化支柱的五项原则,并了解以下每种方法的三种方法:

  • 建立了解预算、费用、报告和成本跟踪的团队文化
  • 只花钱,实现最高投资回报
  • 最大限度地利用资源和运营
  • 在不重新设计、重新协商或牺牲需求的情况下提高效率
  • 随着工作负载的发展,不断调整投资规模

先决条件

  • 使用数据存储、计算和网络等核心基础设施技术构建或运营解决方案的经验
  • 具有构建或操作系统以解决业务问题的经验

制定成本管理规则

建立一种具有预算、费用、报告和成本跟踪意识的团队文化。

成本优化在组织的各个层面进行。了解您的工作负载如何与组织目标和 FinOps 实践保持一致非常重要。 通过了解业务部门、资源组织和集中审计策略,您可以将标准化的财务系统和方法应用于您的工作负载。

示例场景

Contoso 组织并主办贸易展览。 Contoso 看到了通过内部开发移动应用程序来提高贸易展览门票销售流程效率的机会。 以下场景遵循从构思到实施的开发过程,重点关注成本优化问题。 该移动应用程序是用 .NET 编写的 Web 应用程序,托管在 Azure 应用服务基础结构上,并使用 Azure SQL 数据库作为其数据库。

开发成本模型

开发成本模型。 这项基本工作是建立财务跟踪系统的先决条件。

成本模型有助于细分费用并估计和预测总拥有成本,包括基础设施、支持和实施。 它使您能够及早识别成本驱动因素,并预测使用量增长或减少将如何影响工作负载的预计业务模型中的总体收入和支出。

Contoso 的挑战

  • 进入构思阶段,工作负载团队无法预测提供此类体验的总拥有成本是多少,特别是当票务系统通常处理突发需求时。 他们知道他们希望从小处开始并随着时间的推移而增长,但他们不知道如何对此进行建模以预测构建和维护工作负载的增量方法的成本。
  • 如果没有这些初步估计,将很难为项目获得初始资金并预测长期资金需求。

应用方法和结果

  • 工作负载团队花费一些时间对各种场景中的估计成本进行建模:他们知道构建工作负载所需的资源类型,并查看可以支持不同负载模式的不同配置,以了解其 Azure 成本最初可能是什么样子 随着时间的推移。
  • 他们使用粗略估计的基础设施成本,结合对团队支出和产品收入的估计来构建成本模型。
  • 然后,该模型允许他们开始预测成本,并了解成本如何随着使用量的增加而增加。 他们知道,随着架构和运营决策的确定,他们可以改进模型以提高其预测能力。

估计实际预算

估算涵盖所有不可协商的功能和非功能需求、人员和培训成本以及提供预期增长的流程的实际预算。

您将能够设定财务界限并建立方法来根据分配的预算检查您的支出。 当超过某些阈值时,您还会收到通知,这可以防止租户范围、资源范围和应用于预算的其他范围出现超支。

Contoso 的挑战

  • 在此场景中,应用程序处于设计阶段,初始资源 SKU 已确定。
  • Contoso 需要为移动票务工作负载分配资金。
  • 不能允许工作负载以空白支票运行。 需要为工作量确定切合实际的预算,因为预分配不足可能会危及工作量时间表和成功,而过度分配可能会导致不必要的前期支出,与短期工作量需求不符。 

应用方法和结果

  • 随着成本模型通过更精确的数字得到完善,团队为利益相关者提供了一个经过高度置信度估计且可以维护的预算。
  • 预算到位后,工作负载架构师就可以开始针对财务限制进行设计。随着对实施和必要操作的了解越来越多,工作负载团队预计需要重新进行一些协商。
  • 他们想要一个小的缓冲,但最终将通过遵守预算分配来推动财政责任。

鼓励上游沟通

鼓励从架构师到应用程序所有者的上游沟通。

当您根据反馈采取行动时,成本就会降低,反馈应该被视为与数字数据一样有意义。 您将利用员工的意见来推动现实的设计变更和业务战略,从而为他们提供支持。

Contoso 的挑战

  • Contoso 的移动票务工作负载已成功实施并投入生产。
  • 在分析一段时间内的使用模式后,工作负载团队成员发现实施并没有真正针对成本效率进行优化。
  • 由于项目管理和财务人员似乎对迄今为止工作负载的成功感到满意,因此他们不知道是否应该说些什么。

应用方法和结果

  • 鼓励工作负载团队“像对待自己的一样使用它”,因此当他们看到当前设计的替代方法可以在不牺牲安全性、可靠性或性能的情况下满足应用程序的功能需求时,他们有权向产品管理层提出意见, 但以更具成本效益的方式。
  • 因此,工作负载团队将他们的发现提供给利益相关者,并讨论设计变更的利弊。
  • 设计变更得到批准并实现了成本节约。

以成本效益的心态进行设计

只花您需要的钱来实现最高的投资回报。

每个架构决策都会产生直接和间接的财务影响。 了解与构建与购买选项、技术选择、计费模型和许可、培训、运营等相关的成本。

给定一组要求,优化并做出与成本相关的权衡决策,这仍然有效地解决工作负载的跨领域问题。

示例场景

Contoso Manufacturing (CM) 运行定制的仓库管理系统 (WMS) 来处理其位于南美洲的四个仓库,他们决定是时候更新该解决方案并将其迁移到云中。 他们正在考虑对当前解决方案进行直接迁移,或者使用现代云工具进行全新构建。 CM 的高级领导层希望控制成本,并询问工作负载团队的领导者如何以保持成本效率为目标进行迁移。

WMS 解决方案是一个在 IIS 上运行的 .NET 应用程序,并使用 SQL Server 作为其数据库。

衡量工作负载设计的总成本

衡量技术和自动化选择产生的总成本,同时考虑对投资回报 (ROI) 的影响。 设计必须在所有功能和非功能要求的可接受范围内工作。 设计还必须灵活以适应预测的演变。 考虑采购、培训和变革管理的成本。

实施考虑投资回报率的平衡方法可以防止过度设计,过度设计可能会增加成本。

Contoso 的挑战

  • 工作负载工程团队很高兴能够将此工作负载转移到云中,加入其他已经进行云原生开发的 CM 团队。
  • 他们意识到应用程序中的技术债务,并希望通过重写大量应用程序代码并为许多组件迁移到新的云原生解决方案来解决它。
  • 工程团队希望借此机会将系统完全重新设计为微服务,并将其托管在 AKS 上,这对团队来说是一项新的但令人兴奋的技术。

应用方法和结果

  • 虽然工作负载团队明确希望在云迁移过程中进行大规模重构,但他们意识到工作负载需要保持其投资回报率。 保持工作负载的投资回报率可能会让团队转向使用不需要大量新工程团队培训的解决方案,并且他们将无法在迁移过程中对工作负载进行大量重写。
  • 工作负载团队采用务实的方法来设计系统,确保其保持成本效益,并在预期参数内工作,并且不会过度设计。 为了确保维持投资回报率并高效执行迁移,他们认为最好的方法是采用云中的同类解决方案,例如 Azure 应用服务。
  • 在迁移过程中,他们将有选择地解决一些技术债务,使他们能够在平台进入Azure后进一步发展该平台,并将考虑投资回报率作为选择过程的一部分。

完善设计

通过优先考虑可以降低总体成本、不需要额外投资或不会对功能产生重大影响的服务来微调设计。 优先级应考虑带来高投资回报率的业务模式和技术选择。

您将能够探索更便宜的选项,这些选项可能会实现资源灵活性或动态扩展,或者您可能会证明使用现有投资的合理性。 优先级参数可能会考虑关键工作负载、运行时和操作所需的成本,以及可能帮助团队更有效地工作的其他成本。

Contoso 的挑战

  • 现有工作负载托管在超融合 (HCI) 设备上,团队的成本中心将收取计算、网络和存储成本。
  • 该工作负载已在 Windows 虚拟机上部署预生产和生产环境。
  • 具有自托管运行器的 GitHub Actions 用于执行 GitHub Actions 作业。

应用方法和结果

  • 在评估了多个云原生选项后,团队决定将 Web 组件迁移到 Azure 应用服务将提供 Windows IIS 应用程序兼容性,而无需进行重大更改,并且不需要大量培训。
  • 该团队决定继续将 GitHub Actions 与自托管运行器结合使用,但它们将迁移到虚拟机规模集,并且能够在不使用时扩展到零节点。

设计您的架构以支持成本护栏

通过平台解决方案、策略、基础设施和应用程序设计模式或自动化实施成本护栏,以帮助确保您的云环境成本保持在预算范围内。

通过治理策略或内置应用程序设计模式执行可以防止意外或未经批准的收费。

Contoso 的挑战

  • 现有的系统没有成本护栏,而且很少改变,因此没有什么动力去建立这样的护栏。
  • HCI 环境的所有者设置了适用于该工作负载的资源限制,有效地阻止该工作负载消耗过多的计算和存储资源。
  • 该团队担心迁移到云会带来产生意外成本的风险,并且不确定如何最大限度地降低该风险。

应用方法和结果

  • 该团队自行学习 Microsoft 成本管理解决方案。
  • 该团队计划为 Azure 应用服务计划设置规模限制。
  • 该团队计划为某些价格较高的虚拟机 SKU 设置拒绝策略,以禁止部署这些 SKU。
  • 该团队计划实施自动化来帮助控制存储成本。某些数据类型将根据上次访问日期等标准自动从热存储移动到冷存储或归档存储。这种类型的自动化在 HCI 环境中是不可能的。

使用优化设计

最大限度地利用资源和运营。 将它们应用于解决方案协商的功能和非功能需求。
服务和产品提供各种功能和定价等级。 购买一组功能后,请避免未充分利用它们。 寻找最大化您在该层的投资的方法。 同样,根据当前的生产工作负载,不断评估计费模型,找到更适合您的使用情况的计费模型。

示例场景

Contoso 大学目前正在托管一个商业现成 (COTS) 解决方案,允许大学教师创建和更新本学年的课程,并且是学生使用这些课程的主要注册门户。 该解决方案与软件即服务 (SaaS) 教育管理系统进行定制集成,他们希望最终在几年内将所有功能迁移到该系统。 与此同时,他们希望优化定制集成组件的成本。

COTS 产品的技术解决方案通常被视为黑匣子,但其数据库是 Azure Database for MySQL。 自定义集成是一个 Azure 持久功能,它在 Azure 应用服务中的标准服务计划上呈扇形运行。 此应用程序服务以前托管过一个大学网站,但现在情况已不再如此。 这个持久功能是一个由专用 Azure 存储帐户支持的 Python 应用程序,该帐户每晚执行从 MySQL 数据库到 SaaS 的 API 的同步。

在可行的情况下使用基于消费的定价

可能有一些服务提供基于消耗的定价,这意味着您只需为服务的使用付费,并且您可以在不需要时关闭该服务以停止产生费用。 如果您的工作负载组件只是偶尔使用,那么与为组件付费以使其 24/7/365 运行相比,这可以帮助最大限度地减少浪费的成本。

通过使用基于消费的定价,您只需为实际使用的量付费。 当您预计不会full time使用工作负载计算时,此选项是一个不错的选择。

Contoso 的挑战

  • 同步作业通常每晚在特定时间运行大约一个小时。 其历史表现一直令人满意。 故障很少见,并且在当前配置中可以很好地处理瞬态故障。
  • 由于同步作业所需的计算每天仅使用大约一小时,而且无论使用情况如何,他们都会按 24 小时付费,因此工作负载团队对当前设计的替代方案很感兴趣。
  • 该团队曾考虑编写一个脚本,每天晚上在同步运行后关闭服务,并在第二天重新部署它,但这种解决方案会带来很高的风险和复杂性。

应用方法和结果

  • 团队分析了作业历史记录,发现该函数运行的最长时间不到两个小时。 他们将专用计划的成本与最坏情况下的 Azure Functions 消耗计划的成本进行比较,并得出结论认为消耗计划会更便宜。
  • 团队进行了性能测试以确保性能足够,他们注意到运行时间略有增加,但仍在可接受的范围内。
  • 通过使用消耗计划可以降低工作负载的总体成本,因为它们仅在作业执行时产生成本。

优化您的高可用性设计

如果您已支付资源费用,则作为恢复计划的一部分,优先部署主动-主动或仅主动模型,而不是主动-被动模型。

如果您的设计默认使用主动-被动模型,则您可能拥有本来可以使用的闲置资源。 转换为主动-主动可能使您能够满足负载均衡和规模爆发要求,而不会超支。 如果您可以使用仅主动模型来满足恢复目标,则可以完全消除这些资源的成本。

Contoso 的挑战

  • COTS 应用程序使用配置为同区域高可用性的 Azure Database for MySQL 灵活服务器,它在与主服务器相同的可用区域中提供备用服务器。 他们还启用了自动备份。
  • 该工作负载的 RPO 相对较长,为 12 小时,而 RTO 在上课期间为 3 小时。
  • 根据之前的恢复测试,团队知道他们可以通过自动故障转移到备用服务器来满足 RPO 和 RTO 目标。 他们还测试了从备份恢复数据库,并且可以满足此场景中的目标。

应用方法和结果

  • 工作负载团队重新评估高可用性设计的优势与两倍于单个实例的服务成本。
  • 该团队测试了构建新实例并从备份恢复数据库,他们对仍符合恢复目标感到满意,因此决定消除备用实例。
  • 团队更新了灾难恢复计划以反映新的恢复策略,并通过新配置实现成本节约。

保持您的云环境中没有未使用的资源和数据

定期严格审查未使用的资源和数据的部署并停用它们。 随着时间的推移,过去出于某种目的所需但不再使用的资源和数据可能会残留在您的云环境中,并产生不必要的成本。 请保持环境清洁,以帮助优化成本效率。

关闭未使用的资源并在不再需要时删除数据可以减少浪费并释放资金,以便您可以将它们投资到其他地方。

Contoso 的挑战

  • 该大学历来对退役解决方案采取保守方法,担心它们可能需要恢复到之前的配置。 这种谨慎态度导致放弃在一个或多个环境中运行数月的服务,在某些情况下这些服务已经被遗忘。
  • 当发现废弃服务时,通常是偶然的,因为没有正式的流程来审查此类服务的环境。

应用方法和结果

  • 该团队将应用服务的停用添加到待办事项中,作为从应用服务迁移到耐用功能的消费托管的一部分。 作为下一个冲刺的一部分,他们将关闭所有环境中的应用服务部署。
  • 为了帮助主动检测废弃的资源,团队在 Azure Advisor 中设置警报以通知他们未使用的资源。
  • 团队实施了一项新政策,要求团队每月对预生产环境进行全面审查,每季度对生产环境进行全面审查,以识别废弃的资源。 找到的任何废弃资源都将添加到积压工作中以进行退役。

速率优化设计

无需重新设计、重新协商或牺牲功能或非功能需求即可提高效率。
利用机会优化现有资源和运营的效用和成本。 如果不这样做,您就会不必要地花钱,而不会增加任何投资回报率。

示例场景

Contoso 的商业智能 (BI) 团队为各个业务部门托管一套 GraphQL API,以便在不授予直接数据库访问权限的情况下访问整个组织的数据存储。 他们多年来一直在构建这些 API,并发现版本控制很重要,因此他们现在通过单个消费层 API 管理网关上的版本化端点公开其 API。

API 管理实例背后是三个 AKS 集群,它们托管公开的 API。 其中一个运行 Windows 节点池,用于使用 .NET 4.5 编写的 API,一个 Linux 集群,用于使用 Java Spring 编写的 API,还有一个是从运行 dotnet core API 的先前团队继承的 Linux。 这些集群现在全部归 BI 团队所有,并且仅用于这些 API。 虽然管理三个集群并不理想,但它们一直在按预期工作,因此不会受到影响。

作为企业的成本中心,BI 团队正在寻找优化其费率的方法,以降低运营成本。

在可行的情况下整合基础设施

与其他资源、工作负载甚至团队共置使用。优先选择能够更轻松地实现更高密度的服务。考虑潜在的权衡,尤其是在安全边界方面。

整合您的基础设施将帮助您优化云成本。随着密度的增加,运行工作负载所需的资源量会减少。 这种降低降低了单位成本和管理成本。

Contoso 的挑战

  • 工作负载团队根据 Microsoft 基准架构指南设计了 AKS 基础架构,该指南建议每个集群至少运行三个节点。 这种配置使团队能够支持三个集群中的九个系统节点。
  • 该团队每月对集群应用三次补丁和更新。

应用方法和结果

  • 经过测试,团队决定可以将所有 API 组合到具有三个用户节点池的单个集群中,同时实现与原始集群相同的性能和操作系统特征。
  • 将 API 整合到一个集群后,系统节点池整合到四个节点,从而节省了五个虚拟机的成本。
  • 该团队现在还可以简化集群上的修补和升级流程,因为他们只需管理一个集群。
  • 他们的下一个成本节约目标是评估将两个 Linux 节点池合并为一个,以进一步减少运营开销。

利用预订和其他基础设施折扣

通过承诺和预购买进行优化,以利用针对预计不会随时间变化且成本和利用率可预测的资源类型提供的折扣。此外,与您的许可团队合作影响未来的购买协议计划和续订。

Microsoft 为特定资源和资源类别的可预测和长期承诺提供折扣费率。 资源在使用期间的成本较低,并且可以在使用期间摊销。

通过让您的许可团队了解当前和预测的资源投资,您可以在您的组织签署协议时帮助他们调整承诺规模。 在某些情况下,这些预测和承诺可能会影响您组织的价格表,这有利于您的工作负载成本以及使用相同技术的其他团队。

Contoso 的挑战

  • 现在,该团队已经整合到一个集群上,消除了他们之前承担的一些多余的计算和操作负担,他们有兴趣寻找其他措施来降低集群的成本。
  • 由于 BI 团队对 AKS 平台感到满意,他们计划在可预见的未来继续使用它,甚至可能会增加其使用量。

应用方法和结果

  • 由于 AKS 构建在虚拟机规模集之上,因此团队研究了 Azure 预留。 他们知道用户节点所需的预期 SKU 和规模单位。
  • 他们购买三年期预留,涵盖系统节点池和每个用户节点池的最小节点实例数。
  • 通过这次购买,团队知道他们在满足计算需求的同时允许工作负载随着时间的推移而增长。

可行时使用固定价格计费

当资源的利用率较高且可预测并且有类似的 SKU 或计费选项可用时,请切换到固定价格计费,而不是基于消耗的资源计费。

当利用率较高且可预测时,固定价格模型通常成本较低,并且通常支持更多功能。使用它可以提高您的投资回报率。

Contoso 的挑战

  • 目前,API 管理实例均部署为消费层 SKU。在评估 API 的使用模式后,他们了解到这些 API 在全球范围内使用,有时甚至使用量很大。 团队决定分析当前计费模型和固定价格模型之间的成本差异。

应用方法和结果

  • 执行成本分析后,团队发现,考虑到当前的使用模式,从Consumption迁移到Standard tier的总体成本会稍微便宜一些。 随着明年服务的增长,成本差异可能会变得更加明显。 尽管固定定价模型不能反映请求的弹性特征,但有时预购计费模型是正确的选择。
  • 作为额外的好处,使用Standard tier允许使用Private Endpoint进行入站连接,团队一直渴望为工作负载实现这一点。
  • 在这种情况下,切换 SKU 对于使用目的和通过私有端点实施可能实现的额外网络分段的额外好处都是有意义的。

随着时间的推移进行监控和优化

随着您的工作负载随着生态系统的发展而不断调整投资规模。

昨天重要的事情今天可能不重要。 当您通过生产工作负载评估进行学习时,预计架构、业务需求、流程甚至团队结构都会发生变化。 您的软件开发生命周期 (SDLC) 实践可能需要发展。 外部因素也可能会发生变化,例如云平台、其资源和您的协议。

您应该仔细评估所有变更对成本的影响。 定期监控变化和投资回报率趋势,并评估是否需要调整功能和非功能需求。

示例场景

Contoso Air 为航空公司提供行李跟踪解决方案。 该工作负载托管在 Azure 中,在 AKS 上运行,数据库为 Cosmos DB,并使用Event Hubs进行消息传递。 工作负载部署在美西和美东地区。

持续评估和优化您的环境和支持成本

通过使用成本跟踪系统,持续评估和优化资源、数据和付费支持的成本。 是否存在可以退役、替换、重建或重构的未充分利用的资源?

您可以通过避免为未充分利用的资源付费来降低成本。 了解定价指标可以帮助您做出更符合您的成本模型的决策。 它还可以防止不必要的计费。调整大小或删除未充分利用的资源,甚至更改 SKU,都可以降低成本。

您还可以通过评估与技术供应商的支持合同的使用情况并调整其规模来节省一些成本。

Contoso 的挑战

  • 工作负载团队的预算始终低于预算,因此成本效率的优化并不是优先考虑的事项。
  • 他们计划明年提高工作负载的可靠性,并且知道这样做会增加他们的 Azure 成本,可能会使工作负载超出预算。 他们正在考虑要求增加明年的预算。

应用方法和结果

  • 该团队决定,在要求更多资金之前,他们将评估当前的 Azure 和支持成本,以寻找潜在的节省机会。 他们调查现有成本跟踪系统中按资源、按资源组和按标签的成本细分,并注意到一些预期外的支出。
  • 该团队发现,他们的环境中运行着一些虚拟机,这些虚拟机用于已弃用的构建系统,并且不再需要,Azure 存储中有大量旧数据可以移动到更便宜的层,并且他们正在付费与云提供商签订支持合同,其中包括他们未使用的咨询时间。
  • 该团队通过删除未使用的虚拟机并将旧数据移至存档存储来优化 Azure 成本。 他们开始与云提供商更密切地合作,以充分利用他们的咨询服务。
  • 该团队在backlog中添加了一项重复任务,以评估未来的工作负载成本。

不断审查和完善您的工作量

根据 ROI 数据不断调整架构设计决策、资源、代码和工作流程。

定期审查指标、性能数据、计费报告和功能使用情况可能会导致微调,从而降低成本。

Contoso 的挑战

  • 由于该团队历来一直保持在预算范围内,因此他们没有考虑现有功能的替代方法。 相反,他们的大部分规划都集中在构建新功能上。
  • 通过初步评估发现浪费后,他们决定查看当前组件的其余部分以寻找优化机会。

应用方法和结果

  • 团队发现他们分配的资源多于低优先级流所需的资源,并且可以安全地缩减分配的吞吐量,同时保持其性能要求。 具体来说,他们可以摆脱过度配置来处理峰值负载,而是实施基于队列的负载均衡系统。
  • 他们还发现,他们的计算平台上选定的 SKU 中添加了一项新功能,取代了一些身份验证代码。 使用此功能将意味着需要维护和测试的代码更少。

优化您的部署环境

对不同的SDLC环境进行区别对待,并部署适当数量的环境。生产环境应该是您的主要成本驱动因素。

您可以通过了解并非所有环境都需要模拟生产来节省资金。 非生产环境可以具有不同的功能、SKU、实例计数,甚至日志记录。

您还可以通过按需创建预生产环境并在不再需要时将其删除来节省成本。

Contoso 的挑战

  • 工作负载团队在预生产环境上的花费比在生产环境上的花费更多。 虽然这对于某些场景可能很重要,但对于这种工作负载来说似乎太过分了。
  • 预生产环境的构建与生产环境非常匹配。 工作负载团队希望在较低环境中拥有与生产环境非常接近的近似值,因为这使他们高度确信生产中的行为将与较低环境相匹配。

应用方法和结果

  • 经过仔细评估后,团队决定他们可以接受一些额外风险的权衡,以实现因环境之间存在一定差异而带来的成本节省。
  • 该团队决定将一些测试环境并置到同一基础设施中,并在一夜之间关闭未使用的环境。
  • 该团队还找到了向左移动的机会,并在本地开发人员工作站上进行内循环开发和测试。
  • 通过寻找在预生产环境和开发实践中做出小的妥协的方法,他们释放了预算,并将其充分用于自动化工作。

总结

在本模块中,你了解了 Azure 架构完善框架的成本优化支柱的五个关键原则。

成本优化的工作负载不一定是低成本工作负载。 存在重大权衡。 战术方法是被动的,只能在短期内降低成本。 为了实现长期的财务责任,您需要制定一个具有优先级、持续监控和可重复流程的战略,重点关注优化。

当您确定业务需求的优先级以与技术需求保持一致时,您可以调整成本。 但是,您应该预期在想要优化成本的领域需要进行一系列权衡,例如安全性、可扩展性、弹性和可操作性。 如果解决这些领域的挑战的成本很高,并且没有正确应用这些原则,您可能会做出冒险的选择,转而选择更便宜的解决方案,最终影响组织的业务目标和声誉。

Azure学术用户数据流出费用豁免详解:申请、配置与成本优化 在云计算架构中,数据传输成本是运营支出的重要组成部分,尤其涉及数据从云端流出到公共互联网时产生的费用。其计费原理通常基于数据流量和传输方向,是云成本管理的关键环节。这项成本控制对于预算敏感、数据密集型场景具有显著的技术价值,能直接影响资源规划和技术选型。在学术研究、教育开发等非商业场景中,数据下载和跨平台同步是高频需求。针对这一痛点,云服务商提供了定向的财务优惠政策。例如,Azure面向符合条件的学术用户推出了数据流出费用豁免,这直接关联到【成本优化】和【数据传输】两个核心实践。通过理解政策条款、正确配置订 阅读详情

相关推荐

2026年AI中转站选型指南:构建生产级API神经中枢

AI中转站已从简单代理演进为支撑高可用AI服务的核心基础设施,其本质是面向大模型调用的协议适配层、流量调度器与语义级容错枢纽。它需解决多模型API协议不一致、错误码语义丢失、成本不可控及合规审计缺失等系统性问题。技术原理上,依赖双向协议语义翻译、模型粒度熔断、实时成本归一化与全链路水印追踪四大能力;工程价值在于保障SLA、降低TCO、满足HIPAA/GDPR等强监管要求。典型应用场景覆盖金融风控、医疗问诊、政务AI等对稳定性与合规性双敏感领域。本文聚焦2026年真实生产环境验证的硬指标与落地方法论,直击‘u

diaocuiguo2493的博客 424

优化 Azure 成本,实现财务目标

点击上方蓝字关注“汪宇杰博客”原文:Omar Khan General Manager, Microsoft Azure翻译:汪宇杰导语我们的许多客户都面临着如何满足关键 IT 项目的资...

dotNET跨平台 638

Token 成本失控?从限额机制到批量调用的降本实践

Token 是 LLM 处理文本的最小计费单元,也是企业 AI 应用中最容易被忽视的成本变量。一次看似简单的 API 调用,往往包含输入、输出、缓存与重试等多笔费用,而多轮对话、Agent 循环和长文档任务会让 Token 消耗呈现指数级增长。理解成本构成是优化的前提,企业需要通过预算层、配额层和行为层建立三级限额机制,个人则要善用 usage 日志、成本仪表盘和告警来监控消耗。降低 Token 成本的工程手段包括提示词精简、上下文压缩、缓存策略和模型路由,其中批量任务应先小样本估算再分片执行,并设置预算上

weixin_30781107的博客 433

独家披露:头部科技公司如何实现Azure量子成本零浪费(限时解密)

揭秘头部企业如何实现MCP Azure量子的成本控制,杜绝资源浪费。通过智能调度、用量监控与预留实例优化,适用于大规模量子计算场景,显著降低运营开支。方法实操性强,成本透明可控,值得收藏,点击了解详情。

InstrGap的博客 857

【信息科学与工程学】【数据中心】第三十五篇 云计算数据中心的学科知识04

编号学科(课程)核心知识点在云计算/云存储/云网络/云安全/云MaaS中的作用代表教材/资料/论文 + 数学方程式列表工业界应用D1421​云原生数据库:TiDB​HTAP(混合事务/分析处理)、分布式SQL、水平扩展、强一致(Raft)、自动故障恢复、与MySQL兼容、TiFlash列式引擎提供弹性扩展的分布式数据库;支撑高并发在线交易与实时分析教材:《TiDB in Action》PingCAP(2020) 论文:《TiDB: A Raft-based HTAP Database》(2017)

weixin_49199313的博客 417

深入浅出:CosineLRScheduler 调度器的原理与实战应用

本文深入解析了CosineLRScheduler调度器的核心原理与实战应用,详细介绍了余弦退火算法及其在深度学习模型训练中的优势。通过参数配置建议、PyTorch实现示例和常见问题解决方案,帮助开发者高效应用该调度器提升模型性能,特别适用于计算机视觉和自然语言处理任务。

sss66的博客 859

微软AI收入核心驱动力:Azure OpenAI服务架构、收入模型与开发者实践

生成式AI与大型语言模型(LLM)正重塑技术生态,其核心在于通过预训练模型理解并生成人类语言。其原理基于Transformer架构的海量参数学习,技术价值体现在自动化内容创作、代码生成与智能对话等场景。企业级应用需关注数据安全、合规与成本控制,这自然引出了云服务商如何集成顶尖模型能力。以微软Azure OpenAI Service为例,它通过深度集成GPT系列模型,提供企业级管控、私有网络与统一计费,成为AI商业化的重要平台。开发者可通过其API快速构建应用,但需注意供应商锁定与成本优化,例如使用抽象层设计

weixin_30940783的博客 334

2025年(第十一届)全国大学生统计建模大赛论文及选题分析

基于数据驱动决策:整个研究围绕给定的洪水灾害相关数据进行深入挖掘和分析,从数据清洗、特征分析、模型建立到最终预测,每一步都以数据为基础,通过对数据的有效利用来揭示洪水灾害发生的相关规律和特征,为洪水灾害的风险评估和预测提供依据,符合数据引领未来决策的理念。实际应用导向:洪水灾害是现实中严重影响人类生命财产安全和社会经济发展的重要问题,本研究旨在实现对洪水灾害的预测,其成果可直接应用于防洪减灾工作,如洪水预警、风险评估与区划等,对实际防灾减灾工作具有重要的指导意义,体现了以数据为支撑服务实际应用的特点。

qq_52590045的博客 1万+

成本飙升预警,Azure量子项目如何在7天内实现预算可控?

掌握MCP Azure量子的成本控制秘诀,7天内扭转预算失控困局。适用于企业级量子计算项目,通过资源优化、用量监控与自动化策略降低开销。显著提升成本透明度与管理效率,实现高效可持续的云上量子研发,值得收藏。

BytePulse的博客 760

深入解析LCD DRM驱动框架中的KMS与GEM机制

本文深入解析了Linux内核中DRM(Direct Rendering Manager)驱动框架的核心机制,重点剖析了KMS(内核模式设置)与GEM(图形执行管理器)的工作原理。KMS作为显示系统的总指挥,负责原子化地控制CRTC、Encoder、Plane等硬件资源,确保画面同步更新,避免撕裂;GEM则作为显存大管家,通过DUMB和PRIME机制高效管理图形缓冲区的分配、共享与同步。文章结合RK3568平台实战,阐述了如何利用这些机制优化显示性能,并提供了调试技巧与常见问题解决方案。

weixin_29188997的博客 388

【农业生产系统模型】基于R语言APSIM模型进阶应用与参数优化、批量模拟实践技术

APSIM模型有Classic和Next Generation两个系列模型,能模拟几十种农作物、牧草和树木的土壤-植物-大气过程,被广泛应用于精细农业、水肥管理、气候变化、粮食安全、土壤碳周转、环境影响、农业可持续性、农业生态等诸多与农业生产和科研有关的领域。R语言是一门应用场景广泛、简单易学的程序语言,APSIM模型开发了许多R语言辅助包,在APSIM模型的气候、土壤、管理措施等数据准备,自动化模拟,参数优化和结果分析上都发挥着重要的作用。案例一:APSIM模型输入参数和土壤文件的制备。

2303_79243743的博客 1048

AI编程工具成本失控?从微软案例看企业如何平衡效率与成本

在软件工程领域,API调用和按量计费已成为云原生与AI服务的主流模式。其原理是基于资源消耗(如Token数或请求次数)进行实时计费,这赋予了服务极高的弹性与灵活性。该模式的技术价值在于实现了资源的精细化管理和按需付费,能极大优化资源利用率。然而,当这种模式应用于AI编程助手(如代码生成、Bug修复)等高频交互场景时,隐蔽的成本累积问题便凸显出来。工程师在享受**代码生成**与**上下文感知**带来的效率飙升时,往往对背后高频、小额的API消耗无感,极易导致团队月度成本超出预算,形成“效率可见,成本隐形”的管

weixin_30328063的博客 313

验证方法、符合性方法与设计保证的关系

未来,随着适航标准和工程实践的不断演进,验证与符合性方法将持续优化,以应对日益复杂的系统设计需求。设计保证过程中的验证活动具有双重作用,既用于设计过程的质量控制和风险管理,又作为适航符合性方法的重要支持材料。在未来的航空电子系统开发中,进一步优化设计保证与验证活动的协同作用,将有助于应对日益复杂的工程挑战,推动航空安全技术的发展。为了全面理解这二者之间的关系,本章将系统说明设计保证过程中的验证活动如何既服务于设计保证,又作为符合性方法中的核心证明材料。最终,通过功能测试和环境测试验证硬件的实际性能。

qq_41854911的博客 554

从成本陷阱到合规利器:Azure AZ-900认证中的购买与许可策略全景指南

当企业在Azure云平台上的月度账单突然激增300%,当合规审计发现许可协议与实际使用场景严重不符,当团队在免费试用到期后陷入服务中断的恐慌——这些真实发生的案例背后,都指向同一个被忽视的核心问题:**缺乏对Azure购买与许可体系的系统化认知**。作为Azure基础认证(AZ-900)的核心考点,购买与许可选项绝非简单的"付费方式选择",而是决定云资源成本、合规性与扩展性的战略基础。本文将通过1...

gitblog_01182的博客 441

ASPICE标准快速掌握「2.1. 过程能力概览」

一个项目的质量流程是否做的好最终会需要由一个指标来确定,ASPICE将其称为过程能力(Process capability),过程能力是一个综合的判定概念。而为了实现这个概念,ASPICE建立了一套完整的过程评估模型(Process Assessment Model),通过这套评估模型最终就能得出过程能力的最终得分。项目组根据这个得分不断改进和优化得分不足的方面,从而约束整个流程的各个方面来间接提升项目的最终质量。这里有三个关键术语:其中最主要的就是PAM,即过程评估模型,由ASPICE给出,该模型可以看成

雪云飞星的博客 1185

财务惊呼“不可能”!Python 自动识别 PDF 发票,数据秒级录入系统

电子发票(原生 PDF):这种最爽,文字是可以选中的。我们用 PyPDF2 直接提取文本,速度快,准确率 100%。 纸质扫描/拍照发票:这种是图片。必须上 OCR(光学字符识别)。我们要用百度开源的 PaddleOCR,这是目前中文识别效果最好的开源库之一,吊打早已过气的 Tesseract。

BUG猿的博客 1026

微软技术日报 11-09:.NET 8 与 9 明日同时停止支持,注册表编辑器出了 WinUI 3 版

今天这四条消息的共同点是收口。.NET 8 和 9 的支持期到点,注册表编辑器的新界面只放在仓库里给人看,GitHub 把一类危险触发器按住默认,微软在安全报告里把防线从地址黑名单挪到行为。收口并不等于关门。.NET 10 还在支持期里,被按住的触发器可以用策略按文件放回来,实验室里的样例随时可能变成产品。区别在于这些动作要有人签字,不再是默认开着。如果今天只做一件事,去看一眼构建机上的 .NET 版本。明天之后,8 和 9 的漏洞补丁不会再来了。

海盗Sharp的博客 404

组合预测 | Python实现LSTM-XGBoost长短期记忆网络组合极限梯度提升树股票价格预测

组合预测 | Python实现LSTM-XGBoost长短期记忆网络和极限梯度提升树股票价格预测

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 2353

AI驱动数据处理的安全边界:行业现状、风险权衡与本地化实践路径

本文基于第三方数据,分析AI用于数据处理的安全议题。大模型应用加速普及,但伴随数据出境、影子AI、幻觉与成本失控等风险。行业共识指向“脚本复用”路径:将分析逻辑本地化固化,实现数据可控、结果可复现、成本可降。产品如数以轻舟提供本地处理、多模型接入与一次付费永久使用方案。建议企业从数据落点、可控性、可复现性与合规性四维度评估选型,推动AI在安全边界内释放价值。

数据矿工-数据化运营博客 337

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

微软技术周报 11-02~11-09:VS Code 混装 Claude 与 Codex、EF Core 11 静默改行为、.NET 11 倒计时

11 月 6 日,Power Platform 通过消息中心通知管理员,Copilot Studio、Power Automate 和 Power Apps 里所有跑在 Anthropic Claude、xAI Grok 以及旧版 GPT 上的 prompt,12 月 2 日自动迁移到 GPT-6 系列,档位价格不变,模型选择收窄到一条产品线。效果是这样的:让 Claude 评审一个 Copilot chat 写出的方案,或者把同样的任务交给 Codex,两边并排跑在同一个会话里。更要紧的是下周的时间线。

海盗Sharp的博客 1050

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

MAI-Cyber-1 深度解析:微软首个网络安全专用模型

微软没有去做"更大的安全大模型",而是用一颗 137B 总参、仅 5B 激活的稀疏 MoE 专用模型,配上 90/10 的"小模型铺量、大模型兜底"路由,在 CyberGym 基准上拿到 95.95% 的同时把成本砍掉一半——这标志着 AI 安全从"通用模型加提示词"进入了"专用模型加系统工程"的时代。

Simple_Pure的博客 341

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

微软技术日报 2026-11-14:Aion Instruct 接替 Phi Silica、1% 投毒与 SCKit 蠕虫

微软在 11 月 13 日公布了 Windows 本地语言模型的换代计划,Phi Silica 交棒给 Aion Instruct。同一周里,微软安全团队连发两项研究,证明训练环节掺进极少量数据就能让编码智能体执行攻击者的命令;微软威胁情报则拆解了一个借 ScreenConnect 反向打技术员的蠕虫工具包。Azure 这边,ARM 的 MCP 服务器从只读扩到了可写。下面按技术线逐条展开。

海盗Sharp的博客 331

微软输入法标点乱跳解决方案

微软拼音输入法常因“中文输入时使用英文标点”开关被意外开启,导致标点自动切换为英文且快捷键失效。本文提供一键批处理脚本,通过修改注册表(HKCU\Software\Microsoft\InputMethod\Settings\CHS)强制锁定中文标点,覆盖多个相关键值,确保设置持久生效。相比手动操作,该方案可抵御更新、同步等导致的配置重置,提升稳定性。执行后需重启输入法或系统以使更改生效,建议提前备份注册表。

谙弆悕博士的技术博客! 383

微软2026年11月补丁星期二解析:1094个 CVE、Outlook 零日 CVE-2026-124194 与修复优先级

微软11月补丁星期二修复1094个 CVE,唯一在野利用的 Outlook 零日 CVE-2026-124194 只评为“中等”,修复随 Office 更新下发、不在 Windows 累积更新里。本文整理漏洞分布、严重级漏洞分类处置与三档修复优先级。

SplashtopLoki的博客 289

【第 008 讲】在终端中运行 Python 程序:交互模式与脚本模式 | 绝对路径与相对路径 | 以模块方式运行 | 常见报错的识别与排查

本文系统讲解在终端中运行 Python 程序的方式:从交互模式与脚本模式讲起,梳理绝对路径与相对路径的运行写法及 cd、dir 等命令的用法;进而讲解以模块方式运行的特点与字节码缓存的产生;最后通过路径、拼写、标点三类典型报错,帮助读者掌握读懂报错、定位并修复错误的排查思路。

大模型全栈工程师 · Thanks_ks 927

情感交互机器人融资,四川具身科技的「爱湫」登场

当前人形机器人的主流战场是工业、仓储、巡检这些「干活」的场景,而「爱湫」把重心放在了「陪伴」上——通过面部投影和情绪识别,让机器人和人之间多一层情感层面的交互。情感交互机器人的市场,其实一直存在,只是过去被「能干活」的主流叙事盖住了。它主推的产品「爱湫」,是一款主打情感交互的人形机器人,搭载 3D 投影面部技术,情感交互机器人的逻辑,是面向养老陪伴、文旅服务、展厅导览这类「不要求重体力、但要求互动感」的场景。真正的考验不在发布会,而在它能不能在真实的养老和陪伴场景里,被用户用起来、留下来。

jushenAGI的博客 307
上一篇: [RFC5996 翻译二] IKEv2 互联网密钥交换协议版本2
下一篇: 使用 Microsoft Azure 架构完善的框架构建出色的解决方案
羊羊洒洒_Blog
博客等级 码龄7年 175粉丝 47原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值