Well-ArchitectedComunidade
Nível de dificuldade: Intermediário (3 de 5)
EKS: os 7 ajustes que explicam 80% da economia em auditorias de custo
Um guia publicado no DEV Community pelo perfil Unified Techs resume o que se repete em praticamente toda auditoria de custo de cluster EKS: um punhado de ajustes explica 80% da economia possível, e nenhum deles é complicado tecnicamente. O que atrasa a aplicação é coordenação entre quem escreve a aplicação, quem opera a plataforma e quem paga a fatura.
Para quem desenha e opera ambientes AWS, a lista funciona como checklist de auditoria: cada item tem um trade-off que precisa ser decidido antes de mexer em produção, não depois de um incidente. Veja as sete alavancas, na ordem em que fazem mais sentido aplicar.
1. Dimensione requests, não limits
O scheduler do Kubernetes reserva capacidade com base em resources.requests, não em resources.limits. Times costumam copiar valores de outro serviço que já estava errado, o que infla a reserva de CPU e memória do cluster inteiro sem relação com o uso real.
O ajuste correto puxa uso real do Prometheus numa janela representativa de duas semanas e redimensiona para o p95 mais uma margem de segurança, algo como:
quantile_over_time(0.95, container_memory_working_set_bytes{namespace="checkout"}[14d])Esse único ajuste costuma recuperar 20% a 30% da capacidade do cluster, segundo o guia. O risco do outro lado é margem curta demais: aperte o p95 sem gordura e o workload toma OOMKilled no primeiro pico sazonal. Vale rodar em canário antes de aplicar no cluster inteiro.
2. Troque o Cluster Autoscaler por Karpenter
O Cluster Autoscaler escala node groups de tipos fixos de instância. O Karpenter escolhe o tipo de instância por pod pendente, o que resulta em bin packing mais denso, scale-out mais rápido e acesso a um cardápio bem maior de formatos de instância.
Um NodePool básico fica assim:
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
name: default
spec:
template:
spec:
requirements:
- key: karpenter.sh/capacity-type
operator: In
values: ["on-demand"]
disruption:
consolidationPolicy: WhenEmptyOrUnderutilizedO guia cita 15% a 25% de economia adicional sobre o right-sizing. Para quem opera em sa-east-1, vale checar o cardápio de tipos de instância e a profundidade do mercado Spot disponíveis na região antes de prometer o mesmo número ao time de finanças, já que a faixa citada pela fonte não foi medida especificamente para a região. Migrar exige remover as anotações do Cluster Autoscaler, recriar node groups geridos pelo Karpenter e configurar a role via Pod Identity ou IRSA.
3. Mova workloads stateless para Spot
Com Karpenter em produção, habilitar Spot é questão de configuração: um NodePool com Spot como primeira opção, On-Demand como fallback, e um PodDisruptionBudget por workload.
spec:
template:
spec:
requirements:
- key: karpenter.sh/capacity-type
operator: In
values: ["spot", "on-demand"]O desconto de Spot fica entre 60% e 90% sobre On-Demand. A maioria dos serviços stateless tolera interrupção de dois minutos sem quebrar SLO, mas isso só é verdade se o pod trata SIGTERM corretamente e tem terminationGracePeriodSeconds calibrado. Workload com estado em disco local, job longo sem checkpoint ou serviço sensível a cold start não entra nessa alavanca sem mudança de arquitetura antes.
4. Savings Plans sobre a linha de base
Depois que o Spot está rodando, meça o baseline de On-Demand ao longo de 30 dias e compre um Compute Savings Plan cobrindo 60% a 80% dele, deixando margem para a oscilação natural do Spot. É a alavanca menos interessante de implementar e a que mais some da fatura todo mês.
Comprar antes de terminar o right-sizing é o erro mais comum: a linha de base medida cedo demais trava um compromisso maior do que o necessário.
5. Corte o overhead da plataforma
Em resumo: a maioria dos clusters carrega DaemonSets redundantes que ninguém revisita. Dois coletores de log fazendo o mesmo trabalho, três agentes de monitoramento, um service mesh abandonado com sidecar em todo pod. Como DaemonSet roda em todo nó, o custo se multiplica pelo tamanho do cluster, não pelo tráfego real.
Um kubectl get daemonset -A seguido de kubectl top pods -n kube-system --sort-by=memory já expõe boa parte do problema. Vale comparar a lista com o que realmente está sendo consumido em dashboards: ferramenta sem dashboard ativo é candidata a remoção.
6. EBS e transferência de dados
Três ajustes de baixo risco e alto retorno:
- Trocar volumes
gp2porgp3: mesmo desempenho padrão, preço por GB menor e IOPS/throughput configuráveis de forma independente - Apagar volumes
EBSnão anexados, que o guia descreve como presença constante em qualquer auditoria - Rotear tráfego entre zonas de disponibilidade com topology-aware routing, usando
topology.kubernetes.io/zonenos Services
O item escondido é o NAT Gateway: tráfego saindo do cluster para serviços como ECR ou S3 passa por ele e cobra por GB processado, uma linha que raramente alguém investiga até a auditoria. Trocar essa rota por VPC Endpoints de Gateway (S3) e Interface (ECR) remove o NAT da equação para esse tráfego específico.
7. Transforme custo em métrica de serviço
A última alavanca é organizacional: taguear todo workload por time, expor custo mensal por serviço no mesmo dashboard de latência e taxa de erro, e revisar isso na mesma reunião operacional onde se discute confiabilidade. O guia é direto sobre o motivo: regressão de custo só é corrigida quando tratada como regressão de confiabilidade, e não antes.
Na prática isso depende de tags de alocação de custo ativas na conta e de um relatório tipo Cost and Usage Report cruzado com as labels do Kubernetes. Sem essa ponte, custo-por-serviço vira planilha manual que ninguém atualiza depois da segunda semana.
Onde isso cruza com o Well-Architected
As sete alavancas mapeiam quase linha a linha para os princípios do pilar de Cost Optimization do Well-Architected Framework: adotar modelo de consumo variável (Spot, Savings Plans), medir eficiência geral (right-sizing, bin packing do Karpenter) e parar de pagar por trabalho não diferenciado (overhead de plataforma, NAT Gateway). A ordem sugerida pelo guia, começar pelo dimensionamento antes de comprar compromisso de longo prazo, é a mesma lógica que evita comprar Savings Plan em cima de um baseline inflado por requests mal calculados.
O ponto cego para quem opera no Brasil é a região: as faixas percentuais citadas aqui vêm de um guia que não especifica região nenhuma. Em sa-east-1, vale medir o cardápio de instâncias e a profundidade do mercado Spot disponíveis antes de prometer o mesmo número ao time de finanças.
Fonte: DEV Community — #aws
Serviços neste textoWell-Architected
Leve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "EKS: os 7 ajustes que explicam 80% da economia em auditorias de custo" (https://awshub.com.br/comunidade/eks-os-7-ajustes-que-explicam-80-da-economia-em-auditorias-de-custo). Resumo: Um guia prático reúne as sete alavancas que mais aparecem em auditorias de custo de clusters EKS, do dimensionamento de requests ao Spot com Karpenter. Nenhuma é sofisticada: todas esbarram em coordenação entre times de aplicação, plataforma e finanças. Serviços: Well-Architected Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?