概述与动因

在数据中心里,支出由采购订单决定,以几个大的台阶出现。在云中,开发人员用几行配置就能让组织承担一项经常性费用,而被遗忘的测试环境可以连续数月花钱。云计算(cloud computing)提供对计算资源的按需访问,随之而来的按用量付费(pay-as-you-go)模式意味着账单跟随使用。这既强大又有风险。让团队能在几分钟内扩展的同一种灵活性,也让成本的增长快于任何人的察觉。

FinOps 是财务与运营的缩写,是管理云成本的一种实践和文化。FinOps 基金会把它描述为一个运营框架,工程、财务、采购和业务团队在其中就数据驱动的支出决策展开协作。其核心理念是,使用云资源的人应当看到并拥有其成本,而财务提供结构、预测和承诺。这契合敏捷关于干系人之间持续协作、以及团队拥有自己服务的目标,也契合 ITIL 对服务财务管理的关注。本主题涵盖使这一实践具体化的测量值。它建立在前一个主题中的一般成本核算理念之上(见主题 7.5,服务成本与单位经济)。

云成本有一些需要自己测量值的特点。

  • 弹性。 自动伸缩(autoscaling)按需求调整资源,这使成本可变,有时令人意外。无服务器计算(serverless computing)按每次执行收费,并把注意力从服务器转向请求。
  • 许多小决定。 实例大小、存储层级、区域和架构的每一个选择,都会改变成本。支出分布在许多人作出的数百个决定中,没有标签和良好的报告就很难看到。
  • 定价模型。 按需价格灵活,也最高。以承诺换取批量折扣(volume discount),比如预留容量或节省计划,以使用的承诺换取更低的单价。竞价或可抢占的容量便宜,但可能被收回。每种模型都有风险,而正确的组合取决于工作负载的可预测程度。具体条款因提供商而异,且经常变化,所以在依赖任何细节之前,先查阅提供商当前的文档。
  • 共享和未打标签的成本。 没有负责人或用途标签的资源无法被归属。共享平台把成本分摊给以不同方式消耗它的团队。
  • 环境成本。 云工作负载消耗能源并造成排放,工作负载的碳足迹(carbon footprint)日益成为报告要求。估算它的方法仍在发展,数字应当附带其方法。

云中的成本测量值很容易通过走捷径而得到改善。通过关闭监控或把资源缩减到服务崩溃来削减支出,显示出较低的账单和较差的服务。古德哈特定律的护栏适用:这里的每项成本测量值都与一项可靠性或质量测量值并列,且没有团队按其账单被排名(见主题 1.2,古德哈特定律与度量的心理学)。

关键原则

  • 成本是一项工程度量。 构建并运行服务的团队看到并拥有其成本。
  • 分摊给负责人。 每一块钱都应当对应到一个团队或一个声明的共享池。
  • 把成本与质量和可靠性配对。 破坏服务的节省不是节省。
  • 持续地、以小步优化。 定期评审浪费,并作为正常工作的一部分采取行动。
  • 以区间预测。 可变的需求使单一数字的预测很脆弱。
  • 跨职能协作。 工程、财务、采购和业务共同决定。
  • 不要按账单给团队排名。 服务各不相同,增长不是浪费。

度量定义

度量 定义 公式 单位 数据来源 ITIL 实践 敏捷对应物 节奏
分摊覆盖 被归属于某个所属团队或声明的共享池的云支出占比 有有效负责人和服务标签、或位于声明的共享池中的支出 / 云总支出 百分比 云账单导出、标签政策 服务财务管理;IT 资产管理 团队对其所运行之物的所有权 每周
云单位成本 每单位用户所重视之物的云资源成本 期内服务的云成本 / 期内交付的单位数 每单位的货币 与服务量相连的账单数据 服务财务管理;服务级别管理 每个成果的服务成本 每月
浪费率 花在闲置或明显过大资源上的支出占比 依据约定规则,花在闲置或过大资源上的支出 / 范围内资源的总支出 百分比 利用率测量值和账单 容量与性能管理;财务管理 工具链中的浪费削减 每周
承诺覆盖 被折扣承诺所覆盖的合格稳定使用量占比 被承诺覆盖的合格使用量 / 合格使用量 百分比 账单和承诺报告 服务财务管理;供应商管理 为可预测的需求规划 每月
承诺利用率 所购买承诺中被使用的占比 已使用的承诺小时数 / 已购买的承诺小时数 百分比 承诺报告 服务财务管理;供应商管理 来自计划投资的价值 每月
预测偏差 按团队和总体,预测与实际云支出之间的差异 (实际减去预测) / 预测 百分比 预测日志和账单数据 服务财务管理 预测准确度 每月
异常确认时间 从成本异常告警到负责人作出有记录的决定的时间 从告警到负责人响应的小时数的中位数和第 85 百分位数 小时 异常告警和工单记录 监控与事件管理;事件管理 对生产信号的响应能力 每月

定义资源的范围、标签规则,以及什么算闲置或过大,并记录下来。承诺覆盖只依据稳定的基线使用量计算,而不依据峰值。单位成本使用与服务负责人商定的单位,并在趋势期间保持固定。成本数据应当说明是否包含抵扣额度、折扣、税费和支持费用,以及适用哪种货币和汇率。

建议

使成本可见且有人负责

1. 强制使用一小组必填的标签。 要求每个资源都带有负责人、服务和环境标签,在创建时由政策强制执行,而不是事后清理。分摊覆盖度量这一做法的效果。未打标签的资源可以被阻止,或在一天之内被标出并告知账户负责人。让标签集保持小,使人们遵守。

2. 给团队他们自己的成本视图。 为每个团队提供按服务和环境划分的每日或每周支出视图,附趋势和异常。人们会对他们能看到并理解的数据作出反应。每月才到达、且只发给财务的报告,几乎没有改变。

3. 定义共享成本池及其动因。 共享平台、网络和支持费用,需要一条关于如何分摊的规则(见主题 7.5,服务成本与单位经济)。公布规则,与团队一起评审,并保持池子很小。人们能跟得上的规则,比没人理解的公平规则赢得更多信任。

4. 举行简短的定期成本交流。 以稳定的节奏,把工程、财务和产品负责人聚在一起,对大额支出者每周或每两周一次,对其他人每月一次,每次三十分钟。评审趋势、异常和优化待办事项列表(backlog)。这是实践中的持续协作,它使成本留在议程上,而无需繁重的流程。

度量价值,而不仅仅是支出

5. 以每单位来表达成本。 云总支出随成功而上升。重要的是每个活跃客户、每笔交易或每次构建的成本。选择对该服务有意义的单位,随时间跟踪,并注释变化。总支出上升而单位成本下降是健康的模式,使用量持平而单位成本上升则是展开调查的提示。

6. 在成本旁边展示可靠性和质量。 把成本与同一服务的可用性、延迟和错误率一起展示(见主题 5.2,SLI、SLO 与错误预算)。使错误率上升的成本节省,是把成本转嫁给用户。错误预算的方法可以使权衡明确:当服务远好于所需时少花钱,当不是这样时则投入。

7. 以明确的规则跟踪浪费。 定义闲置(例如,一段时期内没有有意义的使用)和过大(例如,利用率持续远低于所配置的容量),并报告各自的支出。规则需要小心:为弹性而设的备用系统按设计看起来是闲置的,应当被排除并加以标注。当规则产生误报时重新审视它们。

对所发现的采取行动

8. 在正常工作中调整规模和清理。 使消除浪费成为团队待办事项列表中的常设项,作为持续改进的一部分以小步处理。安排非生产环境在工作时间之外停止,删除未挂载的存储,选择适当的存储层级,并先评审最大的行项目。小的定期变更胜过罕见的英雄式清理,后者在压力上升时往往被遗忘。

9. 使定价模型与工作负载相匹配。 对稳定的基线使用量采用承诺,对可变负载采用按需,对能容忍中断的工作采用可中断的容量。分次、以小额承诺,并同时跟踪覆盖和利用率。过度承诺浪费金钱,承诺不足则要付溢价。让财务和采购参与,并与提供商重新核实条款,因为它们会变化。

10. 检测异常并作出响应。 对支出使用异常检测,它标出相对于基线的突然变化。异常检测(anomaly detection)工具从简单的阈值到统计模型不一而足。向所属团队告警,并度量确认和决定需要多长时间。配置有误的作业,可以在数小时内累积大额账单,所以速度很重要(见主题 5.5,监控与告警质量度量)。

预测和规划

11. 以区间和动因预测。 依据需求的动因(比如预期的用户或交易)连同单位成本来构建预测。使用差异分析(variance analysis)来解释预测与实际之间的差异,并把由量、价格和组合引起的差异分开。给出区间并说明假设。随着模型的改进,预测偏差应当缩小。

12. 把可持续性纳入图景。 使用有文档的方法,比如提供商的报告或已发布的方法论,估算与主要工作负载相关的排放,并说明估计的局限。在成本和排放两方面比较区域、实例类型和调度的选择。把每单位排放视为每单位成本的伙伴,并且不要声称方法所无法支持的精度。

钻空子途径与护栏

度量 如何被钻空子 配对的护栏度量或实践
分摊覆盖 把一切都打上统括的负责人标签;把大笔金额声明为共享 由统括项所拥有的支出占比;共享池的规模和评审;负责人确认抽样
云单位成本 选择增长成本低廉的单位;削减可靠性以削减成本 固定的单位定义;可靠性和质量伙伴
浪费率 收窄闲置的定义;把浪费移到范围之外的账户 登记册中的规则;扫描所有账户;抽样规则所排除的资源
承诺覆盖 承诺膨胀的基线,以追求高百分比 承诺利用率;对照使用历史检查基线
承诺利用率 加入不需要的合格使用量,以填满承诺 与真实需求的增长相比较;单位成本
预测偏差 给预测加水分;晚些时候修订预测 在期初记录预测;跟踪区间宽度和命中率
异常确认时间 不看就确认告警;自动关闭告警 记录决定和结果;抽样检查告警的响应质量

健康的读数是:几乎所有支出都有负责人并且可见,单位成本因可解释的原因而变动,浪费在没有中断的情况下缩小,承诺被使用,以及预测的误差随时间收窄。

权衡:利与弊

方法 优势 劣势
由中央云团队控制支出 一致性和谈判力 缓慢;远离工程决策
团队拥有自己的云成本 快速、知情的决定 需要数据、培训和护栏
只用按需 灵活 单价最高
大量承诺 单价更低 需求下降时的锁定和浪费
严格的预算上限 防止超支 可能造成中断或阻碍有效的工作
告警和评审 保持速度 取决于及时的响应
激进的调整规模 节省金钱 过度时有影响性能的风险
附 SLO 的有度量的调整规模 平衡 需要可靠性数据和细心

答案是给团队数据和所有权,在服务至关重要之处设定告警和预算之类的护栏,而不是硬性停止,对稳定的基线逐步作出承诺,并始终把成本与可靠性配对。

与团队讨论的问题

1. 今天我们的云账单有多少可以归属于某个负责人?找不到负责人的是谁? 查看有有效标签的支出占比,以及最大的未打标签项。问每一项由谁拥有。引导者应当记下有多少项无人认领。商定在创建时强制执行的一个标签政策步骤。

2. 过去六个月里,我们的每单位成本如何变化?为什么? 绘制单位成本,并注释架构、价格和量的变化。问哪些变化是有意的。如果趋势出乎意料,讨论缺失了什么数据。在图表上添加一项质量测量值。

3. 如果我们敢的话,明天会关闭我们的哪些资源? 列出候选:闲置的环境、过大的数据库、被遗忘的存储。对每一个,问风险是什么、由谁决定。商定一种测试移除其中一个的安全办法,比如先调度或先做快照。

4. 如果一个作业开始花费十倍的钱,我们如何在一天之内知道? 走一遍从账单到负责人的告警路径。用一个过去的例子测试它。这场交流应当揭示延迟和归属上的缺口。商定确认和决定的目标时间,以及由谁负责。

5. 我们可以安全地承诺多少基线使用量?什么会使我们判断错误? 检查使用历史中稳定的下限,以及对它的风险:产品变更、迁移、价格变化。决定第一次适度的承诺和评审日期。让财务参与讨论。

6. 我们在无意中作出了怎样的成本与可靠性之间的权衡? 评审近期的节省和事件。其中是否有相关的?讨论如何使权衡明确,例如把成本评审与错误预算相联。决定谁可以批准影响可靠性的削减。

四种视角

产品与交付团队

交付团队作出驱动成本的决定,最适合降低它。他们应当在创建时打标签,定期查看自己的成本视图,把成本纳入设计讨论,并把减少浪费视为正常工作。他们应当能在作出变更之后很快看到其对成本的影响,这支持快速学习。

服务与运维团队

运维和平台团队运行共享服务、执行政策并运营异常告警。他们应当使标签合规保持简单,提供自助报告,并公布关于共享成本的清晰规则。他们应当既关注其所提供平台的成本,也关注其可靠性,并帮助团队采取行动,而不成为一道关卡。

领导层与治理

领导者和财务想要可预测的支出和良好的价值。他们应当为成本工作的工具和时间出资,接受预测中的区间,避免团队排行榜,并索要附质量的单位成本。治理应当检查承诺是依据数据作出的,并且可持续性的说法说明其方法。

客户与用户

用户通过价格、功能或服务的稳定性间接感受云成本。当节省为改进提供资金时他们受益,而当削减降低质量时他们受害。凡用户按消耗量付费之处,他们想要清晰的账单,并有能力影响它。

实践:一个服务管理示例

一家区域在线零售商在公有云上运行其商店和订单平台,有六个工程团队。下面的数字均为示意。

云支出在一年内稳步上升,财务总监要求削减。FinOps 负责人拉取了账单数据。分摊覆盖为 68%,未打标签的支出中有三分之一在测试账户。每个已完成订单的成本为 0.31 美元,高于六个月前的 0.27 美元,而订单量增长了 15%。依据团队的规则,浪费率为范围内支出的 14%,主要是整夜和周末运行的非生产环境,以及少数几个过大的数据库。承诺覆盖为稳定基线的 20%,所购买部分的利用率为 97%。上个季度加 18% 的预测偏差,源于一次没有人告诉平台团队的营销活动。一个账户中失控的数据作业运行了两天才有人注意到。

负责人与工程团队商定四项变更。一项标签政策阻止没有负责人和服务标签的新资源,宽限期为两周。每个团队收到每周的成本视图,并在每两周一次的成本交流中获得一小段时间。非生产环境被安排在工作时间之外停止,三个过大的数据库在对照服务级别目标检查其性能之后被调整规模。第一次承诺涵盖稳定基线的 60%,三个月后评审。异常告警发给所属团队,期望在四小时内作出有记录的决定,规划日历现在包括营销活动。

一个季度之后,分摊覆盖为 93%,浪费率降至 6%,每个订单的成本降至 0.26 美元,而结账延迟和错误率没有变化,预测偏差为加 5%。承诺覆盖为 55%,利用率为 96%。异常确认时间的中位数为 2 小时,第 85 百分位数为 6 小时。财务总监要求一份显示每个团队成本的排行榜。FinOps 负责人拒绝了,解释说各团队运行不同的服务、增长也不同,并提供每个团队的单位成本趋势及其可靠性测量值作为替代。该决定被记录下来,并设定下一次评审日期。

敏捷、AI、自动化与分析

敏捷

给工程师成本数据和采取行动的权力,并以与可靠性相同的节奏评审它。需要注意的是,在没有背景的情况下设定的成本目标,会降低可靠性或延迟有用的工作。

AI

AI 服务可能是云成本中快速增长的一部分,所以要给它们自己的分摊、单位成本和异常告警。把每个请求的成本与答案质量以及所交付的价值配对。需要注意的是,通过切换到较弱的模型来削减 AI 成本,可能增加人工返工。

自动化

自动化标签检查、异常告警和调整规模的建议,并就误报以及真正落地的节省来度量自动化。需要注意的是,对闲置资源的自动关闭,可能移除了被需要的东西。

分析

连同预测偏差和数据的新鲜度,一起展示单位成本和浪费。这为之提供依据的决定是在哪里优化,以及承诺什么。需要注意的是,承诺的决定取决于预测,所以要说明其不确定性。

行业视角

初创公司。 抵扣额度和低额账单可能掩盖不良习惯,这些习惯在规模扩大时会变得昂贵。从第一天就打标签,为非生产资源安排计划,并及早跟踪每位客户的成本。只在需求可预测时才作出承诺。

小型企业。 单一账户和少数几项服务,使打标签和评审很简单。每月与构建系统的人一起评审账单,移除被遗忘的资源,并对长期承诺保持警惕。预算告警是最有价值的单一控制。

大型企业。 众多账户、团队和提供商,要求有一个赋能团队而不是控制团队的中央 FinOps 职能。跨提供商标准化标签和账单导出,集中谈判承诺,并把数据交给团队。为多云报告的差异做好规划。

政府与公共部门。 采购框架、数据驻留和固定的年度预算限制了选择。记录成本和区域的决定,建模可变支出对拨款的影响,并保留审计轨迹。关于可持续性的公共承诺可能要求连同方法一起报告排放(见主题 8.5,受监管与政府报告)。

业务论证:动因、投资回报与总拥有成本

FinOps 实践的成本是少数几个人运行报告、标签政策和定期交流的时间;可能由云平台提供或购买的工具;以及对发现采取行动的工程时间。小型实践可以从账单导出和电子表格开始。

回报来自减少的浪费、通过承诺获得的更好价格、更少的意外,以及关于架构的更好决定。依据你自己的数字构建论证:第一次评审中的浪费率及其成本、安排非生产环境计划所节省的费用、被承诺部分的承诺折扣,以及及早发现的异常所避免的成本。避免引用全行业的浪费百分比或节省数字,除非有可追溯的来源和方法。把该实践的成本和过度承诺的风险纳入。关于改进的财务论证总体上在下一个主题中涵盖(见主题 7.7,投资回报与业务论证)。

反模式与陷阱

  • 总说不的中央团队。 它拖慢工作,团队会绕开它。用数据和护栏赋能团队。
  • 削减成本而不关注可靠性。 节省会以事件的形式回来。把成本与服务级别测量值配对。
  • 追逐承诺覆盖。 高百分比配上低利用率就是浪费。两者都要跟踪。
  • 每月只向财务发报告。 工程师永远看不到。给团队每日或每周的视图。
  • 把打标签当作清理项目。 它会衰败。在创建时强制执行标签。
  • 按支出给团队排名。 增长看起来像浪费。连同背景展示单位成本趋势。
  • 预测单一数字。 可变的需求会使之失效。使用区间和动因。
  • 声称精确的排放。 估算方法是不确定的。说明方法和局限。

成熟度模型

维度 1 起步 2 发展 3 标准化 4 管理 5 协同
可见性与归属 财务评审月度账单 一些团队使用标签 必填标签;团队看到每周成本视图 管理分摊覆盖;评审共享池 成本数据近乎实时地跨提供商流入产品决策
优化 偶尔清理 一些团队做调度和调整规模 浪费规则和常设的优化待办事项列表 与可靠性伙伴一起管理浪费、承诺和单位成本 在人的监督下持续、自动的优化,并共享学习
规划 年度预算 粗略的预测 基于动因的预测,附区间 分析偏差并反馈;逐步管理承诺 与业务、供应商和可持续性目标一起联合预测

检查清单

  • 在资源创建时强制使用一小组必填标签(负责人、服务、环境)。
  • 每周报告分摊覆盖,并列出最大的未打标签项。
  • 每个团队都有附趋势和异常的每周成本视图。
  • 日历中有定期的工程与财务成本交流。
  • 云单位成本与可用性、延迟和错误率并排跟踪。
  • 写下并应用浪费规则,并标注排除项。
  • 依据稳定的基线使用量逐步作出承诺,并跟踪覆盖和利用率。
  • 预测使用动因和区间,并分析偏差。
  • 异常告警送达负责人,并附期望的决定时间。
  • 排放估算(如果报告)说明其方法和局限。

AI 提示词

分析成本趋势。

这是我们 [服务] 在 [期间] 内的云成本和使用情况的摘要:[粘贴每月成本、量和任何已知的变化]。在数据允许的范围内,把成本的变化拆分为量、价格和组合的影响,建议接下来检查什么,并提出一个附质量伙伴的单位成本。不要虚构价格或折扣。请列出你的假设,以及你为了更有把握所需要的数据。

起草标签政策。

请为使用 [云提供商] 的 [组织类型] 起草一份标签政策。包括一组最少的必填标签、允许的值、如何在创建时强制执行、如何向负责人报告违规,以及宽限期。保持足够简短,使工程师能够遵循。请列出你的假设,以及任何依赖提供商功能、我应当在当前文档中核实的事项。

定义浪费规则。

请为 [环境类型] 中把云资源分类为闲置或过大提出规则,包括所使用的测量值、时间窗口、排除项(例如弹性备用系统),以及对误报的评审流程。描述如何避免损害可靠性。在没有说明我们应如何依据自己的数据校准的情况下,不要设定数值阈值。请列出你的假设。

规划第一次承诺。

过去 [期间] 内我们的稳定基线使用量是 [摘要],需求风险是 [清单]。请概述第一次承诺的谨慎计划:如何估计基线、承诺多少、如何评审利用率,以及什么会使我们停止。不要假定特定提供商的折扣或条款。请列出你的假设,以及要问财务和采购的问题。

AI 技能

要点

  • 使成本可见并有人负责:在创建时强制执行标签,并给每个团队其自己的每周视图。
  • 在可靠性和质量旁边度量每单位成本,绝不单独度量。
  • 在书面规则的指导下,把消除浪费作为正常工作的一部分。
  • 对稳定的基线逐步作出承诺,并同时跟踪覆盖和利用率。
  • 以动因和区间预测,并以快速响应观察异常。
  • 不要按支出给团队排名,并说明任何排放估算的方法和局限。

参考文献与延伸阅读

  1. Storment, J. R., and Fuller, M., Cloud FinOps, 2nd ed., O'Reilly, 2023.
  2. FinOps Foundation, FinOps Framework, https://www.finops.org/framework/.
  3. Beyer, B., Jones, C., Petoff, J., and Murphy, N. R. (eds.), Site Reliability Engineering: How Google Runs Production Systems, O'Reilly, 2016.
  4. Forsgren, N., Humble, J., and Kim, G., Accelerate: The Science of Lean Software and DevOps, IT Revolution, 2018.
  5. Beck, K., et al., Principles behind the Agile Manifesto, 2001, https://agilemanifesto.org/principles.html.
  6. Wikipedia, Cloud computing.
  7. Wikipedia, Pay as you go.
  8. Wikipedia, Autoscaling.
  9. Wikipedia, Serverless computing.
  10. Wikipedia, Volume discount.
  11. Wikipedia, Carbon footprint.
  12. Wikipedia, Goodhart's law.
  13. Wikipedia, Anomaly detection.
  14. Wikipedia, Variance analysis.