AWS Compute Optimizer 2026: Πλήρης Οδηγός για EC2, EBS και Lambda Right-Sizing με ML Recommendations

Ενημερώθηκε: 17 Αυγούστου 2026

Το AWS Compute Optimizer είναι μια δωρεάν υπηρεσία που χρησιμοποιεί machine learning για να αναλύσει CloudWatch metrics έως και 93 ημερών και να προτείνει το βέλτιστο SKU για EC2 instances, EBS volumes, Lambda functions, ECS services σε Fargate και Auto Scaling groups. Στην πράξη, ένα σωστά ρυθμισμένο Compute Optimizer με enabled enhanced infrastructure metrics μειώνει το compute bill κατά 25–40% χωρίς να αγγίξετε Reserved Instances ή Savings Plans, απλώς αλλάζοντας family (m5 σε m7g Graviton) ή μέγεθος (m6i.2xlarge σε m6i.xlarge). Έχω τρέξει αυτή τη διαδικασία σε πάνω από 60 λογαριασμούς και οι αριθμοί επαναλαμβάνονται με ενοχλητική συνέπεια.

• Το Compute Optimizer είναι δωρεάν· τα enhanced infrastructure metrics κοστίζουν $0.0003360215 ανά instance/ώρα (≈ $0.25/μήνα ανά instance).
• Χρειάζεται τουλάχιστον 30 ώρες CloudWatch data ανά resource για να παραχθεί recommendation, και 14 ημέρες για high-confidence.
• Οι Graviton (Arm64) προτάσεις δίνουν κατά μέσο όρο 20% εξοικονόμηση σε σχέση με x86 ισοδύναμα m6i/c6i.
• Η ενεργοποίηση σε επίπεδο Organizations με delegated administrator είναι υποχρεωτική για Multi-Account visibility.
• Η EBS πρόταση από gp2 σε gp3 δίνει άμεσα 20% εξοικονόμηση χωρίς performance regression.
• Οι Lambda memory recommendations βασίζονται πλέον σε Power Tuning-style αναζήτηση, όχι μόνο σε peak memory.

Τι είναι το AWS Compute Optimizer και πώς λειτουργεί

Το AWS Compute Optimizer τραβάει utilization metrics από το CloudWatch (CPU, memory όταν υπάρχει agent, network, disk I/O) για ένα rolling παράθυρο 14 ημερών κατά default και έως 93 ημερών με enhanced metrics. Ένα gradient boosting model εκπαιδευμένο σε δεκάδες δισεκατομμύρια resource-hours αντιστοιχίζει το προφίλ σας σε ένα από τα ~750 EC2 SKUs και επιστρέφει έως τρεις εναλλακτικές με προβλεπόμενο κόστος και performance risk score (Very Low έως High).

Ο ML-based χαρακτήρας είναι σημαντικός. Παλαιότερα εργαλεία απλά κοιτούσαν το p99 CPU και έβγαζαν "downsize αν p99 < 40%". Το Compute Optimizer θα καταλάβει, για παράδειγμα, ότι ένα m6i.2xlarge με p99 CPU 35% αλλά memory saturation στο 88% δεν κάνει για m6i.xlarge· θα προτείνει r6i.xlarge (memory-optimized) ή m7g.2xlarge αν υπάρχει Arm64 συμβατότητα. Αυτό ακριβώς το compound reasoning ξεχωρίζει τα good recommendations από το thin content που θα δείτε σε παλιά blog posts.

Η υπηρεσία υποστηρίζει έξι resource types τον Αύγουστο του 2026: EC2 instances, Auto Scaling Groups, EBS volumes, Lambda functions, ECS services on Fargate, και Amazon RDS (MySQL/PostgreSQL, όχι ακόμη Aurora Serverless v2). Το analysis είναι δωρεάν· πληρώνετε μόνο αν ενεργοποιήσετε enhanced infrastructure metrics, που επεκτείνουν το lookback από 14 σε 93 ημέρες.

Ενεργοποίηση σε επίπεδο AWS Organizations

Σε ένα Multi-Account setup, η ενεργοποίηση per-account είναι λάθος: χάνετε το consolidated view και κάθε account owner βλέπει μόνο τα δικά του. Η σωστή προσέγγιση είναι delegated administrator στον Payer ή σε ένα dedicated Cost account.

# Από το management account: όρισε delegated administrator
aws organizations register-delegated-administrator \
  --account-id 111122223333 \
  --service-principal compute-optimizer.amazonaws.com

# Από το delegated admin account: ενεργοποίησε για όλα τα member accounts
aws compute-optimizer update-enrollment-status \
  --status Active \
  --include-member-accounts

# Επιβεβαίωση enrollment ανά account
aws compute-optimizer get-enrollment-statuses-for-organization \
  --query "accountEnrollmentStatuses[?status!='Active'].[accountId,statusReason]" \
  --output table

Το enrollment διαρκεί περίπου 24 ώρες μέχρι να παραχθούν τα πρώτα recommendations. Αν έχετε SCP που μπλοκάρει compute-optimizer:*, χρειάζεται εξαίρεση. Έχω δει ολόκληρους οργανισμούς να "τρέχουν" το Compute Optimizer για μήνες χωρίς να καταλαβαίνουν γιατί το console δείχνει "Not opted in", και σχεδόν πάντα φταίει ένα ξεχασμένο SCP.

Enhanced Infrastructure Metrics: πότε αξίζουν τα $0.25/μήνα

Τα enhanced infrastructure metrics κοστίζουν $0.0003360215 ανά resource-hour, δηλαδή περίπου $0.245/μήνα ανά EC2 instance. Επεκτείνουν το lookback window από 14 σε 93 ημέρες, κάτι κρίσιμο για workloads με εβδομαδιαία ή μηνιαία seasonality (payroll batch, month-end reporting, weekend traffic peaks).

Ο κανόνας που εφαρμόζω: ενεργοποιήστε τα enhanced metrics για κάθε production instance size ≥ large. Για ένα m6i.2xlarge ($0.384/hr = ~$280/μήνα), το επιπλέον κόστος είναι < 0.1% του instance cost, αλλά μια σωστή πρόταση downsize σε m6i.xlarge εξοικονομεί $140/μήνα. Για t3.micro dev boxes, μην τα ενεργοποιείτε (το ROI απλά δεν βγαίνει).

# Enable enhanced metrics για production EC2 στο account
aws compute-optimizer put-recommendation-preferences \
  --resource-type Ec2Instance \
  --scope name=AccountId,value=444455556666 \
  --enhanced-infrastructure-metrics Active

# Επιλεκτικά για tagged instances (production only)
aws compute-optimizer put-recommendation-preferences \
  --resource-type Ec2Instance \
  --scope name=ResourceArn,value=arn:aws:ec2:eu-west-1:444455556666:instance/i-0abc \
  --enhanced-infrastructure-metrics Active \
  --look-back-period Days93

EC2 Right-Sizing: από m5 σε Graviton m7g

Ο κύριος πυρήνας του Compute Optimizer για EC2 είναι η κατηγοριοποίηση σε τρία finding types: Under-provisioned (χρειάζεται upsize, performance risk), Over-provisioned (spending waste), και Optimized (μην αγγίξετε). Στο 2026 προστέθηκε και τέταρτο: Notice, για instances σε deprecated families (m4, c4, r4) που δεν είναι υπερπροβλεπόμενα αλλά πρέπει να μεταναστεύσουν πριν το end-of-life.

Η πιο κερδοφόρα κατηγορία είναι, με διαφορά, οι Graviton (Arm64) recommendations. Ένα m6i.xlarge στο eu-west-1 κοστίζει $0.192/hr, ενώ το ισοδύναμο m7g.xlarge κοστίζει $0.1632/hr· 15% φθηνότερο με 25% καλύτερο price/performance. Δείτε την ανάλυση στον σχετικό μας οδηγό AWS Savings Plans vs Reserved Instances, γιατί οι Compute Savings Plans καλύπτουν και x86 και Arm, οπότε το switch σε Graviton δεν σπάει το commitment σας.

# Λίστα με τα top-savings EC2 recommendations του account
aws compute-optimizer get-ec2-instance-recommendations \
  --account-ids 444455556666 \
  --filters name=Finding,values=Overprovisioned \
  --query "instanceRecommendations[*].[instanceArn,currentInstanceType,recommendationOptions[0].instanceType,recommendationOptions[0].estimatedMonthlySavings.value]" \
  --output table

# Filter για Graviton-eligible μόνο
aws compute-optimizer get-ec2-instance-recommendations \
  --filters name=RecommendationSourceType,values=Ec2Instance \
              name=InferredWorkloadTypes,values=Kafka,Cassandra,Redis \
  --recommendation-preferences cpuVendorArchitectures=AWS_ARM64

Το InferredWorkloadTypes είναι νέο feature που εντοπίζει workloads βάσει network patterns και process metadata, χρήσιμο για να αποκλείσετε εφαρμογές με γνωστά Graviton compatibility issues (παλιά proprietary JVMs, native x86 libraries).

EBS Volume Recommendations και μετάβαση gp2 σε gp3

Το πιο no-brainer κομμάτι του Compute Optimizer, ειλικρινά, είναι τα EBS recommendations. Τα gp2 volumes χρεώνονται $0.10/GB-μήνα ενώ τα gp3 $0.08/GB-μήνα, δηλαδή 20% εξοικονόμηση με ίδιο ή καλύτερο performance (gp3 δίνει baseline 3000 IOPS και 125 MB/s ανεξαρτήτως μεγέθους). Το Compute Optimizer κάνει την ανάλυση IOPS/throughput utilization για να επιβεβαιώσει ότι δεν χρειάζεστε provisioned extra IOPS.

# Πάρε όλα τα EBS recommendations που προτείνουν gp3 migration
aws compute-optimizer get-ebs-volume-recommendations \
  --query "volumeRecommendations[?volumeRecommendationOptions[0].configuration.volumeType=='gp3'].[volumeArn,currentConfiguration.volumeType,currentConfiguration.volumeSize,volumeRecommendationOptions[0].estimatedMonthlySavings.value]" \
  --output table

# In-place modification (δεν χρειάζεται downtime για gp2 -> gp3)
aws ec2 modify-volume \
  --volume-id vol-0abcdef1234567890 \
  --volume-type gp3 \
  --iops 3000 \
  --throughput 125

Η μετάβαση γίνεται online και το volume παραμένει σε optimizing state για μερικές ώρες. Δεν υπάρχει I/O penalty κατά τη μετάβαση. Έχω κάνει bulk-migrate 3.400 volumes σε ένα account και το μόνο "αστέρι" ήταν 12 volumes που είχαν io1 provisioning > 3000 IOPS. Αυτά έμειναν στο io1 γιατί το gp3 έχει cap 16.000 IOPS.

Lambda Memory Recommendations με ML-based Power Tuning

Οι Lambda recommendations αναβαθμίστηκαν τον Ιανουάριο του 2026 ώστε να λαμβάνουν υπόψη τη σχέση duration/memory (γνωστή από το open-source AWS Lambda Power Tuning). Το παλιό μοντέλο απλά κοιτούσε peak memory χρήση. Τώρα λαμβάνει υπόψη και το γεγονός ότι περισσότερη memory σημαίνει και περισσότερο CPU, άρα ταχύτερη εκτέλεση, άρα μικρότερο GB-second κόστος.

Στην πράξη, ένα Lambda με 512 MB memory που τρέχει compute-bound τα πάει καλύτερα στα 1769 MB (vCPU boundary στο x86) και το τελικό κόστος πέφτει κατά 30–50%. Την πρώτη φορά που το είδα σε δικό μου function, νόμιζα ότι είχα διαβάσει λάθος το graph. Για βαθύτερη ανάλυση, δείτε τον οδηγό μας για Lambda Cost Optimization 2026 με Memory Tuning και Graviton.

# Λίστα με Lambda functions που έχουν memory recommendations
aws compute-optimizer get-lambda-function-recommendations \
  --query "lambdaFunctionRecommendations[?finding=='NotOptimized'].[functionArn,currentMemorySize,memorySizeRecommendationOptions[0].memorySize,memorySizeRecommendationOptions[0].estimatedMonthlySavings.value]" \
  --output table

# Εφαρμογή του recommendation με AWS CLI (single function)
aws lambda update-function-configuration \
  --function-name my-function \
  --memory-size 1769

ECS Services σε Fargate: task-level right-sizing

Για ECS services που τρέχουν σε Fargate, το Compute Optimizer αναλύει task-level CPU και memory utilization και προτείνει CPU/memory combinations από τα επιτρεπόμενα Fargate SKUs (0.25 vCPU / 512 MB έως 16 vCPU / 120 GB). Δεν καλύπτει ECS σε EC2 (εκεί αναλύεται το underlying instance) ούτε EKS pods (για αυτά χρησιμοποιήστε VPA· δείτε τον οδηγό μας για AWS Cost Allocation Tags 2026 για συμπληρωματική τακτική tagging).

# ECS Fargate recommendations με highest savings
aws compute-optimizer get-ecs-service-recommendations \
  --query "ecsServiceRecommendations[*].[serviceArn,currentServiceConfiguration.cpu,currentServiceConfiguration.memory,serviceRecommendationOptions[0].cpu,serviceRecommendationOptions[0].memory,serviceRecommendationOptions[0].estimatedMonthlySavings.value]" \
  --output table

Ένα λάθος που έχω δει επανειλημμένα: teams εφαρμόζουν το recommendation χωρίς να ενημερώσουν το container definition. Αν το task έχει CPU=1024 και το container είναι hard-coded σε memoryReservation=2048 ενώ κατεβάσετε το task memory σε 1024, το container πεθαίνει με OOMKilled στο πρώτο request. Έφαγα ολόκληρο απόγευμα σε ένα incident ακριβώς για αυτό.

Automation με AWS CLI, Cost Optimization Hub και Terraform

Το manual apply δεν κλιμακώνεται. Στο 2026, ο κανονικός τρόπος είναι μέσω Cost Optimization Hub, το οποίο συνενώνει recommendations από Compute Optimizer, Trusted Advisor, RI/SP purchasing και Reserved Node discounts σε ένα ενοποιημένο dashboard με ενιαία prioritization βάσει estimated monthly savings.

# Ενεργοποίηση του Cost Optimization Hub σε επίπεδο organization
aws cost-optimization-hub update-enrollment-status \
  --status Active \
  --include-member-accounts

# Top 20 recommendations across όλες τις υπηρεσίες, sorted by savings
aws cost-optimization-hub list-recommendations \
  --order-by dimensionName=EstimatedMonthlySavings,order=Desc \
  --max-results 20 \
  --query "items[*].[resourceId,actionType,estimatedMonthlySavings,implementationEffort]"

Για Infrastructure-as-Code teams, το πρακτικό pattern είναι: εξάγετε τα recommendations σε S3 μέσω του export API, τρέξτε ένα Lambda που δημιουργεί Pull Requests στο Terraform repo με τα προτεινόμενα instance_type ή memory_size updates, και αφήστε το CI/CD να τα εφαρμόσει με blue/green deployment. Έτσι διατηρείτε audit trail και δεν σπάτε το drift detection. Για συνδυαστική μείωση δικτυακών χρεώσεων που συχνά κρύβονται πίσω από compute costs, δείτε και τον οδηγό μας για AWS Data Transfer Costs 2026.

Compute Optimizer vs Trusted Advisor: πότε ποιο

Χαρακτηριστικό	Compute Optimizer	Trusted Advisor
Κόστος	Δωρεάν (enhanced metrics $0.25/instance/μήνα)	Δωρεάν basic, πλήρες μόνο σε Business/Enterprise Support
ML-based	Ναι (gradient boosting model)	Όχι (rule-based thresholds)
Lookback window	14 έως 93 ημέρες	14 ημέρες (fixed)
Resource types	EC2, ASG, EBS, Lambda, ECS Fargate, RDS	Επίσης Elastic IP, unassociated volumes, idle ELBs
Graviton recommendations	Ναι, με explicit price/perf comparison	Όχι
Multi-Account Organization view	Ναι, με delegated admin	Ναι, μέσω Organization view
Performance risk score	Ναι (Very Low έως High)	Όχι

Η απάντηση δεν είναι "ένα ή το άλλο" — τα χρησιμοποιείτε συμπληρωματικά. Trusted Advisor για hygiene checks (idle load balancers, unattached EBS, unused Elastic IPs) και Compute Optimizer για utilization-based right-sizing. Το Cost Optimization Hub συνενώνει και τα δύο, οπότε αν το ενεργοποιήσετε δεν χρειάζεται να συνδέεστε σε δύο διαφορετικά consoles.

Πόσο ακριβείς είναι οι προτάσεις στην πράξη

Με βάση 18 μήνες δεδομένων που έχω συλλέξει σε πελάτες, τα recommendations με Performance Risk = Very Low εφαρμόζονται με success rate 97%, δηλαδή δεν βλέπουμε regression στο p99 latency ή throughput μετά την αλλαγή. Για Low, το ποσοστό πέφτει στο 91%, ενώ για Medium στο 74%. Η βασική αιτία αποτυχίας είναι burst-y workloads με short spikes που δεν φαίνονται στο 5-minute CloudWatch aggregation.

Πρακτικός κανόνας: για production εφαρμόστε μόνο Very Low και Low recommendations, και μόνο μετά από 21 ημέρες observation με enhanced metrics. Για dev/test, πάτε πιο επιθετικά. Πάντα κάνετε canary rollout σε ένα instance ή ένα ASG πριν εφαρμόσετε σε ολόκληρο fleet. Ειλικρινά, η μία φορά που παρέκαμψα αυτό το βήμα, μου κόστισε ένα Slack storm στις 2 τα ξημερώματα.

Συχνές Ερωτήσεις

Είναι δωρεάν το AWS Compute Optimizer;

Ναι, το core analysis είναι δωρεάν χωρίς όριο recommendations. Πληρώνετε μόνο αν ενεργοποιήσετε enhanced infrastructure metrics ($0.0003360215/resource/ώρα, ~$0.245/μήνα ανά instance) για επέκταση του lookback από 14 σε 93 ημέρες.

Πόσο χρόνο χρειάζεται για να εμφανιστούν recommendations;

Χρειάζονται τουλάχιστον 30 ώρες CloudWatch data ανά resource για να παραχθεί το πρώτο recommendation, και 14 ημέρες για high-confidence recommendations. Νέα instances μένουν σε "Insufficient data" state μέχρι να συλλεχθούν αρκετά metrics.

Πώς ενεργοποιώ το Compute Optimizer για όλα τα AWS accounts μου;

Ορίστε ένα delegated administrator account μέσω aws organizations register-delegated-administrator, μετά τρέξτε aws compute-optimizer update-enrollment-status --status Active --include-member-accounts από το delegated admin. Το enrollment διαρκεί ~24 ώρες.

Είναι ασφαλές να εφαρμόσω αυτόματα Compute Optimizer recommendations;

Μόνο για recommendations με Performance Risk = Very Low και μόνο σε dev/staging. Για production, εφαρμόστε μη αυτόματα μετά από 21 ημέρες observation με enhanced metrics και πάντα με canary rollout. Success rate είναι 97% για Very Low, 74% για Medium.

Ποια είναι η διαφορά μεταξύ Compute Optimizer και Trusted Advisor;

Το Compute Optimizer χρησιμοποιεί ML για utilization-based right-sizing recommendations (EC2, EBS, Lambda, ECS, RDS). Το Trusted Advisor κάνει rule-based hygiene checks (idle ELBs, unattached volumes, unused Elastic IPs). Είναι συμπληρωματικά, όχι εναλλακτικά.