概述与动因

在数据中心里,开支由采购订单决定,以几个大的台阶到来。在云上,开发人员只需几行配置,就能让组织承担一笔经常性费用,而被遗忘的测试环境可以连续数月花钱。云计算提供对计算资源的按需访问,随之而来的按用量付费模式意味着账单跟随使用量。这既强大又有风险。让团队在几分钟内扩展的同一种灵活性,也让成本以快于任何人注意到的速度增长。

FinOps 是财务(finance)与运营(operations)的缩合,是管理云成本的实践和文化。FinOps 基金会把它描述为一个运营框架,其中工程、财务、采购和业务团队就数据驱动的开支决定展开协作。它的核心思想是:使用云资源的人应当看到并拥有自己的成本,而财务提供结构、预测和承诺。这符合敏捷中利益相关方之间持续协作、以及团队拥有自己服务的目标,也符合 ITIL 对服务财务管理的关切。本主题涵盖使这项实践具体化的度量。它建立在上一个主题的一般成本核算思想之上(见主题 7.5,服务成本与单位经济)。

云成本有需要自己度量的特点。

  • 弹性。自动伸缩根据需求调整资源,这使成本可变,有时令人意外。无服务器计算按每次执行收费,把注意力从服务器转向请求。
  • 许多小决定。每一次对实例规格、存储层级、区域和架构的选择,都会改变成本。开支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清。
  • 定价模式。按需价格灵活而最高。以换取批量折扣的承诺,比如预留容量或节省计划,以对使用的承诺换取更低的单价。竞价或可抢占容量便宜,但可能被收回。每种模式都有风险,正确的组合取决于工作负载有多可预测。具体条款因提供商而异,且常常变化,所以在依赖任何细节之前,请查阅当前的提供商文档。
  • 共享和未标记的成本。没有负责人或用途标签的资源无法归属。共享平台把成本分摊给使用方式不同的团队。
  • 环境成本。云工作负载消耗能源并造成排放,一项工作负载的碳足迹越来越多地成为必须报告的要求。估计它的方法仍在发展,数字应当附上其方法。

云中的成本度量很容易通过捷径来"取得"。通过关闭监控或把资源缩小到服务垮掉来削减开支,显示的是更低的账单和更糟的服务。古德哈特定律的护栏适用:这里的每项成本度量都放在可靠性或质量度量旁边,并且没有团队因其账单而被排名(见主题 1.2,古德哈特定律与指标心理学)。

关键原则

  • 成本是工程指标。构建和运行服务的团队,看到并拥有它的成本。
  • 分摊给负责人。每一块钱都应当映射到某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。
  • 以小步持续优化。定期评审浪费,并作为正常工作的一部分采取行动。
  • 以范围预测。可变的需求使单一数字的预测变得脆弱。
  • 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。

指标定义

指标 定义 公式 单位 数据来源 ITIL 实践 敏捷对应 频率
分摊覆盖率 被归属到所属团队或声明的共享池的云开支占比 带有有效负责人和服务标签、或位于声明的共享池中的开支 / 云总开支 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 用户所看重的每个单位的云资源成本 该期间该服务的云成本 / 该期间交付的单位数 每单位的货币金额 与服务数量连接的账单数据 服务财务管理;服务级别管理 每项成果的服务成本 每月
浪费率 花在闲置或明显过大的资源上的开支占比 依据约定规则,花在闲置或过大资源上的开支 / 范围内资源的总开支 百分比 利用率度量和账单 容量与性能管理;财务管理 工具链中的浪费削减 每周
承诺覆盖率 被折扣承诺覆盖的合格稳定使用占比 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 对可预测需求的规划 每月
承诺利用率 所购买的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,预测与实际云开支之间的差异 (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 预测准确性 每月
异常确认时间 从成本异常告警到负责人记录决定的时间 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,并予以记录。承诺覆盖率只针对稳定的基线使用量计算,而不是峰值。单位成本使用与服务负责人约定、并在趋势期间固定的单位。成本数据应当说明是否包括抵扣额、折扣、税和支持费用,以及适用哪种货币和汇率。

建议

使成本可见且有主

1. 强制执行一小套必填标签。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。分摊覆盖率度量它的效果如何。未能打标签的资源可以被阻止,或在一天之内向账户负责人标出。保持标签集合小,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的开支视图,附趋势和异常。人们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,几乎改变不了什么。

3. 定义共享成本池及其动因。共享平台、网络和支持费用,需要一条分摊规则(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,并保持池子小。人们能跟得上的规则,比无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谈。以稳定的节奏召集工程、财务和产品负责人,对大额开支方每周或每两周一次,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。这是实践中的持续协作,使成本保持在议程上而无需繁重的流程。

度量价值,而不只是开支

5. 以每单位表达成本。云总开支随成功而上升。重要的是每个活跃客户、每笔交易或每次构建的成本。选择对服务有意义的单位,随时间跟踪,并注明变化。单位成本下降而总开支上升,是健康的模式,单位成本上升而使用量持平,则是调查的提示。

6. 把可靠性和质量显示在成本旁边。把成本与同一服务的可用性、延迟和错误率一起显示(见主题 5.2,SLI、SLO 与错误预算)。提高错误率的成本节省,是把成本转嫁给用户。错误预算的做法可以使这种取舍明确:当服务远好于所需时少花钱,当不是这样时投入。

7. 用明确的规则跟踪浪费。定义闲置(例如,在一段时期内没有有意义的使用)和过大(例如,利用率始终远低于所供应的容量),并报告各自的开支。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格和清理。让消除浪费成为团队待办中的常设项目,作为持续改进的一部分以小步解决。安排非生产环境在工作时间之外停止,删除未挂载的存储,选择合适的存储层级,并先评审最大的项目。小而定期的改变,胜过罕见的英雄式清理,后者在压力上升时往往被遗忘。

9. 让定价模式与工作负载匹配。对稳定的基线使用量使用承诺,对可变的负载使用按需,对能容忍中断的工作使用可中断容量。逐步承诺,每次少量,并跟踪覆盖率和利用率。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,并与提供商重新核对条款,因为它们会变化。

10. 检测异常并响应。对开支使用异常检测,它标出相对于基线的突然变化。异常检测工具从简单的阈值到统计模型不等。向所属团队告警,并度量确认和决定花了多久。配置错误的作业可以在几小时内累积起一笔大账单,所以速度很重要(见主题 5.5,监控与告警质量指标)。

预测与规划

11. 用动因和范围预测。依据需求的动因,比如预期的用户或交易,连同单位成本,构建预测。使用差异分析解释预测与实际之间的差异,并把由数量、价格和构成造成的分开。给出范围并说明假设。预测偏差应随模型改进而缩小。

12. 把可持续性纳入图景。使用有文档的方法(比如提供商报告或已发布的方法学)估计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、实例类型和日程的选择。把每单位排放视为每单位成本的伴侣,不要宣称方法无法支持的精确度。

操纵途径与护栏

指标 被操纵的方式 配套的护栏指标或实践
分摊覆盖率 把一切都标给一个笼统的负责人;把大量金额宣布为共享 笼统负责人所拥有的开支占比;共享池的规模和评审;负责人确认抽样
云单位成本 选择廉价增长的单位;削减可靠性以削减成本 固定的单位定义;可靠性和质量伴侣
浪费率 收窄闲置的定义;把浪费转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
承诺覆盖率 对夸大的基线作出承诺以追逐高百分比 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来填满承诺 与真实需求的增长比较;单位成本
预测偏差 给预测加水分;晚些时候修订它们 在期初记录预测;跟踪范围宽度和命中率
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;抽样告警检查响应质量

健康的读数是:几乎所有开支都有主且可见,单位成本依有解释的原因而变动,浪费在不造成中断的情况下缩小,承诺被使用,预测的误差随时间收窄。

权衡:利弊

做法 优势 劣势
中央云团队控制开支 一致,有谈判力 缓慢;远离工程决定
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
仅按需 灵活 单价最高
大量承诺 单价更低 需求下降时锁定和浪费
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
告警与评审 保持速度 取决于及时的响应
激进地调整规格 节省金钱 做过头则有性能风险
附 SLO 的适度调整规格 平衡 需要可靠性数据和细心

文字化的答案是,给团队数据和所有权,在服务关键之处设定告警和预算等护栏而不是硬性停止,向稳定的基线逐步承诺,并始终把成本与可靠性配对。

与团队讨论的问题

1. 我们今天能把多少云账单归属到负责人?找不到负责人的是什么? 查看带有有效标签的开支占比,以及最大的未标记项目。问各自该由谁拥有。主持人应记下有多少项目无人认领。约定一项在创建时强制执行的标签政策步骤。

2. 过去六个月里,我们的每单位成本怎么变化?为什么? 绘制单位成本,并标注架构、价格和数量的变化。问哪些变化是有意的。如果趋势出人意料,讨论缺少什么数据。在图表上加一项质量度量。

3. 如果敢的话,明天我们会关掉哪些资源? 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。约定一种安全地测试移除其中一个的办法,比如先排期或做快照。

4. 如果某个作业开始花费十倍的成本,我们怎么在一天内知道? 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。交谈应当揭示延迟和所有权中的缺口。约定确认和决定的目标时间,以及谁负责。

5. 我们可以安全地承诺多少基线使用量?什么会让我们判断错误? 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。决定第一笔适度的承诺和一个评审日期。让财务参与讨论。

6. 我们在不经意间作出了什么样的成本与可靠性的取舍? 评审近期的节省和事件。其中有相关的吗?讨论如何使这一取舍明确,例如把成本评审与错误预算联系起来。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,最适合减少它。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,并把消除浪费视为正常工作。他们应当能在作出变更后不久就看到它对成本的影响,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。他们应当保持标签合规简单,提供自助服务报告,并公布共享成本的清晰规则。他们应当同时观察所提供平台的成本和可靠性,帮助团队行动而不成为关卡。

领导层与治理

领导层和财务想要可预测的开支和良好的价值。他们应当为成本工作的工具和时间出资,接受预测中的范围,避免团队排行榜,并要求单位成本附质量。治理应当检查承诺是否依据数据作出,以及可持续性的主张是否说明其方法。

客户与用户

用户间接地感受云成本,通过价格、功能或服务的稳定性。当节省为改进出资时,他们受益,当削减降低质量时,他们受害。在用户按消耗付费之处,他们想要清晰的账单,以及影响账单的能力。

实践:一个敏捷 ITIL 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。以下数字是示意数字。

云开支在一年里稳步上升,财务总监要求削减。FinOps 负责人拉取账单数据。分摊覆盖率为 68%,未标记开支的三分之一在测试账户中。每笔完成订单的成本为 0.31 美元,高于六个月前的 0.27 美元,而订单量增长了 15%。依团队规则,浪费率为范围内开支的 14%,主要是夜间和周末运行的非生产环境,以及几个过大的数据库。承诺覆盖率为稳定基线的 20%,所购买部分的利用率为 97%。上个季度的预测偏差为正 18%,起因是一次没人告诉平台团队的营销活动。某个账户中一个失控的数据作业,在被人注意到之前运行了两天。

负责人与工程团队约定四项改变。一项标签政策阻止没有负责人和服务标签的新资源,有两周的宽限期。每个团队收到每周的成本视图,并在每两周一次的成本交谈中获得一个简短的发言时段。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格。第一笔承诺覆盖稳定基线的 60%,三个月后评审。异常告警发给所属团队,预期在四小时内记录决定,规划日历现在包括营销活动。

一个季度后,分摊覆盖率为 93%,浪费率降到 6%,每笔订单的成本降到 0.26 美元,结账延迟和错误率没有变化,预测偏差为正 5%。承诺覆盖率为 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,并提议改为提供每个团队的单位成本趋势及其可靠性度量。该决定被记录下来,并设定下次评审日期。

行业视角

初创企业。抵扣额和低账单可能掩盖在规模扩大后变得昂贵的坏习惯。从第一天就打标签,为非生产资源排期,并尽早跟踪每位客户的成本。仅在需求可预测时才承诺。

小型企业。单一账户和少数几项服务,使打标签和评审变得简单。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。许多账户、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计划。

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,对可变开支对拨款的影响建模,并保留审计轨迹。关于可持续性的公开承诺,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)。

商业论证:动机、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、标签政策和定期交谈的时间;工具(可能由云平台提供或购买);以及对发现采取行动的工程时间。一个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。用你自己的数字建立论证:第一次评审中的浪费率及其成本、为非生产环境排期所节省的开支、已承诺部分的承诺折扣,以及及早发现的异常所避免的成本。避免在没有可追溯来源和方法的情况下,引用全行业的浪费百分比或节省数字。计入这项实践的成本以及过度承诺的风险。关于改进的一般财务论证,见下一个主题(见主题 7.7,投资回报与商业论证)。

反模式与陷阱

  • 一个说不的中央团队。它拖慢工作,团队绕过它。用数据和护栏赋能团队。
  • 削减成本却不留意可靠性。节省会以事件的形式回来。把成本与服务级别度量配对。
  • 追逐承诺覆盖率。高百分比而低利用率是浪费。两者都跟踪。
  • 只给财务的月度报告。工程师从不看到。给团队每日或每周的视图。
  • 把打标签当作清理项目。它会衰减。在创建时强制执行标签。
  • 按开支给团队排名。增长看起来像浪费。连同背景显示单位成本趋势。
  • 预测单一数字。可变的需求会使其失效。使用范围和动因。
  • 宣称精确的排放。估计方法是不确定的。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
可见性与所有权 财务评审月度账单 部分团队使用标签 必填标签;团队看到每周成本视图 管理分摊覆盖率;评审共享池 成本数据近乎实时地流入跨提供商的产品决定
优化 偶尔的清理 部分团队排期和调整规格 浪费规则和常设的优化待办 浪费、承诺和单位成本与可靠性伴侣一起管理 在人类监督下的持续、自动化优化和共享学习
规划 年度预算 粗略的预测 带范围的、由动因驱动的预测 分析偏差并反馈;逐步管理承诺 与业务、供应商和可持续发展目标联合预测

检查清单

  • 在创建资源时强制执行一小套必填标签(负责人、服务、环境)。
  • 每周报告分摊覆盖率,并列出最大的未标记项目。
  • 每个团队都有带趋势和异常的每周成本视图。
  • 日历上有定期的工程与财务成本交谈。
  • 云单位成本与可用性、延迟和错误率一起跟踪。
  • 浪费规则已写下并得到应用,排除项被标注。
  • 针对稳定的基线使用量逐步作出承诺,并跟踪覆盖率和利用率。
  • 预测使用动因和范围,并分析偏差。
  • 异常告警送达负责人,并有预期的决定时间。
  • 如果报告排放估计,则说明其方法和局限。

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摘要:[粘贴月度成本、数量和任何已知的变化]。
请在数据允许的范围内,把成本的变化分解为数量、价格和构成的影响,建议下一步该检查什么,
并提出一个附质量伴侣的单位成本。不要编造价格或折扣。列出你的假设,以及为更有把握你
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。包括一套最少的必填标签、允许的取值、
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。保持简短,足以让工程师遵循。
列出你的假设,以及任何取决于我应当在当前文档中核对的提供商功能的事项。

定义浪费规则。

请为[环境类型]提出把云资源分类为闲置或过大的规则,包括所用的度量、时间窗口、排除项
(例如弹性备用)以及对误报的评审流程。描述如何避免损害可靠性。不要在没有说明我们应如何
依据自己的数据校准的情况下设定数字阈值。列出你的假设。

规划第一笔承诺。

我们过去[期间]的稳定基线使用量是[摘要],需求风险是[清单]。请概述第一笔承诺的谨慎计划:
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。不要假定具体的提供商折扣
或条款。列出你的假设,以及给财务和采购的问题。

AI 技能

关键要点

  • 使成本可见且有主:在创建时强制执行标签,并给每个团队其自己的每周视图。
  • 把每单位成本与可靠性和质量一起度量,绝不单独度量。
  • 在书面规则的指引下,把消除浪费作为正常工作的一部分。
  • 向稳定的基线逐步承诺,并同时跟踪覆盖率和利用率。
  • 用动因和范围预测,并以快速的响应留意异常。
  • 不要按开支给团队排名,并说明任何排放估计的方法和局限。

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.