Какие решения по FinOps (финансовому управлению облаком) вы реализовывали?

В моей практике на AWS я внедрял несколько ключевых практик FinOps:

1. Всеобъемлющий таггинг и атрибуция затрат: Реализовал обязательную политику тегирования для всех ресурсов (например, CostCenter, Project, Environment, Owner). Это позволило точно распределять затраты между командами через AWS Cost Explorer и формировать детальные отчеты.

   # Пример политики тегов в Terraform модуле
   variable "common_tags" {
     type = map(string)
     default = {
       Project     = "data-platform"
       Environment = "production"
       CostCenter  = "bi-2024"
       ManagedBy   = "terraform"
     }
   }

2. Автоматизированный мониторинг и алертинг: Настроил бюджеты в AWS Budgets с уведомлениями на несколько порогов (например, 80%, 100%, 120%). При срабатывании алерты отправлялись в Slack через SNS и Lambda, что позволяло оперативно реагировать.

3. Оптимизация ресурсов по расписанию: Для непостоянно используемых dev/test и аналитических сред (например, EC2, RDS, Redshift) внедрил автоматическое остановку/запуск в нерабочие часы и на выходные с помощью AWS Instance Scheduler или собственных Lambda-функций.

   # Пример логики Lambda для остановки инстансов по тегу
   import boto3
   
   def lambda_handler(event, context):
       ec2 = boto3.resource('ec2')
       instances = ec2.instances.filter(
           Filters=[
               {'Name': 'tag:AutoStop', 'Values': ['true']},
               {'Name': 'instance-state-name', 'Values': ['running']}
           ])
       for instance in instances:
           instance.stop()
           print(f"Stopped instance: {instance.id}")

4. Выбор оптимальных типов инстансов и commitment-моделей: Анализировал утилизацию EC2 и RDS с помощью AWS Compute Optimizer и Trusted Advisor. На основе этой информации переводил стабильные production-нагрузки на Reserved Instances и Savings Plans, что дало экономию до 40% по сравнению с On-Demand тарифами.

5. Оптимизация хранилища данных: Внедрил политики жизненного цикла в S3 для автоматического перехода данных в более дешевые классы хранения (IA, Glacier) и их своевременного удаления, а также включил сжатие и партиционирование в Athena/Redshift для снижения затрат на сканирование.