AWS Savings Plans筆記

Savings Plans 是用「長期承諾每小時花費」來換取 AWS 運算成本折扣。

一、什麼是 AWS Savings Plans？

AWS Savings Plans 是一種節省 AWS 成本的方案。 它不像傳統 Reserved Instances 一樣，要綁定非常明確的 Instance Type。

Savings Plans 的核心概念是： 你承諾未來 1 年或 3 年，每小時會花費固定金額，AWS 就給你折扣。

例如你承諾未來 3 年，每小時至少花 10 美元在運算資源上， AWS 就會自動將符合條件的用量套用折扣。

二、AWS 專家口語化說明

Savings Plans 就像跟 AWS 簽長約。

你不是買一台固定機器，而是跟 AWS 說： 「我未來會穩定使用一定金額的運算資源，請給我折扣。」

如果你的系統長期運作，Savings Plans 通常會比 On-Demand 更省。 但如果你的用量很不穩定，就要小心不要承諾太多，避免浪費。

簡單判斷： 長期穩定用量可以考慮 Savings Plans；短期、臨時、不確定的用量先用 On-Demand。

三、Savings Plans 類型比較

類型	用途	白話說明
EC2 Instance Savings Plans	節省 EC2 成本	適合長期使用特定 Region、特定 Instance Family 的 EC2，折扣較高但限制較多。
Compute Savings Plans	節省多種運算服務成本	可套用 EC2、Fargate、Lambda，彈性最高。
Machine Learning Savings Plans	節省機器學習服務成本	常見於 Amazon SageMaker 長期使用情境。

四、相關 AWS 服務整理

AWS 服務 / 概念	用途	白話說明
AWS Savings Plans	節省運算成本	承諾每小時固定花費，換取比 On-Demand 更低的價格。
Amazon EC2	虛擬主機	EC2 Instance Savings Plans 與 Compute Savings Plans 都可套用。
AWS Fargate	無伺服器容器運算	Compute Savings Plans 可套用到 Fargate。
AWS Lambda	Serverless 函數	Compute Savings Plans 可套用到 Lambda。
Amazon SageMaker	機器學習平台	可使用 SageMaker Savings Plans 降低長期 ML 成本。
AWS Cost Explorer	成本分析與建議	可根據目前用量，建議適合的 Savings Plan。
On-Demand	隨用隨付	彈性最高，但價格通常較高。

五、付款方式

付款方式	說明	白話說明
All Upfront	全額預付	一開始付清，通常折扣最大。
Partial Upfront	部分預付	先付一部分，後續再分期或按月支付。
No Upfront	不預付	不用先付錢，但折扣通常較低。

六、生活化比喻

Savings Plans 可以想成電信門號長約。

• On-Demand像預付卡，用多少付多少，彈性高但單價較貴。
• Savings Plans像月租方案，承諾固定消費，換取折扣。
• EC2 Instance Savings Plans像指定品牌長約，折扣高但限制較多。
• Compute Savings Plans像全平台通用月租，EC2、Fargate、Lambda 都可能適用。
• SageMaker Savings Plans像專門給 AI 團隊的長約方案。

七、整體流程圖

AWS 運算成本 │ ├─ 不承諾 │ │ │ └─ On-Demand │ ├─ 用多少付多少 │ ├─ 彈性最高 │ └─ 單價通常較高 │ └─ 願意長期承諾 │ └─ Savings Plans │ ├─ 承諾每小時固定花費 ├─ 承諾 1 年或 3 年 ├─ 選擇付款方式 │ ├─ EC2 Instance Savings Plans │ ├─ 適用 EC2 │ ├─ 綁定 Region │ ├─ 綁定 Instance Family │ └─ 折扣較高 │ ├─ Compute Savings Plans │ ├─ 適用 EC2 │ ├─ 適用 Fargate │ ├─ 適用 Lambda │ └─ 彈性最高 │ └─ Machine Learning Savings Plans ├─ 適用 SageMaker └─ 適合長期 ML 工作負載

八、實務選擇建議

情境	建議選擇	原因
EC2 長期固定使用同一類型	EC2 Instance Savings Plans	折扣通常較高，適合穩定工作負載。
架構常在 EC2、Lambda、Fargate 之間變動	Compute Savings Plans	彈性最高，不容易因架構調整而浪費承諾。
長期使用 SageMaker	Machine Learning Savings Plans	適合長時間機器學習工作負載。
用量不穩定或只是短期測試	On-Demand	不用承諾，避免買太多造成浪費。

總結： Savings Plans 的重點不是買某一台機器，而是承諾每小時使用一定金額的 AWS 運算資源。 用量穩定時可以省錢，用量不穩時要小心承諾過高。