Les clusters Kubernetes peuvent sembler totalement sains pendant que la facture grimpe. L'autoscaling est configuré, les tableaux de bord sont au vert, et pourtant les dépenses augmentent. Dans une enquête, 42 % des 455 ingénieurs plateforme ont cité le coût comme leur principal défi Kubernetes, tandis que 88 % ont vu le coût total de possession augmenter d'une année sur l'autre.1
Nous avons recueilli 68 études de cas sur l'optimisation des coûts Kubernetes et avons cartographié chaque cas d'usage mentionné vers chaque fournisseur qui l'a publié :
Les cellules plus foncées signifient plus de mentions. Les cellules vides signifient que l'outil n'a pas de cas publié pour ce cas d'usage.
Poursuivez pour un guide en 8 étapes avec des exemples concrets pour réduire les dépenses de cluster et la comparaison de l'outil d'optimisation des coûts Kubernetes.
1. Mesurez avant de modifier quoi que ce soit
Tout chiffre dans le reste de ce guide est un delta, et un delta a besoin d'un point de départ. Sans une base de référence capturée avant le premier changement, il n'y a aucun moyen de savoir si l'étape 1 a fonctionné, ni d'attribuer les économies de l'étape 3 à la consolidation plutôt qu'au redimensionnement qui l'a précédée. Cela compte davantage ici que dans la plupart des travaux d'ingénierie, car les six actions réduisent la même facture et leurs économies ne s'additionnent pas. Libérer de la capacité à l'étape 1 ne produit rien sur la facture jusqu'à ce que l'étape 3 supprime les nœuds.
Mesurez quatre choses :
- Utilisation demandée par rapport à l'utilisation réelle de CPU et de mémoire, par charge de travail. L'écart constitue votre backlog de l'étape 1, trié par taille.
- Coût par namespace et par charge de travail. C'est ce qui fait des quotas de l'étape 2 une négociation plutôt qu'une imposition.
- Efficacité du bin packing, capacité allouable par rapport aux ressources demandées par nœud. C'est la cible de l'étape 3.
- Coût inactif par heure du jour et par jour de la semaine hors production. Cela dimensionne l'étape 5 avant de la construire.
Mesurez sur au moins un cycle d'activité complet. Sept jours est le minimum et trente jours, c'est mieux. La fenêtre n'est pas une précaution procédurale. L'étape 1 définit les demandes de mémoire au maximum observé, et un maximum observé n'est aussi bon que la fenêtre qui l'a observé. Un maximum relevé sur 48 heures manque un traitement par lots hebdomadaire et provoque un OOMKill le dimanche suivant.
Outillage
- Répartition des coûts : OpenCost, le projet CNCF à l'origine du modèle de répartition, est le socle gratuit. L'offre gratuite de Kubecost enveloppe le même moteur dans une interface jusqu'à 250 cœurs.
- Utilisation : Prometheus avec kube-state-metrics est le substrat. Robusta KRR le lit directement sans rien installer dans le cluster.
- Dépenses plus larges : Lorsque Kubernetes est une partie d'une facture que la finance doit aussi expliquer, CloudZero, Vantage et Finout se placent au-dessus de cette couche plutôt que de la remplacer.
Les deux outils de coûts attribuent par libellé, donc l'étiquetage vient en premier. Les dépenses non étiquetées sont la raison la plus courante pour laquelle une base de référence s'avère inutile trois semaines plus tard.
Chaque action ci-dessous indique la recommandation, la méthode, la configuration et une entreprise qui a franchi cette étape. Chaque étude de cas et chaque statistique comporte un lien source.
2. Définissez des quotas de namespace comme garde-fous
Les économies se dégradent lorsque les équipes déploient de nouvelles charges de travail sans demandes spécifiées. Une LimitRange fournit des demandes par défaut aux conteneurs qui les omettent, et une ResourceQuota plafonne ce qu'un namespace peut consommer au total.
Déployez la LimitRange avant la ResourceQuota. Une fois qu'un quota contraint une ressource, tout pod sans demande pour cette ressource est rejeté à l'admission, de sorte que l'ordre inverse casse les déploiements.2
Chaque équilibreur de charge est facturé séparément par le fournisseur de cloud, et les volumes orphelins continuent d'être facturés après la disparition de leurs pods.
2. Redimensionnez les demandes de CPU et de mémoire
Les demandes déterminent le nombre de nœuds, et le nombre de nœuds détermine la facture. La plupart des clusters fonctionnent bien en dessous de la capacité qu'ils paient, parce que les demandes ont été devinées une fois et jamais revues. Une analyse de 23 000 clusters de production sur AWS, Azure et Google Cloud a constaté une utilisation moyenne du CPU de 8 %, de la mémoire de 20 % et du GPU de 5 %. 3
Définissez les demandes de CPU près du 95e percentile de l'utilisation observée. Définissez les demandes de mémoire au maximum observé plutôt qu'à un percentile, et définissez la limite de mémoire égale à la demande. Un percentile laisse le conteneur à court pendant le trafic restant, et comme la limite correspond à la demande, ce manque arrive sous forme d'OOMKill plutôt que de ralentissement.
Omettez la limite de CPU. La limitation du CPU dégrade la latence sans tuer le pod, et la demande réserve ce dont la charge de travail a besoin.
Le Vertical Pod Autoscaler en mode recommandation uniquement produit ces chiffres sans risque pour la production.
Lisez les recommandations avec kubectl describe vpa payments-api et comparez la valeur cible à la demande actuelle.
Étude de cas réelle : Tryg Insurance
Tryg Insurance est le plus grand assureur généraliste de la région nordique et exécute Kubernetes sur Oracle Cloud Infrastructure. Son équipe d'ingénierie a combiné l'Horizontal Pod Autoscaler et le Vertical Pod Autoscaler pour redimensionner dynamiquement les charges de travail tout en maintenant les niveaux de service, et a réduit les coûts cloud Kubernetes de 50 % en utilisant uniquement des autoscalers open source, sans plateforme d'optimisation commerciale.4
4. Consolidez les nœuds avec Karpenter et mettez à zéro les charges de travail inactives
Le redimensionnement libère de la capacité, mais cette capacité reste sur des nœuds qui continuent de fonctionner jusqu'à ce que quelque chose les supprime. Karpenter provisionne des instances à temps et reconditionne les charges de travail sur moins de nœuds. KEDA réduit les charges de travail pilotées par file d'attente à zéro réplica, ce qu'un Horizontal Pod Autoscaler standard ne peut pas faire.
Définissez la politique de consolidation sur WhenEmptyOrUnderutilized. L'alternative, WhenEmpty, limite la perturbation aux nœuds ne contenant aucun pod de charge de travail, et ceux-ci se produisent rarement sans intervention. 5
Une liste d'instances étroite annule cela, car Karpenter ne peut pas trouver des valeurs aberrantes bon marché et votre résilience aux instances Spot diminue. Vous devriez le laisser choisir parmi des familles d'instances entières.
Étude de cas réelle : Adidas
Adidas exécute plusieurs clusters Kubernetes sur AWS EKS. Leur équipe d'ingénierie plateforme a adopté Karpenter pour le provisionnement des nœuds, ajouté KEDA pour la mise à l'échelle événementielle, auto-créé des objets Vertical Pod Autoscaler via des politiques Kyverno, et utilisé kube-downscaler pour les environnements inactifs. Ils ont réduit le coût d'exécution de leurs clusters Kubernetes sur AWS jusqu'à 50 %, en utilisant une pile entièrement open source.6
5. Préparez-vous correctement avant de déplacer des charges de travail vers Spot
Les instances Spot offrent la plus grande remise disponible et l'applicabilité la plus étroite. Rien ne doit passer en Spot avant que les PodDisruptionBudgets, la diversification des instances, la répartition de la topologie et la gestion des interruptions soient en place.
Un PodDisruptionBudget sans marge bloque toute perturbation volontaire, y compris la consolidation de Karpenter, de sorte que les valeurs doivent avoir du mou. 7
Étude de cas réelle : Delivery Hero
Delivery Hero exploite 390 applications dans 43 pays, avec environ 90 % des charges de travail exécutées sur AWS EKS. Leur équipe a migré vers les instances Spot sur environ six mois, en intégrant la gestion des interruptions et un déscheduler dans le processus plutôt que de changer directement de type de capacité.
- Les coûts d'infrastructure ont chuté d'environ 70 %
- Les remises Spot ont atteint jusqu'à 90 % par rapport à la tarification à la demande
- La plateforme absorbe des pics de trafic de 4 à 5 fois le volume normal.8
6. Arrêtez la non-production selon un planning
Les environnements de développement et de préproduction supportent peu ou pas de charge la nuit et le week-end. L'arrêt planifié est techniquement simple et politiquement incontesté, ce qui en fait l'économie la plus rapide à réaliser et une première action utile là où des changements plus difficiles nécessiteront plus tard un soutien.
Appliquez la planification par défaut à tous les namespaces de non-production et exigez des équipes qu'elles se désinscrivent explicitement. Une politique qui exige une action pour y adhérer atteint moins d'équipes qu'une politique qui exige une action pour en sortir.
L'économie atteint la facture si la consolidation des nœuds est active, car les déploiements réduits laissent derrière eux des nœuds vides.
Étude de cas réelle : Bud Financial
Bud Financial enrichit les données de transactions financières pour le secteur des services financiers et exécute environ 25 clusters sur Google Kubernetes Engine. Leur équipe a utilisé la mise en pause et la reprise planifiées pour réduire les nœuds des clusters la nuit et le week-end, en parallèle d'un rééquilibrage quotidien.
- Les coûts ont chuté de 47 % grâce au seul changement de planification
- La planification a supprimé 80 heures de fonctionnement des clusters par semaine
- L'utilisation des ressources est montée au-dessus de 90 %.9
7. Migrez les charges de travail compatibles vers ARM
Les instances basées sur ARM modifient le prix unitaire plutôt que de concurrencer la même capacité inactive que les actions ci-dessus, de sorte que ces économies s'ajoutent véritablement au reste. Les blocages seront les dépendances sans versions ARM64.
Les utilisateurs devraient définir cela charge de travail par charge de travail plutôt que sur l'ensemble du parc, et construire des images multi-architectures avant de planifier quoi que ce soit.
Étude de cas réelle : Pinterest
Pinterest a migré sa charge de travail web API vers des instances AWS Graviton exécutées sur ARM64, motivé à la fois par la réduction des coûts et du carbone.
- Les coûts ont chuté de 47 %
- La consommation de calcul a chuté de 38 %
- Les émissions de carbone ont chuté de 62 %.10
8. Lorsque l'optimisation atteint ses limites, changez l'architecture
Les six actions ci-dessus optimisent les charges de travail à l'intérieur des clusters existants. Une fois épuisées, de nouveaux gains exigent un changement architectural plutôt qu'une optimisation supplémentaire.
Deux résultats publiés marquent la limite pratique. InCred Finance a réduit ses dépenses de 30 % sur des clusters que son équipe considérait optimisés11, et Yotpo a atteint 30–40 % en exécutant 80 % des charges de travail sur des instances Spot12. Au-delà de cette fourchette, le gaspillage restant ne se trouve plus dans les clusters mais dans le nombre de clusters. Chacun porte une charge de plan de contrôle et forme un îlot de planification que le bin packing ne peut pas franchir.
La multi-location supprime ces deux coûts. Au lieu de dédier un cluster à chaque client, équipe ou environnement, des clusters virtuels fonctionnent sur une infrastructure physique partagée. Chaque locataire reçoit son propre serveur API et plan de contrôle virtuel tandis que les nœuds sont mutualisés. Cela élimine la charge de plan de contrôle par cluster et permet le bin packing sur le pool de nœuds partagé plutôt qu'au sein de domaines isolés.
yaml
bash
Deux mécanismes sont disponibles. Les namespaces sont toujours moins chers, donc le choix se fait selon la séparation exigée par les locataires, pas sur le coût.
- Les namespaces partitionnent un seul cluster et n'ajoutent aucun plan de contrôle propre. Ils suffisent lorsque les locataires se font confiance et peuvent partager un serveur API et un ensemble de CRDs.
- Les clusters virtuels donnent à chaque locataire son propre serveur API, exécuté comme charge de travail sur l'hôte. Ce coût est justifié dans deux cas : les locataires qui ont besoin de leurs propres ressources à portée de cluster, et les exigences d'isolation qu'un serveur API partagé ne peut pas satisfaire.

Étude de cas réelle : Atlan
Atlan est une entreprise de catalogue de données qui héberge la plateforme pour environ 95 % de ses clients, dont beaucoup dans la santé et la finance où l'isolation des données est contractuelle. Elle gérait un cluster EKS complet par client et a dépassé 100 clusters, un parc coûteux à faire fonctionner 24h/24 et difficile à maintenir. À partir du T1 2022, elle a évalué des options de multi-location et reconstruit sur vCluster, donnant à chaque client un cluster virtuel plutôt que physique.
- Les clusters EKS physiques sont passés de plus de 100 à 20, servant toujours plus de 100 clients
- Les dépenses Kubernetes ont chuté de 600 000 $.13
Ordre d'exécution
Les engagements arrivent en dernier bien qu'ils soient l'action la plus facile. Les acheter avant le redimensionnement verrouille un à trois ans du gaspillage que le redimensionnement allait supprimer. C'est l'erreur de séquençage la plus coûteuse qui soit, et elle est courante car elle nécessite un achat plutôt qu'un travail d'ingénierie.
L'action 7 est une branche, pas une étape. Prenez-la une fois les six premières terminées et que le résultat est encore insuffisant, car elle change le nombre de clusters qui tournent plutôt que l'efficacité de chacun.
Outils d'optimisation des coûts Kubernetes
Nous avons tracé les outils ayant trois études de cas publiées ou plus couvrant 47 des 68 études de cas du dataset :
- Horizontal : combien d'études de cas chaque outil possède, comptées une fois chacune.
- Vertical : combien de catégories de cas d'usage distinctes ces cas couvrent, sur dix. Un outil compte une fois par catégorie, peu importe la fréquence à laquelle il y apparaît, donc les CAST IA 12 mentions distinctes de redimensionnement contribuent pour 1 à son score de 10.
- Taille de la bulle : combien des huit étapes stratégiques l'outil apparaît.
Frameworks open source
Les frameworks open source peuvent être déployés pour les étapes de 0 à 6. Les utilisateurs assument les mises à niveau, le renouvellement des versions, la facture de rétention Prometheus et les jugements qu'un recommandeur commercial prendrait à leur place.
Chacun de ces outils occupe un domaine différent, c'est pourquoi plusieurs fonctionnent en même temps.
- Robusta KRR ou VPA en
updateMode: "Off"produit le backlog de l'étape 1. N'écrit rien. - Karpenter possède les nœuds : provisionnement, consolidation, sélection des instances, diversification Spot, architecture. Prend en charge les étapes 3, 4 et 6.
- KEDA possède le nombre de réplicas, y compris la mise à zéro, ce que HPA seul ne peut pas faire.
- py-kube-downscaler ou kube-green possède la planification de la non-production. L'économie la moins chère de la liste.
- OpenCost mesure tout au long et ne participe à rien.
Plateformes commerciales
Chaque outil commercial adopte l'une des trois positions sur la couche nœud. C'est la décision, et elle compte plus que le prix ou le nombre de fonctionnalités, car le manifeste NodePool de l'étape 3 survit ou ne survit pas.
- Laissez-le tranquille : StormForge, PerfectScale, Sedai et Kubex redimensionnent les charges de travail. Ils ont besoin de Karpenter ou Cluster Autoscaler en dessous et n'y touchent jamais. L'ajout le plus sûr à une configuration existante.
- Travaillez avec lui : ScaleOps ajoute le bin packing par-dessus Karpenter. nOps ajuste un Cluster Autoscaler ou Karpenter existant plutôt que de substituer le sien. Plus de couverture, le provisionneur reste le vôtre.
- Remplacez-le : CAST IA et Spot Ocean installent leur propre provisionneur et écartent le manifeste. Couverture la plus large, contrôle minimal.
- Les outils de visibilité se placent à l'extérieur : OpenCost, Kubecost, CloudZero, Vantage et Finout ne font que lire, ils n'entrent donc en conflit avec rien et s'empilent librement. Exécutez-en un quel que soit ce qui est adopté par ailleurs.
Comment combiner ces outils
La facture est basée sur les nœuds en cours d'exécution, pas sur les demandes déclarées. Le redimensionnement réduit les demandes, ce qui libère de l'espace sur les nœuds existants mais n'en supprime aucun, de sorte que la facture reste inchangée jusqu'à ce qu'un outil de nœuds consolide cet espace. Les outils de nœuds seuls échouent pour la raison inverse : ils emballent les demandes qu'on leur donne, donc des demandes surgonflées sont emballées plus étroitement.
Deux façons de couvrir les deux couches :
- Deux outils : VPA, StormForge ou PerfectScale pour les demandes, plus Karpenter pour les nœuds. Moins cher, et la couche nœud reste sous contrôle direct.
- Une plateforme : CAST IA, Zesty ou Spot Ocean font les deux dans un seul produit. Plus cher, et leur provisionneur remplace Karpenter.
Cinq combinaisons d'outils qui cassent les choses :
- Deux redimensionneurs mutateurs sur un même déploiement : VPA en
Autoaux côtés de StormForge, ScaleOps, PerfectScale ou Zesty signifie deux contrôleurs écrivant des nombres différents dans le même champ. Un contrôleur d'admission mutateur par charge de travail. - Karpenter et Cluster Autoscaler sur un même groupe de nœuds : les deux provisionnent face aux mêmes pods non planifiables, le cluster se retrouve donc avec environ le double des nœuds nécessaires.
- VPA et HPA sur la même métrique : l'utilisation augmente, VPA augmente la demande, l'utilisation mesurée baisse car c'est l'utilisation sur la demande, HPA supprime des réplicas, la charge par pod augmente, recommencez. Sûr lorsque HPA évolue sur quelque chose que VPA ne touche pas, comme la profondeur de file via KEDA.
- Deux outils d'engagement sur un même compte payeur : les deux achètent contre la même dépense non couverte, verrouillant un sur-engagement pendant un à trois ans.
- Deux plateformes complètes : CAST IA, Zesty et Spot Ocean installent chacun leur propre provisionneur et s'attendent chacun à le posséder.
Filtrez toutes les études de cas que nous avons recueillies :
Pour aller plus loin sur les coûts cloud
Lisez la suite pour maîtriser le placement des pods et réduire vos dépenses de calcul cloud :
- Comparez les meilleurs outils d'orchestration de conteneurs
- Comparez plus de 20 orchestrateurs cloud
- Meilleurs planificateurs de tâches cloud hybrides
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{simsek2026,
author = {Şimşek, Hazal},
title = {{Optimisation des coûts Kubernetes: 8 étapes et 23 outils}},
year = {2026},
month = oct,
howpublished = {\url{https://aimultiple.com/kubernetes-cost-optimization}},
note = {AIMultiple. Consulté le 15 octobre 2026}
}Résultats et horodatages de 249 points de données. Téléchargez les données de synthèse présentées dans les graphiques et les tableaux de cet article sous forme de fichier ZIP contenant 6 fichiers CSV.
Vous voulez les données détaillées derrière ? Rejoindre Premium

Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.