如何整合RI续购日期_语言 & 开发_亚马逊云科技 (Amazon Web Services）

快手、孩子王、华为等专家分享大模型在电商运营、母婴消费、翻译等行业场景的实际应用了解详情 



 写点什么

需求背景

看过以前四篇文章的介绍，作为一个云平台的管理人员，我想你应该非常熟悉如何做年度的 EC2 实例优化了，那么下面你一定会根据优化结果开始准备购买下一年的 RI 了。但是在很多企业中，由于的历史原因，并不是所有的 RI 都是在同一天购买的，也就是说，RI 的到期日分布在不同的月份和不同的日子，这样一批一批的购买是不是很繁琐呢？你也许会脑洞大开的想，我能不能选择日期临近的 RI 合并一起购买呢？这样就可以通过逐步减少购买 RI 的批次从而逐步增加每个批次的数量，合并以后可以省去很多麻烦。

但是选择在哪一天集中购买会更加经济呢？仔细想想，并不是每天的成本都是一样的。我们举个例子，你有 30 个 EC2 instance，最早过期日和最晚过期相差 2 个月，一共有 6 个批次。那么究竟选择哪一天集中购买最划算呢？

方案概述

要计算出哪一天购买最划算，我们需要分析一下我们所做决定的成本构成：

假设我们选择在第 X 天购买，对于任何一个 EC2，在整个批次的 RI 购买周期内（从最早 RI 到期日至最晚 RI 到期日）有以下三部分成本：

原有机型 RI 的成本，

假设原有的 RI 在第 Y 天到期，如果在第 X 天购买新的 RI，则浪费了：

（X-Y）* 原有机型 RI 每日成本

如果 X-Y<=0，则这部分成本为 0

2.新机型 RI 的成本

（RI 购买周期-X）*新机型 RI 每日成本

如果（RI 购买周期-X）<=0，则这部分成本为 0

3.On-Demand 成本

假设原有机型 RI 在第 Y 天到期，而我们在第 X 天购买了新机型的 RI，则从第 Y 天到第 X 天会以 On-Demand 的价格收取原有机型的费用

（Y-X）*原有机型 On-Demand 每日价格

如果 Y-X<=0，则这部分成本为 0

我们要做的就是将每台 EC2 的这三部分成本加起来，选择一个合适的日子，使这三部分的成本之和最小。

我们使用第三篇文章介绍的优化方法生产的优化结果文件作为输入，输入的 Excel 的每条记录需要包含如下信息：

ri_expired_date	target_price	source_price	source_ondemand

ri_experied_date：源系统 EC2 RI 的到期日（日期类型）

target_price：目标 EC2 的一年标准 RI 实例价格

source _price：源 EC2 的一年标准 RI 实例价格

source _ondemand：源 EC2 的 On-Demand 实例价格（每小时）

示例输入文件的格式如下：

上面的结果显示总计有 52 台服务器，原来分了 7 个批次购买 RI，最早到期日是 5 月 21 日，最晚到期日是 6 月 12 日。我们要计算的是如果这 52 台服务器今年一起购买 RI，那么在哪一天购买最划算？

下面这个 Python 程序（ri_plan.py）就是根据上述方案阐述的思路编写的，可以很好地解决这个问题。

import pandas as pd
from datetime import *
from datetime import date
from datetime import datetime

table = pd.read_excel("blog5_output.xlsx")
start_day = min(table['ri_expired_date']).date()
end_day = max(table['ri_expired_date']).date()
duration = (end_day - start_day).days
total_item = table.shape[0]
cost = []
for x in range(0, duration + 1):
    sub_total = 0
    for i in range(0, total_item):
        current_item_date = (table.loc[[i]].ri_expired_date)[i].date()
        # old price duration
        op_day = ((current_item_date - start_day).days) - x
        # on demand price duration
        od_day = x - ((current_item_date - start_day).days)
        # new price duration
        np_day = (duration - x)
        if op_day < 0:
            op_day = 0
        if od_day < 0:
            od_day = 0
        sub_total += ((table.loc[[i]].source_price)[i] / 365 * op_day + (table.loc[[i]].target_price)[i] / 365 * np_day + (table.loc[[i]].source_ondemand) * od_day * 24)[i]
    cost.append(sub_total)
optimize_cost = min(cost)

print("{}   {}".format('    Date', '    Cost'))
for i in range(0, len(cost)):
    if cost[i] == optimize_cost:
        recommand_date = start_day + timedelta(days=i)
    current_date = start_day + timedelta(days=i)
    current_date = datetime.combine(current_date, datetime.min.time())
    print("{}   {:.2f}".format(current_date.strftime('%Y-%m-%d'), cost[i]))
print ('\nRecommanded date to buy RI is {}'.format(recommand_date))

复制代码

运行后的结果如下：

$ python ri_plan.py    Date       Cost2019-05-21   135170.432019-05-22   129999.902019-05-23   124917.962019-05-24   119982.302019-05-25   115046.642019-05-26   110110.982019-05-27   105175.322019-05-28   100239.652019-05-29   102823.482019-05-30   105407.302019-05-31   107991.122019-06-01   110574.952019-06-02   113158.772019-06-03   115742.592019-06-04   118326.422019-06-05   127722.572019-06-06   137703.242019-06-07   147683.912019-06-08   157664.582019-06-09   167645.262019-06-10   177625.932019-06-11   187606.602019-06-12   197587.27 Recommended date to buy RI is 2019-05-28