MemoriaGCP

tekio.org

Active Assist

Projet GCPCompute EngineVM inactiveStratégies IAMdroits non utilisésCloud SQLinstance surdimensionnéeFinOps hubconsoleRecommenderrecommandations, insightsBigQueryexport planifiéÉquipe plateformeapplique ou ignore123456
  1. Les moteurs observent la consommation réelle sur plusieurs semaines avant de proposer la suppression ou le redimensionnement d'une ressource.
  2. Le moteur de stratégies IAM compare les droits accordés aux droits réellement exercés et propose des rôles plus étroits.
  3. Chaque produit a ses propres moteurs : inactivité, surdimensionnement, réglages de sécurité et de performance.
  4. Les propositions remontent dans la page Active Assist, dans le FinOps hub côté facturation et en contexte dans chaque produit.
  5. Un transfert planifié copie recommandations et insights dans BigQuery, pour les suivre dans le temps et les répartir par équipe.
  6. Une recommandation reste une proposition : elle est appliquée, reportée ou refusée par une personne ; rien n'est modifié tout seul.

Ce que c'est

Nom de l'ensemble des outils de recommandation de Google Cloud. Le service qui les porte s'appelle Recommender : il analyse l'usage réel des ressources et produit deux types d'objets, les insights (un constat mesuré, « cette VM n'a pas dépassé 3 % de CPU depuis 14 jours ») et les recommandations (l'action proposée, avec son gain estimé et son niveau de risque).

  • Six axes. Les propositions sont classées par coût, sécurité, performance, fiabilité, facilité d'exploitation et durabilité. Un même moteur peut alimenter plusieurs axes.
  • Un moteur par produit et par sujet. Chacun porte un identifiant stable, utilisé par l'API et par les rôles IAM : google.compute.instance.IdleResourceRecommender (VM inactives), google.compute.instance.MachineTypeRecommender (redimensionnement), google.compute.disk.IdleResourceRecommender (disques oubliés), google.compute.address.IdleResourceRecommender (adresses IP réservées inutilisées), google.compute.commitment.UsageCommitmentRecommender (engagements d'usage à souscrire), google.iam.policy.Recommender (droits excédentaires), google.cloudsql.instance.* (inactivité, surdimensionnement, sécurité, performance de Cloud SQL), google.resourcemanager.projectUtilization.Recommender (projets délaissés), google.bigquery.table.PartitionClusterRecommender (partitionnement et clustering de tables BigQuery), google.container.DiagnosisRecommender (GKE), google.storage.bucket.SoftDeleteRecommender (Cloud Storage).
  • Où on les voit. Page Active Assist de la console, FinOps hub du compte de facturation, page d'optimisation de Cloud Hub, et surtout en contexte : la liste des VM signale elle-même celles qui dorment.
  • État. Une recommandation est active, revendiquée, appliquée, ignorée ou échue. L'état se met à jour par l'API, ce qui permet de suivre un plan d'optimisation sans tableur.
  • Export. Un transfert planifié par BigQuery Data Transfer Service copie recommandations et insights dans un jeu de données, pour les historiser, les croiser avec les coûts et les répartir par équipe.
  • Accès. Chaque moteur a ses propres permissions (recommender.<type>.get, .list, .update), ce qui permet de donner la lecture des recommandations de coût sans ouvrir celles de sécurité. Les actions sont tracées dans les journaux d'audit.
  • Facturation. Le service n'est pas facturé ; seul l'export vers BigQuery consomme du stockage et des requêtes.

Une recommandation se juge, elle ne s'applique pas en lot. Une VM « inactive » peut être un secours de reprise, un droit IAM « inutilisé » peut ne servir qu'une fois l'an à la clôture, et un engagement proposé sur trois ans se fonde sur la consommation passée. Le gain affiché est une estimation, pas un engagement.

À quoi ça sert

  • Récupérer la dépense évidente : VM éteintes mais facturées, disques non attachés, adresses IP réservées, instances surdimensionnées.
  • Resserrer les droits IAM sur la base de l'usage observé plutôt que d'un audit déclaratif, avec un rôle de remplacement proposé.
  • Décider d'un engagement d'usage sur des bases chiffrées, et voir si les engagements déjà souscrits sont consommés.
  • Repérer les projets que plus personne n'utilise avant qu'ils ne deviennent des zones d'ombre.
  • Suivre un plan d'optimisation dans la durée en exportant les recommandations vers BigQuery et en les restituant dans Looker.
  • Alimenter un rituel FinOps : un score et une liste de gains potentiels à passer en revue périodiquement.

À éviter comme unique source de décision d'architecture : les moteurs regardent l'usage passé d'une ressource isolée, sans connaître les contraintes de reprise d'activité, les pics saisonniers ou les dépendances entre services. À éviter aussi comme outil de gouvernance des coûts à lui seul : il propose des actions ponctuelles mais ne pose ni budget ni limite — c'est le rôle de Cost Management et de Cloud Quotas. Enfin, pour l'optimisation fine des conteneurs, les mécanismes natifs de GKE (autoscaler vertical, mise à l'échelle automatique des nœuds) agissent en continu là où une recommandation arrive après coup.

Dans la console

Hub de recommandations : liste par catégorie et détail d'un redimensionnement de VM, configuration actuelle et recommandée, économie mensuelle
Hub de recommandations : liste par catégorie et détail d'un redimensionnement de VM, configuration actuelle et recommandée, économie mensuelle. Source : documentation Google Cloud, licence CC BY 4.0.

Alternatives en logiciel libre

  • Cloud Custodian (Apache 2.0) : moteur de règles déclaratives qui inventorie, signale, étiquette ou corrige les ressources d'un compte cloud — le pendant direct, avec en plus l'application automatique que Recommender laisse à l'humain.
  • OpenCost (Apache 2.0) : allocation du coût Kubernetes par espace de noms et par charge de travail, base des décisions de redimensionnement dans un cluster.
  • Robusta KRR (MIT) : recommandations de requests et limits pour les charges Kubernetes, calculées à partir des métriques Prometheus.
  • Goldilocks (Apache 2.0) : exploitation de l'autoscaler vertical de Kubernetes pour proposer les bons dimensionnements de pods.
  • Polaris (Apache 2.0) et kube-score (MIT) : contrôles de bonnes pratiques sur les manifestes et les ressources d'un cluster, l'équivalent des axes fiabilité et exploitabilité.
  • Steampipe (AGPL v3) : requêtes SQL sur l'inventaire d'un compte cloud, avec des jeux de contrôles prêts à l'emploi pour la sécurité et le gaspillage.
  • Prowler (Apache 2.0) : audit de configuration de sécurité multi-cloud, proche des recommandations de l'axe sécurité.

Documentation