Active Assist
- Les moteurs observent la consommation réelle sur plusieurs semaines avant de proposer la suppression ou le redimensionnement d'une ressource.
- Le moteur de stratégies IAM compare les droits accordés aux droits réellement exercés et propose des rôles plus étroits.
- Chaque produit a ses propres moteurs : inactivité, surdimensionnement, réglages de sécurité et de performance.
- Les propositions remontent dans la page Active Assist, dans le FinOps hub côté facturation et en contexte dans chaque produit.
- Un transfert planifié copie recommandations et insights dans BigQuery, pour les suivre dans le temps et les répartir par équipe.
- 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

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
requestsetlimitspour 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.