本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 了解將建議計算權化
<a name="understanding-rr-calc"></a>

此部分提供精簡化推薦演算法中使用的節省費用計算概覽。

## 合併帳單系列
<a name="consolidated-fam"></a>

若要辨識合併帳單所有帳戶中的所有執行個體，精簡化推薦會查看過去 14 天各個帳戶的使用量。如果執行個體已停止或終止，我們將其從考量中移除。對於所有剩餘的執行個體，呼叫 CloudWatch 以取得最大 CPU 使用率資料、記憶體使用率 (如果啟用)、網路輸入/輸出、本機磁碟輸入/輸出 (I/O)，以及過去 14 天內連接 EBS 磁碟區的效能。這是為了產生保守的建議，而不是建議可能對應用程式效能造成不良的修改，或可能造成您預期外的效能影響。

## 決定執行個體為閒置、使用率不足或兩者皆非。
<a name="determine-status"></a>

我們查看執行個體 CPU 過去 14 天的最大使用率，以製作下列評估：
+ **Idle** (閒置)：CPU 使用率位於或低於 1%。產生終止建議，並計算節省量。如需詳細資訊，請參閱[節省費用計算](#savings-calc)。
+ **Underutilized** (使用率不足)：如果 CPU 使用率上限超過 1%，且修改執行個體類型可節省成本，則會產生修改建議。

如果執行個體並非閒置或使用率不足，則不會產生任何建議。

## 產生修改建議
<a name="generating-mod"></a>

建議使用機器學習引擎來識別特定工作負載的最佳 Amazon EC2 執行個體類型。執行個體類型包括屬於 AWS Auto Scaling 群組的執行個體類型。

建議引擎會分析工作負載的組態和資源使用量，以識別數十個定義特性。例如，它可以判斷工作負載是否需要大量 CPU，或是否呈現每日模式。建議引擎會分析這些特性，並識別工作負載所需的硬體資源。

最後，它總結了工作負載如何在各種 Amazon EC2 執行個體上執行，以針對特定工作負載的最佳 AWS 運算資源提出建議。

## 節省費用計算
<a name="savings-calc"></a>

我們首先檢查過去 14 天執行的執行個體，以確定是否由 RI 或 Savings Plans 部分或完全涵蓋，或是否正在執行隨需。另一項因素為 RI 是否可大小彈性。執行個體的執行費用算式是依據隨需時數和執行個體費率。

對於每個建議，我們計算費用來產生新的執行個體。如果新執行個體是在相同的執行個體系列中，我們假設大小彈性的 RI 會使用與先前執行個體相同的方式來涵蓋新執行個體。預估節省費用是依據隨需執行時數和不同的隨需費率來計算。如果 RI 的大小沒有彈性，或如果新執行個體是在不同的執行個體系列中，則會根據新執行個體在過去 14 天是否以隨需形式執行，來計算預估的節省費用。

Cost Explorer 只提供預估節省費用大於或等於 0 USD 的建議。這些建議是 Compute Optimizer 結果的子集。如需更多可能導致成本增加之以效能為基礎的建議，請參閱 [Compute Optimizer](https://aws.amazon.com/compute-optimizer/)。

無論是否考量 RI 或 Savings Plans 折扣，您皆可選擇檢視節省費用。預設情況下，建議會考量兩種折扣。這是考量到 RI 或 Savings Plans 折扣可能會造成某些建議顯示節省值為 0 USD。若要變更此選項，請參閱[使用您的精簡化推薦](rr-use.md)。

**注意**  
精簡化推薦不會擷取第二筆訂單的精簡化效果，像是 RI 時數的可用性和如何套用至其他執行個體。根據重新分配 RI 時數的潛在節省不包括在算式中。