Une entreprise exécute diverses charges de travail sur AWS et souhaite être avertie lorsque ses dépenses mensuelles se comportent de manière inhabituelle par rapport aux schémas passés. Elle souhaite un service managé qui utilise le machine learning pour détecter les anomalies de coûts et fournit une analyse des causes profondes. Quel service ou quelle fonctionnalité AWS doit-elle utiliser ?
Choisissez la meilleure réponse.
Bonne réponse
AWS Cost Anomaly Detection est un service managé qui s'appuie sur le machine learning pour surveiller en continu vos schémas de coûts et d'utilisation, détecter les anomalies et fournir une analyse des causes profondes. Il établit automatiquement une référence à partir des données de dépenses historiques et vous alerte lorsque les dépenses réelles s'écartent des schémas attendus, ce qui en fait le choix idéal pour ce cas d'utilisation.
AWS Budgets
AWS Budgets est un outil de conseil qui vous permet de définir un montant spécifique de coût ou d'utilisation que vous déterminez, tel qu'un budget global mensuel ou un budget étiqueté par service. Il déclenche des notifications lorsque les dépenses réelles ou prévues atteignent des seuils que vous choisissez manuellement, mais il ne peut pas détecter de manière autonome des schémas de dépenses inhabituels car il n'analyse pas les données de coûts historiques à la recherche d'écarts statistiques. Étant donné que le seuil est fixe et que la logique d'alerte est statique, il n'est pas conçu pour remarquer si votre comportement s'est écarté de votre propre référence établie ; il vérifie uniquement par rapport au nombre que vous avez défini.
AWS Cost Anomaly Detection
AWS Cost Anomaly Detection applique des classificateurs de machine learning à vos données historiques d'utilisation et de coûts AWS pour détecter les écarts de schémas tels que des pics de dépenses de calcul, une croissance du stockage ou d'autres utilisations inattendues sur les services, les comptes ou les étiquettes d'affectation des coûts. Lorsqu'un groupe d'anomalies est confirmé, il fait surface une analyse des causes profondes avec les facteurs suspectés (par exemple, une ressource nouvellement créée ou un changement de région) et envoie des alertes exploitables via Amazon EventBridge et Amazon SNS. Sa logique de détection est adaptative et ne nécessite pas de seuils préréglés, de sorte qu'il apprend en continu de votre historique réel des dépenses et détecte des anomalies qui contourneraient autrement les limites de budget statiques.
AWS Cost Explorer
AWS Cost Explorer est une interface de type Business Intelligence qui trace l'historique des coûts et de l'utilisation dans des graphiques, prévoit les dépenses futures à l'aide d'une analyse de tendance simple et vous permet de filtrer vers des dimensions au niveau des ressources telles qu'un service spécifique ou une étiquette d'affectation des coûts. Il permet des analyses détaillées ad-hoc et des rapports planifiés, mais il s'agit intrinsèquement d'un outil réactif : quelqu'un doit remarquer une anomalie, ouvrir le tableau de bord et commencer à fouiller dans les visuels. La détection des anomalies, en revanche, surveille automatiquement les mêmes données de coûts sous-jacentes et pousse une alerte cohérente avec une cause profonde générée, de sorte que Cost Explorer lui-même n'est pas conçu pour identifier et enquêter sur les anomalies en votre nom en temps réel.
AWS Trusted Advisor
AWS Trusted Advisor effectue une inspection automatisée du système par rapport à un ensemble de vérifications de bonnes pratiques couvrant l'optimisation des coûts ; par exemple, il signale les instances EC2 sous-utilisées, les instances RDS inactives ou les Elastic IPs non associées qui peuvent être réduites ou supprimées. Ces vérifications reposent sur des règles statiques et des seuils standard, tels qu'un faible taux d'utilisation du CPU, et comparent la configuration actuelle des ressources à ces règles plutôt qu'à votre propre série temporelle de dépenses. Par conséquent, il peut vous aider à réduire vos coûts grâce au redimensionnement et au nettoyage des ressources, mais son moteur de vérification est fondamentalement différent d'un détecteur d'anomalies par machine learning qui voit quand quelque chose dans votre facture a changé de manière inattendue.
AWS Cost Anomaly Detection repose sur l'infrastructure interne d'intelligence des coûts d'Amazon. Il ingère vos données de coûts et d'utilisation (par exemple, à partir de Cost and Usage Reports dans Amazon S3 ou via l'API de Cost Explorer) et utilise le machine learning pour créer une référence des coûts attendus selon différentes dimensions telles que le service, le compte membre, l'étiquette d'affectation des coûts et la AWS Region. Lorsque les coûts réels s'écartent de cet intervalle attendu, il évalue la signification statistique de l'écart et regroupe les anomalies associées dans un « groupe d'anomalies » logique pour réduire le bruit des alertes. Le service génère ensuite une analyse des causes profondes en langage clair — telle que « nouvelle AWS Region activée » ou « pic d'utilisation de CloudWatch pour le compte X » — et publie des événements sur Amazon EventBridge, permettant des réponses automatisées telles que l'appel d'une fonction AWS Lambda ou l'exécution d'une automatisation Systems Manager. Une idée reçue fréquente est que la détection des anomalies remplace AWS Budgets ou Trusted Advisor ; en pratique, ils sont complémentaires : Budgets applique des limites strictes, Trusted Advisor corrige les inefficacités connues, tandis que la détection des anomalies repère ce pour quoi vous ne saviez pas qu'il fallait définir un seuil. Cependant, ce n'est pas en temps réel : cela nécessite des données historiques suffisantes et détecte généralement les anomalies après la clôture du grand livre de la journée, il est donc préférable de l'utiliser comme un contrôle détective plutôt que préventif.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement CLF-C02 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.