


Ucapkan Selamat Tinggal kepada Syot Kilat Yatim: Automatikkan Pembersihan dengan Tanpa Pelayan, Terraform dan AWS EventBridge!
Dari masa ke masa, akaun AWS boleh mengumpul sumber yang tidak lagi diperlukan tetapi terus menanggung kos. Satu contoh biasa ialah syot kilat EBS yatim yang ditinggalkan selepas volum dipadamkan. Mengurus syot kilat ini secara manual boleh membosankan dan mahal.
Panduan ini menunjukkan cara untuk mengautomasikan pembersihan syot kilat EBS yatim piatu menggunakan Python (Boto3) dan Terraform dalam fungsi AWS Lambda, yang kemudiannya dicetuskan menggunakan AWS EventBridge pada jadual atau acara.
Pada akhirnya, anda akan mempunyai penyelesaian tanpa pelayan yang lengkap untuk memastikan persekitaran AWS anda bersih dan kos efektif.
Langkah 1: Memasang AWS CLI dan Terraform
Pertama, mari pastikan alatan penting dipasang.
AWS CLI
AWS CLI membenarkan akses baris perintah kepada perkhidmatan AWS. Pasang mengikut sistem pengendalian anda:
macOS: brew install awscli
Windows: Pemasang AWS CLI
Linux: Gunakan pengurus pakej (cth., sudo apt install awscli untuk Ubuntu).
Sahkan pemasangan:
aws --version
Terraform
Terraform ialah alat Infrastruktur sebagai Kod (IaC) yang popular untuk mentakrif dan mengurus sumber AWS.
macOS: brew install terraform
Tingkap: Pemasang Terraform
Linux: Muat turun binari dan alihkannya ke /usr/local/bin.
Sahkan pemasangan:
terraform -version
Langkah 2: Mengkonfigurasi Akses AWS
Konfigurasikan AWS CLI anda dengan kekunci akses untuk membenarkan Terraform dan Lambda membuat pengesahan dengan perkhidmatan AWS.
Dapatkan Kunci Akses daripada akaun AWS anda (AWS IAM Console).
Konfigurasikan AWS CLI:
aws configure
Ikuti gesaan untuk memasukkan Kunci Akses anda, Kunci Akses Rahsia, wilayah lalai (cth., us-east-1) dan format output (cth., json).
Langkah 3: Kod Python untuk Pembersihan Syot Kilat Anak Yatim
Arahan langkah demi langkah untuk mencipta fungsi Lambda disediakan di sini.
Fungsi Lambda ini menggunakan Boto3, SDK Python AWS, untuk menyenaraikan semua syot kilat EBS, menyemak status volum yang berkaitan dan memadamkan syot kilat di mana volum tidak lagi tersedia. Berikut ialah kod fungsi lengkap:
import boto3 import logging logger = logging.getLogger() logger.setLevel(logging.INFO) def lambda_handler(event, context): ec2_cli = boto3.client("ec2") response = ec2_cli.describe_snapshots(OwnerIds=["self"], DryRun=False) snapshot_id = [] for each_snapshot in response["Snapshots"]: try: volume_stat = ec2_cli.describe_volume_status( VolumeIds=[each_snapshot["VolumeId"]], DryRun=False ) except ec2_cli.exceptions.ClientError as e: if e.response["Error"]["Code"] == "InvalidVolume.NotFound": snapshot_id.append(each_snapshot["SnapshotId"]) else: raise e if snapshot_id: for each_snap in snapshot_id: try: ec2_cli.delete_snapshot(SnapshotId=each_snap) logger.info(f"Deleted SnapshotId {each_snap}") except ec2_cli.exceptions.ClientError as e: return { "statusCode": 500, "body": f"Error deleting snapshot {each_snap}: {e}", } return {"statusCode": 200}
Langkah 4: Konfigurasi Terraform untuk Infrastruktur Tanpa Pelayan
Menggunakan Terraform, kami akan mencipta fungsi Lambda, peranan IAM dan dasar untuk menggunakan skrip ini ke AWS. Selain itu, kami akan menyediakan peraturan EventBridge untuk mencetuskan Lambda mengikut jadual biasa.
Persediaan Terraform dan Konfigurasi Pembekal
Bahagian ini mengkonfigurasi Terraform, termasuk menyediakan pengurusan keadaan jauh dalam S3.
Nota: Tukar nilai versi_perlu mengikut keluaran versi terraform.
aws --version
Peranan dan Dasar IAM untuk Lambda
Konfigurasi IAM ini menyediakan kebenaran untuk Lambda mengakses EC2 dan CloudWatch, mendayakan pemadaman syot kilat dan pengelogan.
terraform -version
Membungkus dan Menggunakan Fungsi Lambda
Di sini, kami membungkus kod Python dan menggunakan ia sebagai fungsi Lambda.
aws configure
Peraturan EventBridge untuk Invocation Lambda
AWS EventBridge membolehkan anda membuat pencetus berjadual atau berasaskan peristiwa untuk fungsi Lambda. Di sini, kami akan mengkonfigurasi EventBridge untuk menggunakan fungsi Lambda kami mengikut jadual, seperti setiap 24 jam. Anda boleh mengetahui lebih lanjut tentang EventBridge dan acara yang dijadualkan dalam dokumentasi AWS di sini.
import boto3 import logging logger = logging.getLogger() logger.setLevel(logging.INFO) def lambda_handler(event, context): ec2_cli = boto3.client("ec2") response = ec2_cli.describe_snapshots(OwnerIds=["self"], DryRun=False) snapshot_id = [] for each_snapshot in response["Snapshots"]: try: volume_stat = ec2_cli.describe_volume_status( VolumeIds=[each_snapshot["VolumeId"]], DryRun=False ) except ec2_cli.exceptions.ClientError as e: if e.response["Error"]["Code"] == "InvalidVolume.NotFound": snapshot_id.append(each_snapshot["SnapshotId"]) else: raise e if snapshot_id: for each_snap in snapshot_id: try: ec2_cli.delete_snapshot(SnapshotId=each_snap) logger.info(f"Deleted SnapshotId {each_snap}") except ec2_cli.exceptions.ClientError as e: return { "statusCode": 500, "body": f"Error deleting snapshot {each_snap}: {e}", } return {"statusCode": 200}
Langkah 5: Menggunakan Konfigurasi Terraform
Selepas menentukan infrastruktur, mulakan dan gunakan konfigurasi Terraform:
terraform { required_version = ">=1.5.6" required_providers { aws = { source = "hashicorp/aws" version = "~> 5.72.0" } } backend "s3" { bucket = "terraform-state-files-0110" key = "delete-orphan-snapshots/terraform.tfstate" region = "us-east-1" dynamodb_table = "tf_state_file_locking" } } provider "aws" { region = "us-east-1" }
Langkah 6: Menguji dan Memantau Fungsi Lambda
Untuk mengesahkan bahawa penyelesaian berfungsi:
- Cetuskan Acara Secara Manual (pilihan): Untuk ujian awal, cetuskan fungsi Lambda secara manual daripada konsol AWS Lambda.
- Pantau Log CloudWatch: Fungsi Lambda menulis log ke CloudWatch, tempat anda boleh menyemak entri untuk mengesahkan pemadaman syot kilat.
- Laraskan Jadual mengikut Keperluan: Ubah suai schedule_expression untuk menetapkan kekerapan tersuai untuk pembersihan syot kilat.
Membungkus
Dengan menggabungkan Python (Boto3), Terraform dan AWS EventBridge, kami telah mencipta penyelesaian automatik sepenuhnya tanpa pelayan untuk membersihkan syot kilat EBS yatim piatu. Persediaan ini bukan sahaja mengurangkan kos awan tetapi juga menggalakkan persekitaran AWS yang kemas dan cekap. Dengan seruan berjadual, anda boleh yakin bahawa sumber yatim piatu dialih keluar secara konsisten.
Cuba penyelesaian ini dalam akaun AWS anda sendiri dan alami manfaat automasi dalam pengurusan sumber awan!
Atas ialah kandungan terperinci Ucapkan Selamat Tinggal kepada Syot Kilat Yatim: Automatikkan Pembersihan dengan Tanpa Pelayan, Terraform dan AWS EventBridge!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak
