Types d’instances Amazon EC2

Les instances à usage général offrent un équilibre entre les ressources de calcul, de mémoire et de réseau, et peuvent être utilisées pour de nombreuses charges de travail. Ces instances conviennent aux applications telles que les serveurs Web, les référentiels de code et les bases de données de petite à moyenne taille.

Les instances optimisées pour le calcul sont idéales pour les applications de calcul qui utilisent des processeurs haute performance. Le traitement par lots, le transcodage multimédia et les serveurs de jeu dédiés sont des exemples de charges de travail pour les instances de calcul.

Les instances à mémoire optimisées sont conçues pour fournir des performances rapides pour les charges de travail qui traitent de grands ensembles de données en mémoire. Par exemple, ces instances conviennent aux bases de données en mémoire, à l’analytique des données et aux applications d’entreprise.

Les instances de calcul accélérées utilisent des accélérateurs matériels, ou coprocesseurs, pour exécuter des fonctions de manière plus efficace. Par exemple, les GPU sont idéaux pour le calcul de nombres en virgule flottante, le traitement graphique ou la mise en correspondance de modèles de données.

Les instances optimisées pour le stockage fournissent des millions d’opérations d’E/S aléatoires à faible latence par seconde aux applications. Les instances de stockage optimisé sont conçues pour les charges de travail qui nécessitent un accès séquentiel élevé en lecture et en écriture à de très grands ensembles de données sur le stockage local. Par exemple, ils conviennent aux bases de données à haut débit, au traitement des données et au flux de données.

Les instances de calcul haute performance (HPC) offrent le meilleur rapport prix/performances pour exécuter des charges de travail de calcul haute performance à grande échelle. Les instances HPC sont idéales pour les applications qui bénéficient de processeurs haute performance, comme les simulations complexes de grande envergure et les charges de travail de deep learning.