谷歌云免实名 谷歌云抢占式实例使用心得

话说去年冬天，我手头有个跑基因序列比对的Python脚本，单机跑完要37小时。老板说：“预算砍半，但结果不能晚。”我盯着AWS按量付费账单上跳动的$0.18/小时，默默打开了Google Cloud Console——不是因为信仰，是因为它家抢占式实例（Preemptible VMs）标价$0.023/小时，还带SSD。那一刻，我仿佛听见了钱包在笑，也听见了服务器在打呼噜。

先说人话：抢占式实例，不是“二手云主机”，而是Google把富余的物理机资源临时租给你，价格打骨折，但随时可能被叫停——就像你蹭朋友家WiFi看剧，他爸突然要开视频会议，你得立刻切回4G。官方承诺最长运行24小时，实际？我见过撑满24:00:01被强杀的，也见过刚启动3分钟就被弹出的，全看隔壁机房有没有新订单砸过来。

第一次用，我天真地配了个n1-standard-8（8核30GB），装好Miniconda，跑起脚本，泡了杯枸杞茶，蹲点等结果。两小时后回来——黑屏。SSH连不上，控制台显示“Instance terminated by system”。日志里只有冰冷一行：preempted。没有预警，没有告别，连句‘再见’都懒得打。我对着屏幕沉默三秒，然后默默重装环境、重传数据、重跑任务……直到第四次，我才意识到：这不是故障，是常态。

于是开始研究“怎么跟一个随时会跑路的队友长期合作”。核心就三条：别信它会活过24小时；所有状态必须落盘；每次启动都要当它是新机器。

第一关：数据不丢命。我直接放弃/tmp和内存盘，所有中间文件一律存到Cloud Storage。写了个小工具gs-sync.sh，每15分钟自动把当前工作目录打包上传，并带上时间戳和MD5校验码：
gsutil -m cp -Z -r ./work gs://my-bucket/run-$(date +%s)/。关键来了——不是覆盖，是追加。这样哪怕实例挂了，下次拉起时，脚本先查gsutil ls gs://my-bucket/run-*/done.flag，找到最后一个成功标记，接着跑。相当于给任务装了个“断点续传U盘”。

第二关：启动即上岗。我写了个startup.sh，放在实例元数据里，开机自动执行。它干三件事：1）从GCS拉最新代码和配置；2）检查本地是否有未完成任务，有则恢复；3）启动主程序前，先发个HTTP请求到我的简易Webhook服务（就一行Python Flask），记下“实例ID + 启动时间 + 预期存活窗口”。这招救了我两次——某天发现所有实例都在凌晨3:17被集体回收，我立刻去查调度规律，果然，那是Google批量腾资源的“黄金时刻”。

第三关：监控别装高大上。我试过Stackdriver告警，太重；也试过自建Prometheus，太累。最后回归本质：写个watch-preempt.sh，每30秒curl一下http://metadata.google.internal/computeMetadata/v1/instance/preempted（需加header -H 'Metadata-Flavor: Google'）。返回TRUE？立刻触发保存快照、上传日志、发企业微信通知。整个逻辑就12行Shell，却让我抢在实例咽气前3秒保住了最后一组中间结果。

当然，也有翻车现场。有次我把MySQL直接装在抢占式实例本地盘上，想着“反正只读”。结果某次预emption后，新实例拉起，应用连不上DB——因为旧实例磁盘已销毁，而我没做任何备份。后来改成Cloud SQL + 只读副本，应用层加重试逻辑，再没出过事。教训很土：云上的硬盘，比前任的承诺还不可靠。

成本对比？真香。同样n1-standard-4配置，按量付费月均$112，抢占式实测$9.6。省下的钱，够我给团队买半年咖啡。但别光算账——我做过统计：过去三个月，平均单实例存活16.3小时，最长一次23小时58分（我截图发了朋友圈，配文‘它在临终前完成了使命’），最短3分27秒（系统日志里写着‘Preemption reason: capacity_reclamation’，翻译过来就是‘你占的坑，别人要坐了’）。

还有几个反直觉冷知识：1）抢占式实例不能用GPU——不是技术限制，是Google怕你训练模型到一半被踢，投诉太多；2）关机后重启，不会保留抢占式身份，它会变成普通VM，价格翻倍，且无法再转回；3）跨区域迁移？不行。但同区域不同可用区之间，可以手动迁移镜像，再新建抢占式实例——这是我用来绕过“某可用区总被回收”的土办法。

最后说句掏心窝的：抢占式实例不是省钱的银弹，而是把“不确定性”明码标价卖给你。它适合能容错、可中断、有重试、爱折腾的场景——比如批量渲染、CI测试、参数扫描、离线ETL。如果你的任务要求“必须连续运行72小时”，请关掉这篇，去订Reserved Instances。别硬刚，不值得。

现在我的工作流已经进化成这样：Jenkins触发任务 → 创建抢占式实例集群 → 每个节点独立运行子任务 → 完成后自动销毁 → 结果汇总到BigQuery。整套流程跑下来，成本不到原来1/8，稳定性反而更高——毕竟，单点故障？不存在的，我有20台随时准备跑路的“敢死队”。

写完这篇文章，我顺手看了眼控制台：当前有3台抢占式实例在跑，状态都是RUNNING。其中一台的创建时间是今天上午9:42，已运行6小时21分。我端起杯子喝口凉茶，心里默念：兄弟，撑住，这单做完，我请你喝虚拟奶茶——虽然你喝不到，但我得信。

谷歌云免实名 （附赠一个彩蛋命令，复制粘贴就能用）：
gcloud compute instances create preempt-demo \ --preemptible \ --machine-type n2-standard-2 \ --image-family ubuntu-2204-lts \ --image-project ubuntu-os-cloud \ --scopes cloud-platform \ --metadata-from-file startup-script=startup.sh \ --zone us-central1-a