用 AlloyDB Express 免费额度搭一套云资源浪费扫描流水线

AI Summary (BLUF)
本文提供分步指南,教你如何利用Google Cloud的Cloud Scheduler、Workflows、Cloud Run和AlloyDB Express构建每日扫描,自动检测未使用的云资源。扫描结合了zombiescan和Google Recommender的检查,将结果存入PostgreSQL,并通过ADK代理生成每日简报,所有数字均来自SQL查询。
核心洞察
这篇文章最实在的地方,是它真的把“用 AI 找云上浪费”这件事的成本算清楚了。很多类似方案最大的问题就是监控工具本身在烧钱,作者用 AlloyDB ExpressAlloyDB for PostgreSQL的预览配置,专为原型和小型工作负载设计,支持缩容到零、存储上限20GB、计算单元1或2个vCPU。 的免费额度和封顶计费把这个坑填上了。我唯一存疑的是 AlloyDB Express 还是 preview,没有备份没有 SLA,拿它存生产账单数据得掂量一下。
这篇文章手把手带你搭一套每日扫描,专门找 Google Cloud 上那些没人用却还在扣钱的资源。整套东西用 Cloud SchedulerGoogle Cloud的完全托管cron作业调度服务,用于定时触发工作流。、WorkflowsGoogle Cloud的完全托管工作流编排服务,用于协调多个云服务。、Cloud RunGoogle Cloud 的无服务器容器运行环境,用于部署和扩展后端服务。 和 AlloyDB Express 串起来。每次扫描同时跑 zombiescan 的检查和 Google 自家的 RecommenderGoogle Cloud的推荐服务,提供空闲资源建议。,所有发现写进 PostgreSQL,最后有个 ADK agentAgent Development Kit代理,用于生成每日简报。 配合 MCP ToolboxModel Context Protocol工具箱,为代理提供SQL工具。 生成每日简报,简报里每个数字都来自 SQL 查询。
仓库地址:https://github.com/xbill9/zombie-sweep-gcp
一个专门抓意外账单的工具,自己不应该制造账单。AlloyDB Express 让这个承诺变得容易兑现:在这个负载下,免费额度内数据库每月花费 0.00 美元,就算把所有上限拉满,账单也有一个你在创建之前就能算出来的天花板。
核心结论
Zombie Sweep 通过 Cloud Scheduler、Workflows、Cloud Run 和 AlloyDB Express 搭建每日扫描流水线,同时运行 zombiescan(20 项检查)和 Google Recommender(7 个空闲资源推荐器),所有发现写入 PostgreSQL 并逐资源对比两个来源。
AlloyDB Express 的封顶计费是控制成本的关键:1 vCPU 实例最坏情况月账单上限为 $89.95(计算 $83.95 + 20 GB 存储 $6.00),且实例空闲 15 分钟后缩容到零、不计计算费用;在本方案负载下数据库月花费为 $0.00。
一次实际扫描(运行
854715f3)在单个项目中发现 28 项僵尸资源:zombiescan 报告 27 项、月费用
这篇文章最实在的地方,是它真的把“用 AI 找云上浪费”这件事的成本算清楚了。很多类似方案最大的问题就是监控工具本身在烧钱,作者用 AlloyDB Express 的免费额度和封顶计费把这个坑填上了。我唯一存疑的是 AlloyDB Express 还是 preview,没有备份没有 SLA,拿它存生产账单数据得掂量一下。
这篇文章手把手带你搭一套每日扫描,专门找 Google Cloud 上那些没人用却还在扣钱的资源。整套东西用 Cloud Scheduler、Workflows、Cloud Run 和 AlloyDB Express 串起来。每次扫描同时跑 zombiescan 的检查和 Google 自家的 Recommender,所有发现写进 PostgreSQL,最后有个 ADK agent 配合 MCP Toolbox 生成每日简报,简报里每个数字都来自 SQL 查询。
仓库地址:https://github.com/xbill9/zombie-sweep-gcp
一个专门抓意外账单的工具,自己不应该制造账单。AlloyDB Express 让这个承诺变得容易兑现:在这个负载下,免费额度内数据库每月花费 0.00 美元,就算把所有上限拉满,账单也有一个你在创建之前就能算出来的天花板。
28.86,Recommender 报告 1 项、月费用 $7.30;两者共同发现的唯一资源是一个静态 IP 地址 w1(每月 $7.30)。
成本最高的检查项是 stopped-instance(5 项,$65.28/月)和 orphaned-snapshot(5 项,$53.19/月),两者合计占 zombiescan 发现费用的九成以上。
agent 生成的每日简报中每个数字都来自 SQL 工具查询而非模型计算,并可通过
check.py与数据库直接查询结果逐项核对;11 次成功扫描的端到端耗时为 54 到 127 秒。
为什么选 AlloyDB Express?
AlloyDB Express 是 AlloyDB for PostgreSQL 的一个 preview 配置,面向原型和小负载。文档里有三条特性直接决定了账单:
- 它会缩到零。 文档原话是“实例空闲时会缩容到零计算,空闲期间不计计算费用”。发布博客说空闲阈值是 15 分钟,文档说唤醒大约需要 20 秒。
- 存储卡在 20 GB。 文档写着“存储达到 20 GB 后,后续写操作不被允许”。存储按实际用量计费,不按预配容量计费。
- 计算只有两档。 1 vCPU(4 GB 内存)或 2 vCPU(8 GB 内存),按秒计费,对应 1 或 2 个计算单元。
一个长不过 2 个计算单元、20 GB 的数据库,最坏情况是确定的。按 Cloud Billing Catalog API 查到的 us-west1 价格,假设实例从不空闲、存储写满:
| 实例 | 计算,730 小时 | 存储,20 GB | 一个月最多能扣多少 |
|---|---|---|---|
| 1 vCPU(本方案) | $83.95 | $6.00 | $89.95 |
| 2 vCPU | $167.90 | $6.00 | $173.90 |
这是数据库全天候忙碌时的上限。每日扫描一天只让它醒几分钟,免费额度完全覆盖:每个计费账号前 12 个月每月包含 50 个计算单元和 2 GB 存储。
什么叫僵尸资源?
还在扣钱、但已经不干活的资源。比如停掉的 VM,磁盘还在收费;删掉的磁盘留下的快照;挂不到任何东西的静态 IP;几个月没人更新的 secret。
它们堆积在做一次性实验的项目里,在你只试过一次的可用区里,在那些被停掉而不是被删除、然后被遗忘的实例背后。
Google Cloud 不是已经干这事了吗?
一部分是。Recommender 有针对 VM、持久磁盘、IP 地址、自定义镜像、Cloud SQL 实例和 GKE 集群的空闲资源推荐器。这套扫描查询了其中 7 个。
zombiescan-gcp开源扫描器,包含20项检查,用于发现僵尸资源。 是个开源扫描器,有 20 项检查,包括孤立快照、陈旧的 Artifact Registry 仓库、陈旧的 secret、什么都不服务的 Cloud NAT 网关、没人能挂载的 Filestore 实例、没用的防火墙规则和子网、指向已删除资源的 Cloud DNS 区域和 uptime 检查。Zombie Sweep 每次扫描同时跑两个来源,逐资源对比,报告里能看出哪个来源发现了什么。
到这一步你该准备好的东西
- 一个开了计费的 Google Cloud 项目
- Google Cloud CLI,带 AlloyDB Express 需要的
beta组件 - 部署机器上有
git和python3 - 启用 Recommender、Cloud Run、Workflows、Cloud Scheduler、AlloyDB、Secret Manager、Vertex AI 和 IAP 这些 API
整体怎么串起来
Cloud Scheduler zombie-sweep-daily, 06:00 UTC
|
Workflows zombie-sweep
|-- Cloud Run job MODE=zombiescan --+
|-- Cloud Run job MODE=recommender --+--> AlloyDB Express (runs, findings)
|-- POST /briefing (signed JWT, through IAP) ^
| Cloud Run service: ADK agent + MCP Toolbox ---+ read-only SQL
'-- Cloud Run job MODE=finish (stores the briefing, closes the run)
一个 Cloud Run job 镜像跑三种模式。一个 AlloyDB Express 实例装两张表和两个视图。一个 Cloud Run 服务装 agent 和它的 SQL 工具。
第一步 — 创建 AlloyDB Express 集群
文档里的 Express 命令,换成这个项目的名字:
gcloud beta alloydb clusters create zombie-sweep --region=us-west1 \
--password="$DB_PASSWORD" --enable-express
gcloud beta alloydb instances create zombie-sweep-primary --cluster=zombie-sweep \
--region=us-west1 --instance-type=PRIMARY --cpu-count=1 --enable-public-dns
Creating cluster...
.......done.
real 0m3.463s
Creating instance...
.......done.
real 0m3.147s
us-west1 是 Express 支持的唯一美国区域。实例报告 PostgreSQL 18.4 和 max_connections 200,这两个都是 Express 固定的。
IAM 数据库登录需要开一个数据库 flag:
gcloud alloydb instances update zombie-sweep-primary --cluster=zombie-sweep \
--region=us-west1 --database-flags=alloydb.iam_authentication=on
第二步 — 两张表和两个视图
runs 每次扫描一行,主键是 Workflows 执行 id,存 agent 的简报。findings 每个资源每个来源一行:
CREATE TABLE IF NOT EXISTS findings (
run_id text NOT NULL REFERENCES runs(run_id) ON DELETE CASCADE,
source text NOT NULL CHECK (source IN ('zombiescan', 'recommender')),
project text NOT NULL,
check_id text NOT NULL,
resource text NOT NULL,
monthly_cost numeric(12, 4) NOT NULL DEFAULT 0,
...
PRIMARY KEY (run_id, source, project, check_id, resource)
);
两个来源对同一个资源的命名方式不一样。zombiescan 存 w1;Recommender 存 //compute.googleapis.com/projects/p/regions/us-central1/addresses/w1。视图 findings_keyed 把两者都归约成(project, kind, name),findings_compared 再加上 found_by_both:
CREATE OR REPLACE VIEW findings_compared AS
SELECT k.*,
EXISTS (SELECT 1 FROM findings_keyed o
WHERE o.run_id = k.run_id AND o.source <> k.source
AND o.project = k.project AND o.kind = k.kind AND o.name = k.name) AS found_by_both
FROM findings_keyed k;
python3 sql/apply.py 从工作站通过 AlloyDB Python 连接器应用 schema 和视图。
第三步 — 一个 Cloud Run job,三种模式
sweep/job.py 针对一个项目跑一个来源,打印一行 JSON:
MODE=zombiescan跑 zombiescan-gcp 的 20 项检查,并按公开价格表给每个发现定价MODE=recommender读取 7 个空闲资源推荐器,覆盖各自用到的 zone、region 或 global 位置MODE=finish存简报,把这次运行标记为DONE
每个来源模式会先删掉自己这次运行的行再重新插入,所以重试的 job 不会留下重复数据。在 Cloud Run 里,job 用 IAM 数据库认证以自身服务账号登录 AlloyDB:job 里没有密码,zombie_writer 角色可以写 findings 和关闭运行。
第四步 — Workflows 跑两个来源,然后要一份简报
两个来源作为并行分支跑,每个都是通过 Workflows 连接器发起的一次 Cloud Run job 执行:
- sources:
parallel:
for:
value: mode
in: ["zombiescan", "recommender"]
steps:
- run_source:
call: googleapis.run.v2.projects.locations.jobs.run
然后 workflow 把 run id POST 到 agent 的 /briefing 路由,再第三次跑 job,用 MODE=finish 存回返回的内容。简报失败不会让整次扫描失败;运行会在没有简报的情况下关闭。
提示:在 IAP 后面,Workflows 自己签 JWT
agent 的 Cloud Run 服务放在 Identity-Aware Proxy 后面,人打开报告页要 Google 登录。IAP 配合 Google 托管的 OAuth 客户端,接受由服务账号签名、aud 设为 URL 的 JWT,所以 workflow 以自己身份签一个,作为 bearer token 发出去:
- claims:
assign:
- now: ${int(sys.now())}
- claims:
iss: ${sys.get_env("WF_SA")}
sub: ${sys.get_env("WF_SA")}
aud: ${sys.get_env("AGENT_URL") + "/*"}
iat: ${now}
exp: ${now + 900}
- sign:
call: http.post
args:
url: ${"https://iamcredentials.googleapis.com/v1/projects/-/serviceAccounts/" + sys.get_env("WF_SA") + ":signJwt"}
auth: {type: OAuth2}
body:
payload: ${json.encode_to_string(claims)}
result: jwt
workflow 的服务账号只对自己持有 Service Account Token Creator,对 agent 持有 roles/iap.httpsResourceAccessor。Workflows 表达式不支持 map 字面量,所以 claims 先在 assign 步骤里构造好。
第五步 — Agent:ADK 加 MCP Toolbox 边车
agent 是个 FastAPI 应用,跑一个 ADK LlmAgent,通过 Vertex AI 用 Gemini。它访问数据的唯一通道是 MCP Toolbox for Databases,作为同一个 Cloud Run 服务里的第二个容器跑在 127.0.0.1:5000。Toolbox 用 IAM 登录以 agent 的服务账号连 AlloyDB,该账号持有只读角色。
Toolbox 暴露 8 个 SQL 工具:list_runs、totals、top_waste、count_findings、only_one_source、diff_vs_previous、finding_history 和 run_briefing。工具定义放在 Secret Manager 里,作为文件挂载进 Toolbox 容器。
agent 提供四个路由:GET / 是报告页,POST /ask 回答问题,POST /briefing 给 workflow 用,GET /health 做健康检查,因为 Cloud Run 保留了 /healthz。
第六步 — 每个数字都来自 SQL
agent 被明确告知永远不要自己加、数、平均或比较数字。每个计数和求和都是一个 SQL 工具,count_findings 接受过滤条件并返回精确答案:
name: count_findings
type: postgres-sql
source: findings-db
annotations: {readOnlyHint: true}
description: |
Exact count, total, minimum and maximum monthly cost of the findings in one
run that match every filter given. Any filter left out matches everything.
Use this for any "how many" or "how much" question; never count rows yourself.
min_monthly_cost is inclusive (>=).
statement: |
...
SELECT (SELECT id FROM r) AS run_id, count(*) AS findings,
round(coalesce(sum(monthly_cost), 0), 2)::float8 AS total_monthly_cost,
round(min(monthly_cost), 2)::float8 AS min_monthly_cost,
round(max(monthly_cost), 2)::float8 AS max_monthly_cost
FROM findings_compared
WHERE run_id = (SELECT id FROM r)
AND ($5::float8 IS NULL OR monthly_cost >= $5::float8)
...
然后简报会逐项对照直接在数据库上跑的 SQL 做校验,全程不涉及模型:.claude/skills/check-briefing/check.py 把简报和 PostgreSQL 为同一次运行算出的计数、求和、每项检查小计并排打印出来。
提示:只读的 Toolbox 来源要求每个工具都带 readOnlyHint
Toolbox 来源声明为 readOnly: true。设了这个之后,Toolbox 只在工具声明了 annotations: {readOnlyHint: true} 时才保留一个 postgres-sql 工具。这里 8 个工具都带了。新加的工具不带这个,就不会出现在 agent 的工具列表里。
第七步 — 一个脚本部署
python3 sql/apply.py # schema and views
deploy/deploy.sh # service accounts, IAM, job, agent, IAP, workflow, schedule
python3 sql/apply.py grants.sql # database roles for the IAM users deploy.sh created
deploy/deploy.sh run # one sweep now
SUCCEEDED {"run_id":"854715f3-1beb-4f35-8f4e-30f9f02f14d3"}
deploy.sh 是幂等的,重复跑没问题。它还会只保留 Toolbox secret 的最新版本启用,并设置一条 Artifact Registry 清理策略只留最新 3 个镜像,这样反复部署不会留下一堆要计费的版本。
调度是 UTC 的 0 6 * * *。11 次成功扫描中,每次端到端耗时 54 到 127 秒。
扫描发现了什么
运行 854715f3,2026-11-20,一个项目:
| 来源 | 发现数 | 月费用 |
|---|---|---|
| zombiescan | 27 | $128.86 |
| Recommender | 1 | $7.30 |
有一个资源两个来源都发现了:一个静态 IP 地址 w1,每月 $7.30。其余全部来自 zombiescan:
| 检查项 | 发现数 | 月费用 |
|---|---|---|
| stopped-instance | 5 | $65.28 |
| orphaned-snapshot | 5 | $53.19 |
| stale-artifact-repository | 4 | $2.55 |
| stale-secret | 8 | $0.54 |
| unmanaged-gcs-bucket | 2 | $0.00 |
| unused-firewall-rule | 2 | $0.00 |
agent 为这次运行生成的简报,存在 runs.briefing 里:
Totals by source: zombiescan has 27 findings costing 128.86 dollars a month; recommender has 1 findings costing 7.3 dollars a month.
Top waste: snapshot-w5-opt (53.19), windows (23.94), debian13b (13.06), w1 (10.88), and w2 (10.88).
Diff vs previous run fe2aac43-c1a1-49d4-8645-1afbd80ff204: 28 findings costing 136.16 are unchanged.
里面每个数字都和同一次运行的 SQL 结果对得上。
对比一下
摘自 AlloyDB Express 文档自带的对比:
| AlloyDB Express | AlloyDB | |
|---|---|---|
| 空闲时的计算 | 缩到零 | 始终预配 |
| 定价 | 按用量,有月度免费额度 | 按小时预配,30 天试用 |
| 最大可能账单 | 有上限:2 vCPU,20 GB | 随集群增长 |
| 计算 | 1 或 2 vCPU,单可用区实例 | 最高 288 vCPU,读池 |
| 存储 | 最高 20 GB | 最高 128 TB |
| 备份、PITR、高可用 | 无 | 有 |
| SLA | 无 | 区域高可用 99.99% |
| PostgreSQL 版本 | 18 | 14 到 18 |
| Terraform | 不支持 | 支持 |
花多少钱?
docs/cost.py 从 Cloud Billing Catalog API 取价,并从项目里测用量:37 次 Cloud Run job 执行平均 24.4 秒,7 次简报平均 31.6 秒,数据库 17880855 字节。按 30 次每日扫描算:
| 项目 | 标价 | 用上 Express 免费额度后 |
|---|---|---|
| AlloyDB Express 计算,7.95 到 8.56 计算单元小时 | $0.91 到 $0.98 | $0.00 |
| AlloyDB Express 存储 | $0.0050 | $0.00 |
| Cloud Run job,每次扫描 3 次执行 | $0.0439 | $0.0439 |
| Cloud Run agent,每次扫描 1 次简报 | $0.0491 | $0.0491 |
| 合计,上限 | $1.08 | $0.09 |
AlloyDB 计算小时是每次扫描的时长加上实例暂停前 15 分钟的空闲期。50 个免费计算单元在扫描之后还剩每月 41.44 个:够大约 166 次额外唤醒,比如有人打开报告页或者问 agent 一个问题。
只要免费额度还在,数据库那行就是 $0.00,之后也有上面算好的天花板:这个 1 vCPU 实例如果完全不睡,每月 $89.95。
那到底选哪个?
如果是定时任务,每天写几兆数据、偶尔读一下,用 AlloyDB Express。它在两次扫描之间睡觉,存储长不过 20 GB,最大可能账单是你在创建之前就能算出来的数。
需要备份、高可用或 SLA 的时候,迁到完整版 AlloyDB。升级是原地进行的,连接串不变;升上去之后没法退回 Express。
总结
这篇文章的目标是跑一套每日扫描找 Google Cloud 上没用的资源,同时不给自己增加一个要盯的数据库账单。方案的关键是 AlloyDB Express,它在两次扫描之间缩到零,存储自己封顶,这个负载能塞进免费额度,报告里每个数字都由 SQL 算出来。在一个项目上的结果是:
- 每次扫描两个来源:zombiescan 的 20 项检查加 7 个 Recommender 空闲推荐器
- 28 个发现,每月 $136.16,一个资源被两个来源同时发现
- agent 简报里每个数字都和同一份数据上的 SQL 对得上
- Express 免费额度内每月 $0.09,按标价 $1.08
- 数据库最坏情况每月 $89.95,可以提前算出来
- AlloyDB Express 是 preview,没有备份、没有高可用、没有 SLA
- 简报用的 Gemini token 没有计入这里
范围说明:一个 us-west1 的 Google Cloud 项目,2026-11-15 到 2026-11-20 每日扫描,一个 1 vCPU 的 AlloyDB Express 实例。成本是按 Cloud Billing Catalog 标价和实测运行时间估算的。AlloyDB 活跃小时假设了发布博客里的 15 分钟空闲期。不含 Gemini、Secret Manager、Workflows、Cloud Scheduler、Artifact Registry、Cloud Build 和日志。扫描是只读的,不删除任何东西。
用 AlloyDB Express 作为每日浪费扫描存储的策略,是通过一步步增量验证出来的。
参考
- GitHub 上的代码
- zombiescan-gcp
- AlloyDB Express 概览
- Introducing AlloyDB Express
- Recommender:推荐器列表
- MCP Toolbox for Databases
- IAP for Cloud Run
- AWS 上的 Zombie Sweep
常见问题(FAQ)
这套僵尸资源扫描方案每月数据库成本大概多少?
AlloyDB Express 会缩到零,每日扫描只让它醒几分钟,免费额度完全覆盖。即使全天候忙碌、存储写满,1 vCPU 实例月上限也仅约 89.95 美元。
AlloyDB Express 适合存生产账单数据吗?
它是 preview 配置,没有备份也没有 SLA,拿它存生产账单数据需要谨慎评估。不过本方案负载小,免费额度内数据库月花费为 0.00 美元,上限也可提前算清。
zombiescan 和 Google Recommender 有什么区别?
Recommender 覆盖 VM、磁盘、IP 等 7 类空闲资源推荐;zombiescan 有 20 项检查,含孤立快照、陈旧 secret、无用防火墙规则等。扫描同时跑两个来源并逐资源对比。
版权与免责声明:本文仅用于信息分享与交流,不构成任何形式的法律、投资、医疗或其他专业建议,也不构成对任何结果的承诺或保证。
文中提及的商标、品牌、Logo、产品名称及相关图片/素材,其权利归各自合法权利人所有。本站内容可能基于公开资料整理,亦可能使用 AI 辅助生成或润色;我们尽力确保准确与合规,但不保证完整性、时效性与适用性,请读者自行甄别并以官方信息为准。
若本文内容或素材涉嫌侵权、隐私不当或存在错误,请相关权利人/当事人联系本站,我们将及时核实并采取删除、修正或下架等处理措施。也请勿在评论或联系信息中提交身份证号、手机号、住址等个人敏感信息。




