이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Amazon Bedrock 추론 비용을 사용자·애플리케이션·프로젝트별로 관리하려면 CUR 2.0 내보내기에서 IAM principal 데이터를 활성화하고, 생성된 데이터를 S3와 Amazon Athena에 연결해야 합니다. Athena에서는 line_item_iam_principal과 사용 유형을 기준으로 토큰과 비용을 집계하고, iamPrincipal/ 태그와 UNNEST를 이용해 사전에 정하지 않은 조직 차원의 비용 분류도 수행할 수 있습니다. ChatApp과 DocProcessor처럼 IAM 역할을 분리한 서비스는 모델별 비용 차이를 직접 비교할 수 있으며, 예시에서는 ChatApp의 Claude 4.6 Sonnet 비용이 $80를 넘고 DocProcessor의 Nova Lite 비용은 $5 미만입니다. CUDOS version 5.8은 같은 데이터를 AI/ML 대시보드로 시각화해 principal·프로젝트·모델·사용 유형별 지출과 백만 토큰당 비용 추세를 SQL 없이 추적하게 합니다.
섹션별 상세
Amazon Bedrock 추론 요청별 비용을 사용자와 애플리케이션 수준으로 나누려면 CUR 2.0 내보내기에서 IAM principal 데이터를 먼저 활성화해야 합니다. 이 설정은 호출 주체의 ARN을 line_item_iam_principal 열에 채우고 iamPrincipal/ 접두사의 principal 태그를 비용 데이터에 포함합니다. 시간 단위를 Hourly로 선택하면 세부 분석이 가능하지만 사용량이 principal별 여러 행으로 확장되어 CUR 파일과 S3 저장 공간이 커지므로 Lifecycle 정책을 함께 고려해야 하며, 첫 보고서 전달에는 최대 24시간이 걸릴 수 있습니다.
근거
- CUR 2.0에서 Include caller identity (IAM principal) allocation data를 활성화하면 line_item_iam_principal 열과 iamPrincipal/ 태그가 비용 데이터에 채워진다. — CUR 2.0 내보내기 설정의 Additional export content와 IAM principal 데이터 설명
- IAM principal 데이터를 활성화하면 기존 단일 사용량 행이 principal별 여러 행으로 확장되어 CUR 파일 크기가 커진다. — CUR 2.0 설정 섹션의 파일 크기 및 S3 저장 공간 관련 주의사항
Amazon Athena는 별도 인프라 관리 없이 CUR 데이터를 표준 SQL로 조회하게 하므로, IAM principal·사용 유형·토큰 수·비용을 원하는 기준으로 다시 묶을 수 있습니다. 단일 월을 뜻하는 billing_period 조건과 필요한 열만 선택하는 쿼리를 사용하면 partition projection이 해당 월의 Parquet 파일만 스캔하며, Athena 요금은 TB당 $5와 쿼리당 10MB 최소 기준으로 계산됩니다. 글의 예시에서는 일반적인 10MB 최소 스캔이 약 $0.00005 수준이라고 제시해 비용 분석 자체의 부담을 낮춥니다.
sql
SELECT line_item_iam_principal, line_item_usage_type, line_item_unblended_cost --# Note: replace your_cur_table_name, like `cid_data_export.cur2` FROM your_cur_table_name WHERE line_item_product_code in ('AmazonBedrock', 'AmazonBedrockService') AND line_item_iam_principal IS NOT NULL LIMIT 10;CUR 2.0 테이블에 IAM principal ARN과 Amazon Bedrock 사용 유형이 저장됐는지 확인하는 초기 테스트 쿼리입니다.
세 가지 Athena 쿼리 패턴은 호출 주체별 모델 비용 집계에서 시작해 사전 정의된 프로젝트 태그 집계와 알 수 없는 태그 구조의 동적 탐색으로 확장됩니다. tags['iamPrincipal/project']를 그룹 키로 쓰면 engineering과 data-science 같은 프로젝트별 지출을 분리할 수 있고, UNNEST(tags)와 iamPrincipal/% 필터를 결합하면 조직 전체에 적용된 태그 키·값을 자동으로 펼쳐 비용을 합산합니다. 이 구조는 팀·프로젝트·비용 센터 같은 조직 기준이 미리 고정되지 않은 환경에서도 비용 배분 기준을 유지하게 합니다.
sql
SELECT line_item_iam_principal, line_item_usage_type, SUM(line_item_usage_amount) AS total_tokens, SUM(line_item_unblended_cost) AS total_cost FROM your_cur_table_name WHERE line_item_product_code in ('AmazonBedrock', 'AmazonBedrockService') AND billing_period = DATE_FORMAT(CURRENT_DATE, '%Y-%m') AND line_item_iam_principal IS NOT NULL -- AND line_item_usage_type LIKE '%Sonnet%input%' GROUP BY line_item_iam_principal, line_item_usage_type ORDER BY total_cost DESC;현재 청구 월의 Amazon Bedrock 토큰 사용량과 비용을 호출 주체·사용 유형별로 합산하고 비용이 큰 순서로 정렬합니다.
sql
SELECT tags['iamPrincipal/project'] AS project, line_item_usage_type, SUM(line_item_usage_amount) AS total_tokens, SUM(line_item_unblended_cost) AS total_cost FROM your_cur_table_name WHERE line_item_product_code in ('AmazonBedrock', 'AmazonBedrockService') AND billing_period = DATE_FORMAT(CURRENT_DATE, '%Y-%m') AND line_item_iam_principal IS NOT NULL GROUP BY tags['iamPrincipal/project'], line_item_usage_type ORDER BY total_cost DESC;활성화된 iamPrincipal/project 비용 할당 태그를 기준으로 프로젝트별 토큰 사용량과 비용을 집계합니다.
sql
WITH iam_principal_costs AS ( SELECT t.key AS tag_name, t.value AS tag_value, line_item_usage_type, line_item_unblended_cost FROM your_cur_table_name CROSS JOIN UNNEST(tags) AS t(key, value) WHERE line_item_product_code IN ('AmazonBedrock', 'AmazonBedrockService') AND line_item_iam_principal IS NOT NULL AND line_item_iam_principal != '' AND t.key LIKE 'iamPrincipal/%' ) SELECT tag_name || ': ' || tag_value AS tags, line_item_usage_type, SUM(line_item_unblended_cost) AS total_cost FROM iam_principal_costs GROUP BY tag_name, tag_value, line_item_usage_type ORDER BY total_cost DESC;tags 맵을 UNNEST로 펼쳐 모든 IAM principal 태그의 키·값과 사용 유형별 비용을 동적으로 조회합니다.
DocProcessor와 ChatApp을 각각 IAM 역할로 분리하면 여러 AI 서비스의 Amazon Bedrock 비용을 애플리케이션별로 비교할 수 있습니다. 예시에서 ChatApp은 Claude 4.6 Sonnet output tokens 4,800,000개에 $72.00, input tokens 2,900,000개에 $8.70을 사용한 반면 DocProcessor는 Nova Lite output tokens 6,100,000개에 $1.46, input tokens 3,200,000개에 $0.19를 사용합니다. 따라서 애플리케이션별 모델 선택과 토큰 유형이 총비용을 어떻게 바꾸는지 확인하고, ChatApp의 일부 상호작용에 더 가벼운 모델을 적용할지 검토할 수 있습니다.
근거
- Athena 쿼리는 스캔 데이터 기준 TB당 $5와 쿼리당 10MB 최소 기준으로 과금되며, 단일 월 필터를 사용한 예시 쿼리의 비용은 약 $0.00005이다. — Cost of Athena queries 섹션의 과금 기준과 스캔 비용 설명
- 예시에서 ChatApp은 Claude 4.6 Sonnet 사용으로 $80를 넘게 지출하고 DocProcessor는 Nova Lite 사용으로 $5 미만을 지출한다. — Multi-service cost comparison 섹션의 예시 출력과 후속 비용 비교 문단
CUDOS version 5.8은 Cloud Intelligence Dashboards 프레임워크의 AI/ML 탭에 IAM principal 비용 배분을 포함한 Amazon Bedrock 섹션을 추가합니다. 대시보드는 IAM Principal, IAM Principal Tags, Model/Resource Group, Region 같은 기준으로 지출을 묶고, 지출 차트 위에 cost-per-million-tokens 추세선을 겹쳐 모델 변경이나 prompt caching 이후 단위 비용 변화를 추적합니다. 상위 차트에서 특정 프로젝트나 principal을 선택하면 모델·사용 유형·단위 비용 시각화가 함께 필터링되어 SQL 없이도 chatbot-v2 같은 프로젝트의 비용 원인을 단계적으로 좁힐 수 있습니다.
근거
- CUDOS version 5.8은 AI/ML 탭에서 IAM principal별 Amazon Bedrock 비용 배분, cost-per-million-tokens 추세, 모델·사용 유형별 세부 시각화를 지원한다. — Amazon Bedrock cost and usage insights in CUDOS 섹션과 이미지 3·4
분석 환경을 제거할 때는 Athena 테이블과 AWS Glue 데이터베이스를 삭제하고, 더 이상 필요하지 않은 CUR 내보내기와 S3 원시 청구 데이터를 별도로 정리해야 합니다. 글은 Glue 삭제 명령이 쿼리 메타데이터를 없애므로 이후 CUR 분석을 계속하려면 리소스를 다시 만들어야 한다고 경고하며, 원시 청구 이력은 삭제 전에 보존 필요성을 확인하도록 합니다. Partition projection을 사용하는 구성에서는 지속적인 컴퓨팅 리소스 없이 CUR 파일의 S3 저장 비용만 남고, 이는 일반적으로 월 수 페니 수준입니다.
bash
aws glue delete-table --region us-east-1 --database-name your_cur_table_name --name curexport
aws glue delete-database --region us-east-1 --name your_cur_table_name
aws s3 rm s3:///athena-results/ --recursive분석을 끝낸 뒤 Athena 테이블과 Glue 데이터베이스의 메타데이터, Athena 결과 파일을 삭제하는 정리 명령입니다.
용어 해설
- CUR 2.0
- — AWS Cost and Usage Report의 최신 데이터 내보내기 형식으로, Amazon Bedrock 사용량과 비용을 시간·리소스·호출 주체 단위로 S3에 저장합니다. IAM principal 데이터를 활성화하면 호출한 사용자나 역할을 비용 레코드에 연결할 수 있어 세밀한 비용 배분이 가능합니다.
- IAM Principal
- — AWS 리소스에 요청을 보낸 사용자, 역할 또는 세션을 식별하는 주체입니다. CUR 2.0의 line_item_iam_principal 열에 전체 ARN이 기록되며, 이를 기준으로 Amazon Bedrock 추론 비용을 개인·애플리케이션·서비스별로 나눌 수 있습니다.
- 파티션 프로젝션(Partition Projection)
- — Athena가 테이블 메타데이터에 파티션 규칙을 정의해 실제 파티션 목록을 별도로 저장하지 않고도 필요한 데이터 위치를 계산하는 방식입니다. billing_period 조건을 사용하면 특정 월의 Parquet 파일만 스캔해 쿼리 비용과 처리량을 줄일 수 있습니다.
- 비용 할당 태그(Cost Allocation Tags)
- — AWS 비용을 팀·프로젝트·비용 센터 같은 조직 기준으로 묶는 태그입니다. IAM principal에 태그를 붙이고 비용 할당 태그로 활성화하면 CUR 2.0에서 iamPrincipal/ 접두사가 붙은 태그 열로 비용 집계를 수행할 수 있습니다.
- UNNEST 함수(UNNEST)
- — Athena SQL에서 배열이나 맵 형태의 데이터를 행 단위로 펼치는 함수입니다. 이 글에서는 IAM principal에 연결된 tags 맵을 key와 value 쌍으로 변환해 사전에 알지 못한 태그 키와 값별 Amazon Bedrock 비용을 동적으로 집계하는 데 사용합니다.
기술
- Amazon Bedrock
- Amazon Athena
- CUDOS
- CUR 2.0
- AWS Cost and Usage Reports
- Amazon S3
- AWS Glue
- AWS CloudFormation
- AWS Cost Explorer
- Claude Code
- Kiro-CLI
- Codex
- SQL
- UNNEST
- Partition Projection
활용 사례
- 사용자별 Amazon Bedrock 비용 추적
- 팀·프로젝트·테넌트별 비용 배분
- DocProcessor와 ChatApp 같은 AI 서비스 비용 비교
- 모델 및 토큰 유형별 지출 분석
- CUDOS 대시보드를 활용한 조직 단위 비용 모니터링
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 13.수집 2026. 08. 13.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
