Geplante und prädiktive Skalierung

Dynamische Scaling-Richtlinien (Target Tracking und Step Scaling) sind reaktiv: Sie reagieren erst, nachdem ein Metrikschwellenwert bereits überschritten wurde. Bei bekannten, vorhersehbaren Datenverkehrsmustern wie Spitzen während der Geschäftszeiten, Batchläufen am Monatsende oder Verkäufen am Black Friday ist reaktive Skalierung zu langsam, da das Starten und Aufwärmen von Instances mehrere Minuten dauern kann. Scheduled Scaling und Predictive Scaling begegnen diesem Problem, indem sie die Kapazität proaktiv anpassen, bevor die Last eintritt.

Eine geplante Scaling-Aktion ändert die minimale, maximale oder gewünschte Kapazität einer ASG zu einem bestimmten Datum und Zeitpunkt oder nach einem wiederkehrenden Cron-Zeitplan. Das ist ideal, wenn Sie genau wissen, wann die Last zunimmt – beispielsweise zum Vorwärmen vor einer geplanten Marketingveranstaltung oder zum nächtlichen Herunterskalieren bei minimalem Datenverkehr, um Kosten zu sparen. Geplante Aktionen überschreiben die aktuelle gewünschte Kapazität zum angegebenen Zeitpunkt.

Geplante Aktionen verwenden das Unix-Cron-Format: minute hour day-of-month month day-of-week. Alle Zeitangaben erfolgen in UTC. Zu den gängigen Mustern gehören 0 8 * * 1-5 (werktags morgens um 08:00 UTC) für das Hochskalieren und 0 20 * * * (jede Nacht um 20:00 UTC) für das Herunterskalieren. Sie können mehrere geplante Aktionen für dieselbe ASG erstellen, zum Beispiel eine zum täglichen Hochskalieren und eine zum anschließenden Herunterskalieren.

Geplante Aktionen können einmalig (einmalig zu einer bestimmten Startzeit ausgeführt) oder wiederkehrend (nach einem Cron-Zeitplan ausgeführt) sein. Eine einmalige Aktion eignet sich ideal für ein bekanntes zukünftiges Ereignis wie eine Produkteinführung. Eine wiederkehrende Aktion verarbeitet regelmäßige Muster wie tägliche oder wöchentliche Verkehrszzyklen. Für eine wiederkehrende Aktion können Sie außerdem eine Startzeit und eine Endzeit festlegen, um einen Zeitplan innerhalb eines Datumsbereichs automatisch zu aktivieren und zu deaktivieren.

Geplante Aktionen und dynamische Scaling-Richtlinien können nebeneinander bestehen. Eine geplante Aktion legt zum geplanten Zeitpunkt eine neue Basiskapazität fest. Danach passen dynamische Richtlinien (Target Tracking oder Step Scaling) die Kapazität innerhalb der aktualisierten Min-/Max-Grenzen weiter an. Beispiel: Eine morgens ausgeführte geplante Aktion setzt min=4 und desired=8. Tagsüber skaliert Target Tracking die Kapazität bei hoher Auslastung auf 15. Die abendliche geplante Aktion setzt anschließend min=2 und desired=2 zurück.

Predictive Scaling verwendet maschinelles Lernen, um historische Auslastungsmuster aus CloudWatch-Metriken zu analysieren und den zukünftigen Kapazitätsbedarf vorherzusagen. Es plant Scale-out-Aktionen proaktiv, bevor die vorhergesagte Auslastung eintritt – typischerweise 5 bis 60 Minuten im Voraus. Predictive Scaling eignet sich am besten für Workloads mit wiederkehrenden täglichen oder wöchentlichen Verkehrszyklen. Die Prognose wird kontinuierlich aktualisiert, sobald weitere Daten gesammelt werden.

Sie aktivieren Predictive Scaling, indem Sie Ihrer ASG eine PredictiveScaling-Richtlinie zuordnen. Sie geben das Metrikpaar an: eine Auslastungsmetrik (wodurch die Skalierung ausgelöst wird, etwa CPU oder die Anzahl der ALB-Anfragen) und eine Skalierungsmetrik (die Sie für jede Instance überwachen). AWS prognostiziert anschließend die Auslastungsmetrik und berechnet die Anzahl der benötigten Instances, um die Skalierungsmetrik auf Ihrem Zielwert zu halten.

Predictive Scaling verfügt über zwei Modi: ForecastOnly erstellt Prognosen, ohne die Kapazität tatsächlich zu ändern – nützlich, um Prognosen vor der Aktivierung der automatisierten Skalierung zu überprüfen. ForecastAndScale erstellt Prognosen und wendet Kapazitätsänderungen automatisch an. Beginnen Sie einige Wochen lang mit ForecastOnly, um die Genauigkeit zu überprüfen, und wechseln Sie anschließend zu ForecastAndScale. AWS benötigt mindestens 24 Stunden an Metrikdaten, bevor die erste Prognose erstellt wird.

Predictive Scaling führt Scale-out-Aktionen im Voraus aus. Sie können jedoch eine SchedulingBufferTime konfigurieren, um Instances noch früher vorzuwärmen. Eine SchedulingBufferTime von 5 Minuten bedeutet, dass die Kapazität 5 Minuten vor dem von der Prognose vorhergesagten Bedarf erhöht wird. Sie können außerdem einen MaxCapacityBuffer festlegen, damit die ASG die Kapazität prozentual über den prognostizierten Bedarf hinaus erhöhen darf. So entsteht ein zusätzlicher Puffer gegen Ungenauigkeiten der Prognose.

Das empfohlene Muster für variable, aber vorhersehbare Workloads besteht darin, beide Verfahren zu kombinieren: Predictive Scaling verarbeitet die erwartete zyklische Auslastung, indem es Kapazität vorab bereitstellt, während Target Tracking Scaling unerwartete Spitzen abfängt, die die Prognose überschreiten. Zusammen bieten sie sowohl proaktive als auch reaktive Absicherung. Die ASG wendet über beide Richtlinien hinweg sicher die konservativste Scale-out-Empfehlung an.

Verwenden Sie Scheduled Scaling, wenn Auslastungsspitzen vollständig vorhersehbar sind und Sie die genauen Zeitpunkte kennen, etwa bei ereignisgesteuerten Mustern oder Geschäftszeiten. Verwenden Sie Predictive Scaling, wenn sich Muster wiederholen, der genaue Zeitpunkt jedoch variieren kann – ML erkennt das Muster automatisch. Verwenden Sie Target Tracking als dauerhaft aktive dynamische Absicherung gegen unerwartete Auslastung. Bei vollständig zufälliger Auslastung sollten Sie sich ausschließlich auf Target Tracking oder Step Scaling verlassen. In der SAA-C03-Prüfung wird häufig gefragt, welcher Ansatz operativ am effizientesten ist; bei wiederkehrenden zyklischen Workloads ist Predictive Scaling die beste Wahl.

In dieser Lektion haben Sie gelernt: Scheduled Scaling verwendet Cron-Ausdrücke, um die ASG-Kapazität zu bekannten Zeitpunkten zu ändern, und eignet sich ideal für vorhersehbare Ereignisse oder wiederkehrende Muster während der Geschäftszeiten. Predictive Scaling verwendet maschinelles Lernen auf Grundlage historischer CloudWatch-Daten, um die Skalierung proaktiv vor dem Eintreten der Auslastung vorzunehmen. Die Kombination aus Predictive + Target Tracking bietet sowohl proaktive als auch reaktive Absicherung und damit eine besonders robuste Skalierungsstrategie. Als Nächstes untersuchen wir Instance Refresh und Lifecycle Hooks für kontrollierte Bereitstellungen.