View a markdown version of this page

Menggunakan Pola Historis untuk Menskalakan Layanan Amazon ECS dengan Penskalaan Prediktif - Amazon Elastic Container Service
Ikhtisar penskalaan prediktif

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menggunakan Pola Historis untuk Menskalakan Layanan Amazon ECS dengan Penskalaan Prediktif

Penskalaan prediktif melihat data beban masa lalu dari arus lalu lintas untuk menganalisis pola harian atau mingguan. Kemudian menggunakan analisis ini untuk mengantisipasi kebutuhan masa depan dan secara proaktif meningkatkan tugas dalam layanan Anda sesuai kebutuhan.

Penskalaan otomatis prediktif paling berguna dalam situasi berikut.

  • Lalu lintas siklus - Peningkatan penggunaan sumber daya selama jam kerja reguler, dan penurunan penggunaan sumber daya selama malam hari dan akhir pekan.

  • Pola beban kerja on-and-off yang berulang - Contohnya termasuk pemrosesan batch, pengujian, atau analisis data berkala.

  • Aplikasi dengan waktu inisialisasi yang lama - Hal ini dapat memengaruhi kinerja aplikasi selama peristiwa scale-out yang menyebabkan latensi nyata.

Jika aplikasi Anda membutuhkan waktu lama untuk diinisialisasi dan lalu lintas meningkat dalam pola biasa, Anda harus mempertimbangkan untuk menggunakan penskalaan prediktif. Ini membantu Anda menskalakan lebih cepat dengan secara proaktif meningkatkan jumlah tugas untuk beban yang diperkirakan, alih-alih menggunakan kebijakan penskalaan dinamis, seperti Pelacakan Target atau Penskalaan Langkah saja. Dengan membantu Anda menghindari kemungkinan penyediaan jumlah tugas yang berlebihan, penskalaan prediktif juga berpotensi menghemat uang Anda.

Misalnya, pertimbangkan aplikasi yang memiliki penggunaan tinggi selama jam kerja dan penggunaan rendah dalam semalam. Pada awal setiap hari kerja, penskalaan prediktif dapat meningkatkan skala tugas sebelum masuknya lalu lintas pertama. Ini membantu aplikasi Anda mempertahankan ketersediaan dan kinerja yang tinggi saat beralih dari periode pemanfaatan yang lebih rendah ke periode pemanfaatan yang lebih tinggi. Anda tidak perlu menunggu penskalaan dinamis untuk bereaksi terhadap perubahan lalu lintas. Anda juga tidak perlu menghabiskan waktu meninjau pola beban aplikasi Anda dan mencoba menjadwalkan jumlah tugas yang tepat menggunakan penskalaan terjadwal.

Penskalaan prediktif adalah kemampuan tingkat layanan yang menskalakan tugas layanan Anda secara independen dari penskalaan kapasitas komputasi yang mendasarinya (misalnya, EC2 atau Fargate). Untuk Fargate, AWS mengelola dan secara otomatis menskalakan kapasitas yang mendasarinya berdasarkan persyaratan tugas. Untuk kapasitas EC2, Anda dapat menggunakan penyedia kapasitas grup Penskalaan Otomatis untuk menskalakan instans EC2 yang mendasarinya secara otomatis berdasarkan persyaratan penskalaan tugas Anda.

Daftar Isi

Cara kerja penskalaan prediktif di Amazon ECS

Di sini Anda dapat mempelajari tentang pertimbangan untuk menggunakan penskalaan prediktif, cara kerjanya, dan apa batasnya.

Pertimbangan untuk menggunakan penskalaan prediktif

  • Anda ingin memastikan penskalaan prediktif cocok untuk beban kerja Anda. Anda dapat memeriksanya dengan mengonfigurasi kebijakan penskalaan dalam mode perkiraan saja dan melihat apa yang direkomendasikan konsol. Anda harus mengevaluasi perkiraan dan rekomendasi sebelum mulai menggunakan penskalaan prediktif.

  • Sebelum penskalaan prediktif dapat memulai peramalan, diperlukan setidaknya 24 jam data historis. Semakin banyak data historis yang tersedia, semakin efektif perkiraan, dengan dua minggu menjadi ideal. Anda juga harus menunggu 24 jam sebelum penskalaan prediktif dapat menghasilkan perkiraan baru saat Anda menghapus layanan Amazon ECS dan membuat yang baru. Salah satu cara untuk mempercepat ini adalah dengan menggunakan metrik khusus untuk mengumpulkan metrik di seluruh layanan Amazon ECS lama dan baru.

  • Pilih metrik beban yang secara akurat mewakili beban penuh pada aplikasi Anda dan merupakan aspek aplikasi Anda yang paling penting untuk diskalakan.

  • Penskalaan dinamis dengan penskalaan prediktif membantu Anda mengikuti permintaan aplikasi dengan cermat, sehingga Anda dapat meningkatkan skala selama jeda dan meningkatkan skala selama peningkatan lalu lintas yang tidak terduga. Ketika beberapa kebijakan penskalaan aktif, setiap kebijakan menentukan jumlah tugas yang diinginkan secara independen, dan jumlah tugas yang diinginkan disetel ke maksimum tugas tersebut.

  • Anda dapat menggunakan penskalaan prediktif bersama kebijakan penskalaan dinamis Anda, seperti pelacakan target atau penskalaan langkah, sehingga aplikasi Anda berskala berdasarkan pola real-time dan historis. Dengan sendirinya, penskalaan prediktif tidak meningkatkan skala tugas Anda.

  • Jika Anda menggunakan peran khusus saat memanggil register-scalable-target API, Anda mungkin mendapatkan kesalahan yang mengatakan kebijakan penskalaan prediktif hanya dapat berfungsi dengan SLR diaktifkan. Dalam hal ini Anda harus menelepon register-scalable-target lagi tetapi tanpa peran-arn. Gunakan SLR saat mendaftarkan target yang dapat diskalakan dan panggil put-scaling-policy API.

Cara kerja penskalaan prediktif

Anda menggunakan penskalaan prediktif dengan membuat kebijakan penskalaan prediktif yang menentukan CloudWatch metrik untuk dipantau dan dianalisis. Penskalaan prediktif harus memiliki setidaknya 24 jam data untuk mulai meramalkan nilai masa depan.

Setelah Anda membuat kebijakan, penskalaan prediktif mulai menganalisis data metrik hingga 14 hari terakhir untuk mengidentifikasi pola. Analisis ini digunakan untuk menghasilkan perkiraan per jam persyaratan 48 jam berikutnya. CloudWatch Data terbaru digunakan untuk memperbarui perkiraan setiap enam jam. Saat data baru masuk, penskalaan prediktif terus meningkatkan akurasi perkiraan masa depan.

Saat pertama kali mengaktifkan penskalaan prediktif, penskalaan ini berjalan dalam mode perkiraan saja. Ini menghasilkan perkiraan dalam mode ini, tetapi tidak menskalakan layanan Amazon ECS Anda berdasarkan perkiraan tersebut. Ini berarti Anda dapat mengevaluasi keakuratan dan kesesuaian perkiraan. Anda melihat data perkiraan dengan menggunakan operasi GetPredictiveScalingForecast API atau Konsol Manajemen AWS.

Saat Anda memutuskan untuk mulai menggunakan penskalaan prediktif, alihkan kebijakan penskalaan ke mode perkiraan dan skala. Berikut ini terjadi saat dalam mode ini.

Layanan Amazon ECS Anda diskalakan pada awal setiap jam berdasarkan perkiraan untuk jam tersebut, secara default. Anda dapat memilih untuk memulai lebih awal dengan menggunakan SchedulingBufferTime properti dalam operasi PutScalingPolicy API. Ini membuat tugas-tugas baru diluncurkan sebelum permintaan yang diperkirakan dan memberi mereka waktu untuk boot dan siap menangani lalu lintas.

Batas tugas maksimum

Saat mendaftarkan layanan Amazon ECS untuk penskalaan, Anda menentukan jumlah tugas maksimum yang dapat diluncurkan per layanan. Secara default, saat kebijakan penskalaan ditetapkan, kebijakan tersebut tidak dapat meningkatkan jumlah tugas lebih tinggi dari batas maksimumnya.

Atau, Anda dapat mengizinkan jumlah tugas maksimum layanan ditingkatkan secara otomatis jika perkiraan mendekati atau melebihi jumlah tugas maksimum layanan Amazon ECS.

Awas

Berhati-hatilah saat mengizinkan jumlah tugas maksimum ditingkatkan secara otomatis. Hal ini dapat menyebabkan lebih banyak tugas diluncurkan daripada yang dimaksudkan, jika jumlah tugas maksimum yang meningkat tidak dipantau dan dikelola. Jumlah tugas maksimum yang meningkat kemudian menjadi jumlah tugas maksimum normal baru untuk layanan Amazon ECS sampai Anda memperbaruinya secara manual. Jumlah tugas maksimum tidak secara otomatis berkurang kembali ke maksimum semula.

Wilayah yang didukung

  • Timur AS (N. Virginia)

  • AS Timur (Ohio)

  • AS Barat (California Utara)

  • AS Barat (Oregon)

  • Afrika (Cape Town)

  • Asia Pasifik (Hong Kong)

  • Asia Pasifik (Jakarta)

  • Asia Pasifik (Mumbai)

  • Asia Pasifik (Osaka)

  • Asia Pasifik (Seoul)

  • Asia Pasifik (Singapura)

  • Asia Pasifik (Sydney)

  • Asia Pasifik (Tokyo)

  • Kanada (Pusat)

  • Tiongkok (Beijing)

  • Tiongkok (Ningxia)

  • Eropa (Frankfurt)

  • Eropa (Irlandia)

  • Eropa (London)

  • Eropa (Milan)

  • Eropa (Paris)

  • Eropa (Stockholm)

  • Timur Tengah (Bahrain)

  • Amerika Selatan (Sao Paulo)

  • AWS GovCloud (US-East)

  • AWS GovCloud (US-West)