www.awsgood.com
先说一个容易踩空的地方:问"EC2 Auto Scaling 扩容一个月要多少钱",只看峰值实例数一定算错,账单只认实例小时。下面按费用算法和恢复演练两条线讲,演练是主线——扩得起来但拉不回数据,比不扩容更难受。
公式很短,难的是估准"平均实例数":
月实例小时 ≈ Σ(每个时段实例数 × 该时段小时数) × 30
月费用 ≈ 月实例小时 × 按需单价 + EBS + 出网流量
举个真实形状的例子。业务白天两台常驻、早晚高峰扩到 8 台、午后回落到 3 台:
| 时段 | 实例数 | 时长 | 实例小时/天 |
|---|---|---|---|
| 00:00–09:00 | 2 | 9h | 18 |
| 09:00–12:00 | 8 | 3h | 24 |
| 12:00–14:00 | 3 | 2h | 6 |
| 14:00–18:00 | 8 | 4h | 32 |
| 18:00–24:00 | 3 | 6h | 18 |
| 合计 | — | 24h | 98 |
一天 98 实例小时,一个月约 2940 小时,平均 4.1 台。按 m5.large 按需 0.1 美元/小时量级估算(按区域与实例规格浮动),实例部分 290 美元上下,折人民币 2000 元出头;再加 EBS 根卷和流量,通常是个位数到十几美元的零头。
同一套配置如果缩容卡住、全天常驻 8 台,就是 5840 实例小时,接近 580 美元。多出来的 290 美元不是扩容扩出来的,是缩容没生效堆出来的。
计费方式怎么搭:
| 计费方式 | 相对按需 | 覆盖哪一层 | 代价 |
|---|---|---|---|
| 按需 | 100% | 峰值扩容层 | 最贵 |
| Savings Plans(1 年期) | 七折量级 | 7×24 常驻基线 | 承诺小时数用不完照付 |
| RI 标准 1 年 | 六到七折量级 | 长期固定规格 | 绑实例族与区域,改规格麻烦 |
| Spot | 三四折甚至更低 | 无状态、可中断的扩容层 | 2 分钟中断通知,随时被回收 |
实操上就是把基线用 Savings Plans 或 RI 盖住,把弹性层留给按需和 Spot,别一台台机器去省。
## 真出事能不能恢复:四种场景必须演练
Auto Scaling 的故障基本落在四类里,每一类都能演练,不用等真事故。
第一类是实例被误杀或健康检查循环。ELB 健康检查判定失败,ASG 反复替换实例,业务一直在抖。演练方式就是手动 terminate 一台,看 ALB 目标组多久把它摘掉、新实例多久 InService。
第二类是单 AZ 容量不足。这是国内团队调 ap-east-1、ap-southeast-1 时最常见的一类,扩容活动里直接写失败:
```text
Launching a new EC2 instance: i-0a1b2c3d4e5f6a7b8. Status: Failed
Cause: InsufficientInstanceCapacity - We currently do not have sufficient m5.large capacity
in the Availability Zone you requested (ap-east-1a).
看到这行字,第一反应应该是查子网是否只挂了一个 AZ,而不是去调大 max size。
第三类是启动模板指向的 AMI 被 deregister。运维清理旧镜像时手一抖,扩容直接哑火:
```text
Launching a new EC2 instance. Status: Failed
Cause: The image id '[ami-0123456789abcdef0]' does not exist
这个报错藏在「活动历史」里,不去翻根本发现不了,实例数会一直卡在 desired 以下。
第四类是发布后新实例起不来:user-data 里拉包超时、启动脚本连不上配置中心。演练办法是把启动模板复制一份,改成新版 user-data,起一台不挂流量的小 ASG 观察。
## 备份有效性验证:AMI 和快照怎么证明它真能用
`describe-images` 显示 available 只代表镜像注册成功,跟能不能启动是两件事。我一般这么验:
```bash
aws ec2 describe-images --image-ids ami-0123456789abcdef0
--query 'Images[0].{State:State,Name:Name,Created:CreationDate,Snapshots:BlockDeviceMappings[*].Ebs.SnapshotId}'
输出里 `State` 是 `available`、`Snapshots` 非空,只过了第一关。第二关是从它真起一台机器,挂到临时目标组,用 SSM 跑一条命令确认应用进程活着:
```bash
aws ssm send-command --instance-ids i-0test0123456789
--document-name "AWS-RunShellScript"
--parameters 'commands=["systemctl is-active nginx","curl -s -o /dev/null -w %{http_code} localhost:8080/health"]'
EBS 快照恢复有个坑:新卷是懒加载的,建出来几分钟就能挂,但首次读块要从对象存储拉,IO 延迟能到几百毫秒。100 GB 量级的卷,建议在演练里跑一遍 `fio` 预热,别等生产上真切换时才发现首屏卡顿。
## 一次完整恢复演练的步骤与 RTO 记录
演练最怕变成"点一下就完事"。按下面这个顺序走,一次一小时以内能收尾。
1. 冻结变更窗口,期间不动 ASG 配置、不发版。
2. 记录基线:desired、InService 实例数、ALB 健康主机数。
3. 制造故障:把 desired 直接打到 0,模拟整组实例消失。
4. 恢复配置并计时,同时盯扩容活动。
5. 记录 RTO,回滚到演练前配置。
```bash
# 模拟全组实例丢失
aws autoscaling set-desired-capacity --auto-scaling-group-name web-asg --desired-capacity 0
# 恢复并观察每一步耗时
aws autoscaling set-desired-capacity --auto-scaling-group-name web-asg --desired-capacity 4
watch -n 15 "aws autoscaling describe-scaling-activities
--auto-scaling-group-name web-asg --max-items 5
--query 'Activities[*].[StartTime,StatusCode,Description]' --output table"
输出长这样,时间戳就是你的 RTO 原始数据:
```text
2024-06-12T02:14:33Z Successful Launching a new EC2 instance: i-0a1b...
2024-06-12T02:17:52Z Successful Launching a new EC2 instance: i-0c9d...
从触发到第一台 InService 三分半,四台全就绪八分钟左右——这是 t3/m5 混合、AMI 里预装了依赖的情况。AMI 里如果还要跑 yum 装包,这个数字能翻到十几分钟。
演练记录表长这样,数字填你自己的实测值:
| 场景 | RTO 目标 | 实测 | RPO | 结论 |
|---|---|---|---|---|
| 单实例被终止 | 5 分钟 | 3.5 分钟 | 0 | 达标 |
| 整组清零重建 | 10 分钟 | 8 分钟 | 0 | 达标 |
| 单 AZ 不可用 | 15 分钟 | 未演练 | 0 | 待补 |
| 数据卷误删 | 2 小时 | 未达标 | 15 分钟 | 快照频率要改 |
## 巡检与告警:阈值别照抄文档
文档给的默认阈值在你这里多半不适用。这套是我们自己跑下来误报最少的:
| 指标 | 阈值 | 窗口 |
|---|---|---|
| GroupInServiceInstances < GroupDesiredCapacity | 持续 5 分钟 | 高 |
| 扩容活动出现 Failed | 单次即告警 | 高 |
| UnHealthyHostCount ≥ 1 | 连续 2 个周期 | 高 |
| 5xx 比例 > 1% | 持续 5 分钟 | 高 |
| CPUUtilization 目标追踪 60% | 持续 15 分钟高于 80% | 中 |
第二条最容易被忽略,因为实例挂了 ASG 会自己补,表面看不出异常,实际已经在丢容量。巡检时一条命令就能捞:
```bash
aws autoscaling describe-scaling-activities --auto-scaling-group-name web-asg
--query 'Activities[?StatusCode==`Failed`].[StartTime,Description]' --output table
我们踩过一次这个坑:某个 ASG 的 max size 被前同事从 10 改成了 4,白天流量上来只扩到 4 台就顶住,CPU 打满但没触发任何实例级告警,客户端只反馈"有点慢"。后来比对 `describe-scaling-activities` 里最后一次成功扩容的时间停在两周前,才定位到 max size。验证方法很土但有效:把 max size 和峰值实测实例数记进巡检清单,两者相等就说明你已经贴着上限跑了。
## 常见问题
**扩容期间账单会突然跳一大截吗?** 不会。按需实例按秒计费,扩出来的机器跑多久算多久,跳的是容量不是单价。跳得离谱一般是缩容策略没配好,或者实例一直没通过健康检查被反复重建。
**缩容为什么迟迟不生效?** 先看冷却时间(默认 300 秒)和目标追踪的冷却逻辑,再看是不是有实例保护(scale-in protection)。另外 ALB 请求计数型指标在低流量时段本来就不敏感。
**一定要买 RI 吗?** 基线稳定在 3 台以上、跑满一年才划算。波动大的业务先用 Savings Plans,灵活性更好。具体折扣按区域与实例规格浮动,别按官网数字硬套。
**Spot 能不能全量替换按需?** 无状态、能容忍 2 分钟中断的扩容层可以,数据库和长连接服务不要碰。
扩容费用这块算清楚不难,难的是出事那天真能拉起来。演练、记录、改阈值,这三件事每月花两小时。如果团队没人盯告警和演练,awsgood.com 那边做代运维时会把 RTO 记录和告警阈值一起接过去,演练结果照样得你们签字确认。