面向中文开发者的 AWS 实战知识库 代维服务
上云咨询

EC2 Auto Scaling 日常运维:备份、扩容与故障响应的成本账

导出 PDF 浅色排版、带版权水印,可在打印窗口另存为 PDF
EC2 Auto Scaling 日常运维:备份、扩容与故障响应的成本账

先说结论

  • Auto Scaling 服务本身不收费。钱花在它替你保住的实例、挂着的 EBS 和跨 AZ 流量上。真正决定账单的是三个参数:目标值、实例预热时间、缩容冷却时间,不是实例类型选得多便宜。
  • 日常运维只盯三样就够:ASG 活动历史里的失败动作、CloudWatch 的 CPU 和容量告警、每周一次从 AMI 起机的恢复验证。其余工作都是这三样的延伸。
  • 单台 m5.xlarge 在 us-east-1 按需跑满一个月约 140 美元,折人民币一千上下。一个配错的目标追踪策略能在两周内让这个数字翻倍——省钱的功夫在参数,不在买 Reserved。

账单上的钱分几笔,哪条曲线涨了就是在漏

Auto Scaling 的计费页是空的,你付的每一分钱都来自它管理的那组机器。以一套常规 Web 服务为例,月账单里能拆出四块:实例费、EBS 存储、跨可用区流量、CloudWatch 告警。前两块占八九成,后两块是需要单独翻明细才看得见的零头。

价格量级先摆出来,方便对照:

机型 vCPU / 内存 us-east-1 按需(美元/小时) 月成本(730 小时) 典型用途
t3.medium 2 / 4 GiB 0.042 约 30 美元 低流量站点、后台任务
c5.xlarge 4 / 8 GiB 0.170 约 124 美元 CPU 密集计算
m5.xlarge 4 / 16 GiB 0.192 约 140 美元 常规 Web / API
m5.2xlarge 8 / 32 GiB 0.384 约 280 美元 高并发、内存偏重

上表为 us-east-1 公开按需价,同规格在 ap-northeast-1 普遍贵一成以上,实际以 AWS 官方定价页为准,区域和机型差异不小。

真正容易失控的是明细里那几行小字。NAT 网关每小时 0.045 美元,另加每 GB 0.045 美元的处理费,如果 ASG 里的机器通过 NAT 出去拉镜像、调第三方接口,一个月几十美元很常见。跨 AZ 流量同理,三个可用区均摊的组,实例之间的调用全走跨 AZ,账单上单独一行。

指标和钱的对应关系,我一般看三条曲线:

GroupDesiredCapacity 和 GroupInServiceInstances 长期有差值。 差值意味着有实例在反复起不来,每一次失败的启动和终止都会留下记录,同时你还在为中间态付钱。常见原因是子网 IP 耗尽、AMI 被 deregister、IAM 实例配置文件被删。

CPUUtilization 卡在 25% 上下,DesiredCapacity 却一直等于 MaxSize。 这不是负载高,是目标值定太低,或者预热时间太短导致的过冲。组已经顶到上限,前端还在超时。

T 系列的 CPUCreditBalance 掉到 0。 这时 CloudWatch 里的 CPUUtilization 可能只有 40%,看起来一切正常,实际应用已经被限速到基线性能。等到 CPU 打满触发扩容,扩出来的还是 t3,还是没有积分,越扩越慢。

巡检清单与扩缩容参数:命令和阈值直接抄

每天开工前我会跑两条命令。第一条看组的基本状态:

aws autoscaling describe-auto-scaling-groups 
  --auto-scaling-group-names web-asg-prod 
  --region ap-northeast-1 
  --query 'AutoScalingGroups[0].{Min:MinSize,Max:MaxSize,Desired:DesiredCapacity,InService:length(Instances[?LifecycleState==`InService`])}' 
  --output table


正常输出应该是 Desired 和 InService 相等:


-----------------------------------------
|        DescribeAutoScalingGroups      |
+---------+-------+---------+-----------+
| Desired |  Max  |   Min   | InService |
+---------+-------+---------+-----------+
|    4    |   8   |    2    |     4     |
+---------+-------+---------+-----------+


差一台就说明有问题,接着翻活动历史。第二条命令只看失败的:

```bash
aws autoscaling describe-scaling-activities 
  --auto-scaling-group-name web-asg-prod 
  --region ap-northeast-1 
  --query 'Activities[?StatusCode!=`Successful`].[StartTime,StatusCode,StatusMessage]' 
  --output text


每周再补三件事:确认 Launch Template 指向的是最新 AMI 版本、确认 EBS 快照按生命周期策略正常生成、确认目标组的健康检查阈值没被人改过。这三件事各花五分钟,但能挡掉大部分半夜告警。

参数怎么定,我给一套在中小规模 Web 服务上验证过的起始值:

- **TargetValue 设 55%~65%**。设到 40% 以下,任何一次批量任务或日志轮转都会触发扩容,机器常年跑在半载。
- **DefaultInstanceWarmup 设 180~300 秒**。这个参数默认是 0,是新组最容易踩的坑,下面单独讲。
- **ScaleInCooldown 设 300 秒以上**。短于 3 分钟,负载一波动就会来回伸缩,每次伸缩都在计费和重建连接。
- **日常波动用 TargetTracking,突发流量用 StepScaling**,两个策略别挂在同一个组上互相打架。

## 踩坑实录:预热没配,5 分钟扩了 6 台又杀掉 4 台

2025 年 11 月,一套 Spring Boot 应用迁到 ASG 上,目标追踪策略 TargetValue 写 55%,DefaultInstanceWarmup 没动,保持默认的 0,ScaleInCooldown 设了 120 秒。上线第一晚就出问题。

现象是每天晚上八点流量起来后,组在五分钟内从 2 台扩到 6 台,接着三分钟内又杀掉 4 台,循环往复。活动历史里刷出一长串 `Launching a new EC2 instance` 和 `Terminating EC2 instance`,一晚上十几次。用户侧表现为间歇性 502。

我一开始怀疑是目标组的健康检查太严,把还在启动的实例判死了。查了 ELB 的 unhealthy 记录,发现实例都是 healthy 的,只是刚起来那两分钟响应慢。真正的原因在时间线上:Java 应用从开机到能接流量要 90 秒左右,这段时间 Spring 上下文初始化把 CPU 拉到 90% 以上,而 CloudWatch 的 CPUUtilization 是 60 秒一个数据点,两个点就够触发扩容。新机器起来同样慢、同样高 CPU,于是继续扩。等所有机器跑起来,负载摊薄,CPU 掉到 20%,冷却时间一过立刻缩容,缩完又不够。

验证方法很直接:把 CPUUtilization 拉成 1 分钟粒度,和活动历史的 StartTime 对齐,能看到每一次扩容都发生在 CPU 尖峰后 1 到 2 分钟,而尖峰本身恰恰来自刚启动的实例。这是典型的把启动抖动当成业务负载。

改了三处:DefaultInstanceWarmup 从 0 调到 300 秒,ScaleInCooldown 从 120 调到 300 秒,TargetValue 从 55% 提到 65%。改完一周,扩缩容动作从一晚上十几次降到 6 次左右,实例费也跟着降了一截。

同一套环境里还遇到另一次扩容失败,活动历史里的原文是:


Launching a new EC2 instance. Status Reason: Your requested instance type (m5.xlarge)
is not supported in your requested Availability Zone (us-east-1e). Please retry
your request by not specifying an Availability Zone or choosing us-east-1a,
us-east-1b, us-east-1c.


原因是组的子网列表里混进了一个 us-east-1e 的子网,那个 AZ 不支持 m5.xlarge

参考来源

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注