Ein Unternehmen für Transaktionsverarbeitung führt wöchentlich skriptgesteuerte Batch-Jobs auf Amazon EC2-Instances in einer Auto Scaling-Gruppe aus. Die Anzahl der Transaktionen variiert, aber die grundlegende CPU-Auslastung während jedes Laufs beträgt mindestens 60 %. Das Unternehmen muss die Kapazität 30 Minuten vor Beginn der Jobs bereitstellen. Ingenieure ändern derzeit die Auto Scaling-Gruppe manuell, und dem Unternehmen fehlen Ressourcen, um Kapazitätstrends zu analysieren. Welche Lösung automatisiert die Änderung der gewünschten Kapazität der Auto Scaling-Gruppe mit dem GERINGSTEN Betriebsaufwand?

Die prädiktive Skalierung (Predictive Scaling) ist die beste Lösung, da sie maschinelles Lernen nutzt, um zukünftige Lasten vorherzusagen und die Kapazität proaktiv anzupassen, noch bevor die Last auftritt. Dies erfüllt die Anforderung, die Kapazität 30 Minuten vor den Batch-Jobs bereitzustellen, ohne dass das Unternehmen selbst Trendanalysen durchführen muss. Dynamische Skalierung reagiert auf Metriken, skaliert also erst, wenn die CPU-Auslastung bereits hoch ist, was zu Verzögerungen führen kann. Geplante Skalierung erfordert manuelle Konfiguration der Kapazität, was bei variierenden Transaktionszahlen ineffizient sein kann und möglicherweise nicht immer die optimale Kapazität bereitstellt. Eine EventBridge-Lambda-Lösung wäre ein höherer Betriebsaufwand, da sie die Entwicklung und Wartung von Lambda-Code erfordert.