Während eines Game-Launches betrieb ein Unternehmen 12 r6g.16xlarge (speicheroptimierte) Amazon EC2-Instanzen hinter einem Network Load Balancer. Das Monitoring zeigte eine tatsächliche Auslastung von etwa einem Viertel der erwarteten CPU und des Speichers. Die Nachfrage ist nun gesunken und variabler geworden. Das Unternehmen wird die feste Flotte durch eine Auto Scaling-Gruppe ersetzen, die basierend auf CPU und Speicher skaliert, um die Kosten zu minimieren. Welche Auto Scaling-Konfiguration ist am kostengünstigsten und erfüllt gleichzeitig die Anforderungen?

Die ursprünglichen r6g.16xlarge-Instanzen waren speicheroptimiert und wurden nur zu einem Viertel ausgelastet. Dies deutet darauf hin, dass die Workload weiterhin speicherintensiv ist, aber kleinere Instanzen ausreichen. Die r6g.4xlarge-Instanzen sind ebenfalls speicheroptimiert und bieten eine gute Balance aus Leistung und Kosten. Da 12 r6g.16xlarge-Instanzen die Last bewältigten, und jede r6g.16xlarge die Leistung von vier r6g.4xlarge hat, würden theoretisch 48 r6g.4xlarge die gleiche Kapazität bieten. Eine Mindestkapazität von 3 und eine maximale Kapazität von 12 r6g.4xlarge-Instanzen ist ein konservativer Startpunkt, der Skalierbarkeit und Kosteneffizienz ermöglicht. Die anderen Optionen sind weniger geeignet: c6g.4xlarge (rechenoptimiert) ist nicht ideal für eine speicherintensive Workload. m6g.4xlarge (Allzweck) ist möglicherweise nicht optimal für eine spezifisch speicherintensive Workload. r6g.8xlarge (speicheroptimiert) mit einer maximalen Kapazität von 6 Instanzen bietet weniger Gesamtleistung als die ursprüngliche Konfiguration und könnte bei Spitzenlasten unzureichend sein.