Une entreprise de traitement de transactions exécute chaque semaine des tâches par lots scriptées sur des instances Amazon EC2 au sein d'un groupe Auto Scaling. Le nombre de transactions varie, mais l'utilisation de base du CPU pendant chaque exécution est d'au moins 60 %. L'entreprise doit provisionner la capacité 30 minutes avant le début des tâches. Les ingénieurs modifient actuellement le groupe Auto Scaling manuellement et l'entreprise manque de ressources pour analyser les tendances de capacité. Quelle solution permettra d'automatiser la modification de la capacité souhaitée du groupe Auto Scaling avec le MOINS de frais opérationnels ?

La mise à l'échelle prédictive est la solution la plus efficace car elle utilise l'apprentissage automatique pour prévoir la charge future et provisionner la capacité à l'avance, ce qui correspond au besoin de provisionner 30 minutes avant le début des tâches. Elle réduit les frais opérationnels en automatisant l'analyse des tendances. La mise à l'échelle dynamique ne provisionnerait la capacité qu'une fois que l'utilisation du CPU atteindrait 60 %, ce qui est trop tard car la capacité doit être prête 30 minutes avant. La mise à l'échelle planifiée pourrait fonctionner pour l'heure de début, mais elle ne s'adapterait pas aux variations du nombre de transactions et nécessiterait une gestion manuelle des capacités min/max. L'utilisation d'EventBridge et Lambda est une solution personnalisée qui augmente la complexité opérationnelle et ne bénéficie pas de la prédiction de charge.