ゲームのリリース中、ある企業はNetwork Load Balancerの背後で12台のr6g.16xlarge (メモリ最適化) Amazon EC2インスタンスを実行していました。モニタリングの結果、実際の使用量はCPUとメモリの予想の約4分の1であることが示されました。現在、需要は低下し、より変動するようになっています。同社は、固定フリートを、コストを最小限に抑えるためにCPUとメモリに基づいてスケーリングするAuto Scalingグループに置き換える予定です。要件を満たしながら最も費用対効果の高いAuto Scaling構成はどれですか？

元のr6g.16xlargeインスタンスのCPUとメモリ使用率が予想の4分の1だったため、同等のリソースを提供するには、より小さいインスタンスタイプが必要です。r6g.4xlargeインスタンスは、r6g.16xlargeの4分の1のリソース（CPUとメモリ）を提供します。したがって、12台のr6g.16xlargeインスタンスが提供していたリソースとほぼ同じ量のメモリ最適化インスタンスを、より費用対効果の高い方法で提供できます。最小キャパシティを3、最大キャパシティを12に設定することで、変動する需要に対応しながらコストを最適化できます。c6g.4xlargeはコンピューティング最適化、m6g.4xlargeは汎用であり、元のワークロードがメモリ最適化であったため不適切です。r6g.8xlargeは、必要以上に大きなインスタンスであり、コスト効率が悪くなります。