AWS Auto Scaling 经典2009年〜

AWS Auto Scaling 是根据应用需求自动增减 EC2 实例、 ECS 任务、 DynamoDB 表、 Aurora 副本等资源数量的服务。基于 CPU 使用率和请求数等指标设置扩展策略，负载高时添加资源，低时减少资源。兼顾性能维护和成本优化。

根据需求自动扩缩 EC2、ECS、DynamoDB 等资源的服务

阅读约需 1 分钟最后更新： 2026-03-16

它能做什么

AWS Auto Scaling 是根据应用需求自动增减 EC2 实例、ECS 任务、DynamoDB 表、Aurora 副本等资源数量的服务。基于 CPU 使用率和请求数等指标设置扩展策略，负载高时添加资源，低时减少资源。兼顾性能维护和成本优化。

用于应对电商网站促销时的访问激增、在工作时段和夜间变动服务器数量以优化成本、自动调整资源以保持 Web 应用响应时间恒定等。使用预测扩展还可根据历史流量模式预测需求并提前扩展。

可以将其比作超市的收银台。顾客少的时段只开 2 个收银台（服务器），拥挤时自动增加到 5 个。空闲后再恢复为 2 个。店长（Auto Scaling）始终监控顾客排队情况（负载），自动调整最优收银台数量。

AWS Auto Scaling 是根据应用负载自动增减资源数量的服务。云的一大优势是可以按需使用资源。Auto Scaling 将这一优势自动化，省去手动添加和删除服务器的麻烦。同时防止资源过剩导致的成本浪费和资源不足导致的性能下降。

Auto Scaling 主要有 3 种扩展方式。目标跟踪扩展是最简单的方式，只需设置目标值（如将 CPU 使用率维持在 70%）。步进扩展可根据负载级别设置不同的扩展量。计划扩展可基于时间段设置（如每天早上 9 点增加实例）。

预测扩展是通过机器学习分析历史流量模式，预测未来需求并提前扩展的功能。例如，如果每天上午 10 点访问量激增，会在 10 点前稍早增加实例。即使是反应式扩展来不及应对的急剧负载增加也能处理。关于预测扩展的实践案例和活用方法，可以参考相关书籍（Amazon）。

对于 EC2，首先在启动模板中定义实例配置，然后创建 Auto Scaling 组。设置最小、最大和期望实例数，添加扩展策略。最简单的入门方式是设置目标跟踪策略，将 CPU 使用率目标设为 70%。可通过 CloudWatch 指标确认扩展行为。