Налаштування автоскейлінгу серверів веб-додатку

Відзначимо: коли ваш веб-сервіс раптово отримує пікове навантаження — наприклад, після успішної email-розсилки або рекламної кампанії, — сервери можуть лягти, а користувачі підуть до конкурентів. Ви додаєте потужності вручну, але це повільно та дорого. Автоскейлінг вирішує проблему, але його неправильне налаштування призводить до thrashing та перевитрати коштів. Ми, команда інженерів з багаторічним досвідом в інфраструктурі, допомогли більш ніж 50 проектам впровадити горизонтальне масштабування з економією до 30–40% на хмарних ресурсах. Ми гарантуємо, що ви будете платити лише за реально використані ресурси, а користувачі не помітять піків. Отримайте консультацію — ми оцінимо ваш проект та запропонуємо оптимальну архітектуру.

Чому простого скейлінгу за CPU недостатньо?

CPU-метрика запізнюється: сервер спочатку гальмує, потім скейлиться. Для типового веб-додатку комбінують CPU та кількість запитів на секунду (RPS). Це дає швидшу реакцію на сплески трафіку та запобігає простоям. Правильний вибір метрик — основа ефективного автоскейлінгу, і саме на цьому етапі багато хто припускається помилок, що ведуть до перевитрати або падіння продуктивності.

Як вибрати метрики для автоскейлінгу?

CPU-метрика запізнюється — сервер спочатку гальмує, потім скейлиться. RPS-метрика реагує швидше. Для типового веб-додатку комбінують CPU + Request Count.

Налаштування в хмарних платформах

AWS Auto Scaling Group

Найпоширеніший сценарій — EC2 ASG з Application Load Balancer. В одному конфігу об'єднуємо Launch Template, ASG та політики цільового відстеження:

# Terraform: Launch Template + ASG + Target Tracking Policies
resource "aws_launch_template" "app" {
  name_prefix = "myapp-"
  image_id = data.aws_ami.ubuntu.id
  instance_type = "t3.medium"
  user_data = base64encode(<<-EOF
    #!/bin/bash
    cd /var/www/myapp
    git pull origin main
    systemctl restart php8.3-fpm
    systemctl reload nginx
  EOF
  )
  network_interfaces {
    associate_public_ip_address = false
    security_groups = [aws_security_group.app.id]
  }
  iam_instance_profile {
    name = aws_iam_instance_profile.app.name
  }
  lifecycle {
    create_before_destroy = true
  }
}

resource "aws_autoscaling_group" "app" {
  name = "myapp-asg"
  vpc_zone_identifier = aws_subnet.private[*].id
  target_group_arns = [aws_lb_target_group.app.arn]
  health_check_type = "ELB"
  health_check_grace_period = 300
  min_size = 2
  max_size = 20
  desired_capacity = 2
  launch_template {
    id = aws_launch_template.app.id
    version = "$Latest"
  }
  instance_refresh {
    strategy = "Rolling"
    preferences {
      min_healthy_percentage = 50
    }
  }
  tag {
    key = "Name"
    value = "myapp-app"
    propagate_at_launch = true
  }
}

# Target Tracking Policy: CPU
resource "aws_autoscaling_policy" "cpu" {
  name = "myapp-cpu-tracking"
  autoscaling_group_name = aws_autoscaling_group.app.name
  policy_type = "TargetTrackingScaling"
  target_tracking_configuration {
    predefined_metric_specification {
      predefined_metric_type = "ASGAverageCPUUtilization"
    }
    target_value = 65.0
    scale_in_cooldown = 300
    scale_out_cooldown = 60
  }
}

# Target Tracking Policy: ALB Request Count per Target
resource "aws_autoscaling_policy" "rps" {
  name = "myapp-rps-tracking"
  autoscaling_group_name = aws_autoscaling_group.app.name
  policy_type = "TargetTrackingScaling"
  target_tracking_configuration {
    predefined_metric_specification {
      predefined_metric_type = "ALBRequestCountPerTarget"
      resource_label = "${aws_lb.main.arn_suffix}/${aws_lb_target_group.app.arn_suffix}"
    }
    target_value = 1000.0
  }
}

ECS Fargate Auto Scaling

Для контейнерних додатків ECS Fargate простіше — немає EC2, лише задачі. Налаштовуємо цільовий ресурс та політику за CPU та довжиною черги SQS:

resource "aws_appautoscaling_target" "ecs" {
  max_capacity = 50
  min_capacity = 2
  resource_id = "service/${aws_ecs_cluster.main.name}/${aws_ecs_service.app.name}"
  scalable_dimension = "ecs:service:DesiredCount"
  service_namespace = "ecs"
}

resource "aws_appautoscaling_policy" "ecs_cpu" {
  name = "myapp-ecs-cpu"
  policy_type = "TargetTrackingScaling"
  resource_id = aws_appautoscaling_target.ecs.resource_id
  scalable_dimension = aws_appautoscaling_target.ecs.scalable_dimension
  service_namespace = aws_appautoscaling_target.ecs.service_namespace
  target_tracking_scaling_policy_configuration {
    predefined_metric_specification {
      predefined_metric_type = "ECSServiceAverageCPUUtilization"
    }
    target_value = 60.0
    scale_in_cooldown = 300
    scale_out_cooldown = 30
  }
}

# Scale by SQS queue depth (worker service)
resource "aws_appautoscaling_policy" "ecs_sqs" {
  name = "myapp-worker-sqs"
  policy_type = "TargetTrackingScaling"
  resource_id = aws_appautoscaling_target.worker.resource_id
  scalable_dimension = aws_appautoscaling_target.worker.scalable_dimension
  service_namespace = aws_appautoscaling_target.worker.service_namespace
  target_tracking_scaling_policy_configuration {
    customized_metric_specification {
      metric_name = "ApproximateNumberOfMessagesNotVisible"
      namespace = "AWS/SQS"
      statistic = "Sum"
      dimensions {
        name = "QueueName"
        value = aws_sqs_queue.jobs.name
      }
    }
    target_value = 100.0
  }
}

Kubernetes HPA та KEDA

Horizontal Pod Autoscaler працює з CPU та Memory з коробки. KEDA додає зовнішні метрики (SQS, RabbitMQ, Kafka).

Приклад HPA з CPU та Memory, стабілізацією та поведінкою:

---
# HPA по CPU + Memory
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: myapp-hpa
  namespace: myapp
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: myapp-web
  minReplicas: 2
  maxReplicas: 50
  metrics:
    - type: Resource
      resource:
        name: cpu
        target:
          type: Utilization
          averageUtilization: 65
    - type: Resource
      resource:
        name: memory
        target:
          type: Utilization
          averageUtilization: 75
  behavior:
    scaleUp:
      stabilizationWindowSeconds: 30
      policies:
        - type: Pods
          value: 4
          periodSeconds: 60
    scaleDown:
      stabilizationWindowSeconds: 300
      policies:
        - type: Percent
          value: 25
          periodSeconds: 60

Детальніше читайте в офіційній документації HorizontalPodAutoscaler. KEDA ScaledObject для RabbitMQ:

---
# KEDA ScaledObject — RabbitMQ queue
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: myapp-worker-scaler
  namespace: myapp
spec:
  scaleTargetRef:
    name: myapp-worker
  minReplicaCount: 1
  maxReplicaCount: 30
  pollingInterval: 10
  cooldownPeriod: 60
  triggers:
    - type: rabbitmq
      metadata:
        host: amqp://rabbitmq.myapp.svc.cluster.local
        queueName: email-queue
        mode: QueueLength
        value: "50"
---

Graceful Shutdown

При scale-in інстанс отримує сигнал завершення. Додаток повинен встигнути обробити поточні запити. Приклад для Node.js Express:

// Node.js Express
const server = app.listen(3000);
process.on('SIGTERM', () => {
  console.log('SIGTERM received, shutting down gracefully');
  server.close(() => {
    console.log('HTTP server closed');
    process.exit(0);
  });
  setTimeout(() => {
    console.error('Forced shutdown');
    process.exit(1);
  }, 30000);
});

Додатково налаштовуємо lifecycle hook в AWS для виконання команд перед завершенням інстанса. Детальніше — в документації AWS по Lifecycle Hooks.

Типові проблеми та їх вирішення

При впровадженні автоскейлінгу команди часто стикаються з thrashing — частим додаванням та видаленням інстансів через занадто короткі cooldown. Рішення — збільшити scale_in_cooldown до 300–600 секунд та використовувати stabilizationWindowSeconds в HPA. Інша проблема — повільний старт додатку: новий інстанс створено, але трафік іде до його готовності. Допомагають health check grace period, readiness probe та Warm Pool. Також дорогий scale-in виникає, якщо видаляється інстанс з незавершеними фоновими завданнями. Тут виручає lifecycle hook з drain черги перед CONTINUE. І нарешті, неправильна метрика — наприклад, CPU 20%, але додаток гальмує через I/O wait. У таких випадках використовуйте custom метрики, наприклад p95 latency через CloudWatch або Prometheus.

Покрокове налаштування автоскейлінгу в AWS

1. Створіть Launch Template з AMI, типом інстанса та user-data для розгортання додатку.
2. Налаштуйте Auto Scaling Group: вкажіть VPC, subnet, target group для ALB, задайте min, max, desired.
3. Додайте політики Target Tracking по CPU та RPS, встановіть cooldown.
4. Налаштуйте health checks: ELB health check, grace period.
5. Увімкніть Instance Refresh для rolling-оновлень.
6. Перевірте graceful shutdown: lifecycle hook + drain.

Обсяг робіт з налаштування автоскейлінгу

• Аналіз поточної архітектури та профілю навантаження.
• Проектування політик масштабування (CPU, RPS, черга).
• Налаштування AWS Auto Scaling Group, ECS Service Auto Scaling або Kubernetes HPA/KEDA.
• Конфігурація health checks та graceful shutdown.
• Налаштування моніторингу (CloudWatch, Grafana) та алертів.
• Документація з архітектури та інструкції для команди.
• Навчання команди (1–2 сесії).
• Підтримка протягом 30 днів після впровадження.

Орієнтовні терміни

Ми маємо сертифікати AWS та Kubernetes, багаторічний досвід на ринку та більше 50 реалізованих проектів. Зв'яжіться з нами, щоб обговорити ваш проект. Ми підготуємо комерційну пропозицію з точними термінами та вартістю.