Настройка автоскейлинга серверов веб-приложения

Отметим: когда ваш веб-сервис внезапно получает пиковую нагрузку — например, после успешного email-рассылки или рекламной кампании, — серверы могут лечь, а пользователи уйдут к конкурентам. Вы добавляете мощности вручную, но это медленно и дорого. Автоскейлинг решает проблему, но его неправильная настройка приводит к thrashing и перерасходу средств. Мы, команда инженеров с многолетним опытом в инфраструктуре, помогли более 50 проектам внедрить горизонтальное масштабирование с экономией до 30–40% на облачных ресурсах. Мы гарантируем, что вы будете платить только за реально используемые ресурсы, а пользователи не заметят пиков. Получите консультацию — мы оценим ваш проект и предложим оптимальную архитектуру.

Почему простого скейлинга по CPU недостаточно?

CPU-метрика запаздывает: сервер сначала тормозит, потом скейлится. Для типичного веб-приложения комбинируют CPU и количество запросов в секунду (RPS). Это даёт более быструю реакцию на всплески трафика и предотвращает простои. Правильный выбор метрик — основа эффективного автоскейлинга, и именно на этом этапе многие допускают ошибки, ведущие к перерасходу или падению производительности.

Как выбрать метрики для автоскейлинга?

CPU-метрика запаздывает — сервер сначала тормозит, потом скейлится. RPS-метрика реагирует быстрее. Для типичного веб-приложения комбинируют CPU + Request Count.

Настройка в облачных платформах

AWS Auto Scaling Group

Самый распространённый сценарий — EC2 ASG с Application Load Balancer. В одном конфиге объединяем Launch Template, ASG и политики целевого отслеживания:

# 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 контейнерных приложений ECS Fargate проще — нет EC2, только задачи. Настраиваем целевой ресурс и политику по CPU и длине очереди 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 и KEDA

Horizontal Pod Autoscaler работает с CPU и Memory из коробки. KEDA добавляет внешние метрики (SQS, RabbitMQ, Kafka).

Пример HPA с CPU и Memory, стабилизацией и поведением:

# 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 

Подробнее читайте в официальной документации 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 инстанс получает сигнал завершения. Приложение должно успеть обработать текущие запросы. Пример 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); }); 

Дополнительно настраиваем lifecycle hook в AWS для выполнения команд перед завершением инстанса. Подробнее — в документации AWS по Lifecycle Hooks.

Типичные проблемы и их решения

При внедрении автоскейлинга команды часто сталкиваются с thrashing — частым добавлением и удалением инстансов из-за слишком коротких cooldown. Решение — увеличить scale_in_cooldown до 300–600 секунд и использовать stabilizationWindowSeconds в HPA. Другая проблема — медленный старт приложения: новый инстанс создан, но трафик идёт до его готовности. Помогают health check grace period, readiness probe и Warm Pool. Также дорогой scale-in возникает, если удаляется инстанс с незавершёнными фоновыми задачами. Здесь выручает lifecycle hook с drain очереди перед CONTINUE. И наконец, неправильная метрика — например, CPU 20%, но приложение тормозит из-за I/O wait. В таких случаях используйте custom метрики, например p95 latency через CloudWatch или Prometheus.

Пошаговая настройка автоскейлинга в AWS

1. Создайте Launch Template с AMI, типом инстанса и user-data для развёртывания приложения.
2. Настройте Auto Scaling Group: укажите VPC, subnet, target group для ALB, задайте min, max, desired.
3. Добавьте политики Target Tracking по CPU и RPS, установите cooldown.
4. Настройте health checks: ELB health check, grace period.
5. Включите Instance Refresh для rolling-обновлений.
6. Проверьте graceful shutdown: lifecycle hook + drain.

Объём работ по настройке автоскейлинга

• Анализ текущей архитектуры и профиля нагрузки.
• Проектирование политик масштабирования (CPU, RPS, очередь).
• Настройка AWS Auto Scaling Group, ECS Service Auto Scaling или Kubernetes HPA/KEDA.
• Конфигурация health checks и graceful shutdown.
• Настройка мониторинга (CloudWatch, Grafana) и алертов.
• Документация по архитектуре и инструкции для команды.
• Обучение команды (1–2 сессии).
• Поддержка в течение 30 дней после внедрения.

Ориентировочные сроки

Мы имеем сертификаты AWS и Kubernetes, многолетний опыт на рынке и более 50 реализованных проектов. Свяжитесь с нами, чтобы обсудить ваш проект. Мы подготовим коммерческое предложение с точными сроками и стоимостью.