1. 程式人生 > >新增 – EC2 Auto Scaling 的目標跟蹤策略

新增 – EC2 Auto Scaling 的目標跟蹤策略

最近我介紹過 DynamoDB Auto Scaling,並演示了它如何使用多個 CloudWatch 警報來實現 DynamoDB 表的自動容量管理。此功能在後臺使用了一種更為通用的 Application Auto Scaling 模型,我們計劃以後逐漸在多項不同 AWS 服務中投入使用該模型。

這一新的 Auto Scaling 模型包括一項重要的新功能,我們稱之為目標跟蹤。在建立使用目標跟蹤的 Auto Scaling 策略時,需要為特定 CloudWatch 指標選擇一個目標值。然後,Auto Scaling 旋轉相應的旋鈕 (打個比方) 推動指標趨向於目標,同時調整相關的 CloudWatch 警報。比起使用初始步進擴充套件策略型別來手動設定範圍和閾值而言,採用對應用程式有意義的任何指標驅動的單元來指定期望的目標,通常來說要更簡單,也更為直接。不過,您可以結合使用目標跟蹤和步進擴充套件來實現高階擴充套件策略。例如,您可以使用目標跟蹤實現擴充套件操作,使用步進擴充套件實現縮減操作。

現在面向 EC2

現在我們為 EC2 Auto Scaling 增加了目標跟蹤支援。您現在可以建立應用程式負載均衡器請求計數、CPU 負載、網路流量或自定義指標 (Request Count per Target 是新指標,也是在今天釋出) 驅動的擴充套件策略:

這些指標都具有同一個重要的特性:新增額外的 EC2 例項會推動指標下降 (但不會改變總體負載),反之亦然。

要建立使用目標跟蹤的 Auto Scaling 組,只需輸入策略名稱、選擇一個指標,然後設定所需的目標值:

  • 只要每個目標引用不同的指標,您可以在單個 Auto Scaling 組中跟蹤多個目標。擴充套件始終選擇能推動實現最高容量的策略。
  • 如果指標資料不足,則不會擴充套件。
  • Auto Scaling 會補償指標快速、瞬時的波動,盡力將相應的容量波動減到最小。
  • 大多數情況下,您應該選擇根據基於 1 分鐘頻率 (也稱為詳細監控) 釋出的指標進行擴充套件。根據基於 5 分鐘的指標進行擴充套件,將導致響應時間變慢。

現已推出

這項新功能現已推出,您可以立即開始使用,無需額外費用。要了解更多資訊,請閱讀《Auto Scaling 使用者指南》中的目標跟蹤擴充套件

-Jeff

相關推薦

新增EC2 Auto Scaling目標跟蹤策略

最近我介紹過 DynamoDB Auto Scaling,並演示了它如何使用多個 CloudWatch 警報來實現 DynamoDB 表的自動容量管理。此功能在後臺使用了一種更為通用的 Application Auto Scaling 模型,我們計劃以後逐漸在多項不同 AWS 服務中投入使用

Amazon EC2 Auto Scaling FAQs

Q: What are the benefits of using Amazon EC2 Auto Scaling? Amazon EC2 Auto Scaling helps to maintain your Amazon EC2 instance avai

Amazon EC2 Auto Scaling Features

Predictive Scaling predicts future traffic, including regularly-occurring spikes, and provisions the right number of EC2 instances in advance of

Amazon EC2 Auto Scaling Pricing

Amazon Web Services is Hiring. Amazon Web Services (AWS) is a dynamic, growing business unit within Amazon.com. We are currently hiring So

Amazon EC2 Auto Scaling Getting Started

There are several ways to get started with Amazon EC2 Auto Scaling. This page provides resources that can help you manage and scale your EC2 fleet

Amazon EC2 Auto Scaling 常見問題

問:使用 Amazon EC2 Auto Scaling 有哪些好處? Amazon EC2 Auto Scaling 有助於維護 Amazon EC2 例項的可用性。不論您執行多少個 Amazon EC2 例項,都可以使用 Amazon EC2 Auto S

New – Auto Scaling for EC2 Spot Fleets

The EC2 Spot Fleet model (see Amazon EC2 Spot Fleet API – Manage Thousands of Spot Instances with one Request for more information) allows you to

Auto Scaling 彈性伸縮_自動擴縮Amazon EC2的容量

AWS Auto Scaling 可以監控您的應用程式並自動調整容量,以便以儘可能低的成本來保持穩定、可預測的效能。使用 AWS Auto Scaling,您可以在幾分鐘內為多項服務中的多個資源輕鬆設定應用程式擴充套件。該服務可以提供一個簡單而功能強大的使用者介面,讓您可以為 Amazon

隨時更新———個人喜歡的關於模式識別、機器學習、推薦系統、圖像特征、深度學習、數值計算、目標跟蹤等方面個人主頁及博客

lam c++源代碼 for 閾值處理 mmc 閾值 align sources 回歸算法 目標檢測、識別、分類、特征點的提取David Lowe:Sift算法的發明者,天才。Rob Hess:sift的源代碼OpenSift的作者,個人主頁上有openSift的下載鏈接

目標跟蹤2017-6-19文獻總結

learn 得出 統計 鏈接 成功 復雜 構建 .cn 損失函數 文獻[1],交互多模型粒子濾波器 提出了一個新的方法:基於馬爾科夫交換系統的多模型粒子濾波器。該濾波器利用交互式模型過濾器(IMM)和正則化粒子濾波器(正則化粒子濾波器概率密度是高斯概率密度的混合)的相互作用

目標跟蹤--CamShift

矩形 顏色 hsv顏色空間 方法 邊界 攝像頭 stream i++ 可選 轉載請註明出處!!!http://blog.csdn.net/zhonghuan1992 目標跟蹤--CamShift CamShift

TLD視覺目標跟蹤框架原理與實踐

圖像 視頻 tld comm rec 計算機 認識 實踐 計算 最近花了不少時間,仔細的做了一個有關TLD視覺目標跟蹤框架的視頻課程,希望能夠幫助一些對計算機視覺感興趣的人,通過對該課程的學習,能夠對計算機視覺技術中的一些基本問題有一定的認識和理解,進而達到技術進階的目的。

目標跟蹤積累總結

eid lan msg 霍夫變換 erro trac shift pan mode 在過去的一年半裏嘗試了一些簡單的目標跟蹤算法,現總結如下: 1、 采用霍夫變換提取圓輪廓,對目標進行跟蹤。 2、 利用顏色直方圖,選擇合適的閾值,提取目標的顏色特征進行跟蹤。 3、 采

OpenCV學習總結(4)- 目標跟蹤

opened 背景 key font sin mic 目標 mil cap 視覺算法原理:背景提取  1. 打開視頻(文件或攝像頭)  2. 從視頻中提取當前幀  3. 計算背景:以前多幀求取平均  4. 根據背景得到運動目標(當前幀 - 背景)  5. 返回2,程序不斷循

彈性伸縮Auto Scaling產品全面升級,輕松應對業務負載變化

冗余 穩定性 阿裏 server 反饋 公鑰 一段時間 采集 總數 摘要:?彈性伸縮是阿裏雲上非常受歡迎的一個雲服務編排產品,它能夠根據用戶的策略定義和業務需求變化,動態調整彈性計算資源,在有效支撐業務負載變化的同時保持最合理經濟的基礎設施費用開支。基於廣大用戶的反饋和建議

cv2實現基於粒子濾波的目標跟蹤

目標跟蹤過程分為2部分,即目標特徵提取和目標跟蹤演算法。       其中目標特徵提取又包括以下幾種:1. 各種色彩空間直方圖,利用色彩空間的直方圖分佈作為目標跟蹤的特徵,可以減少物體遠近距離的影響,因為其顏色分佈大致相同。2.輪廓特徵,提取目標的輪廓特徵,可以加快

Online Object Tracking Benchmark(OTB)目標跟蹤系統評估方式

主要涉及到一些評估方式的講解: 評估資料集: OTB50和OTB100(OTB50這裡指OTB-2013,OTB100這裡指OTB-2015) Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR

VITAL目標跟蹤

VITAL目標跟蹤原文:VITAL: VIsual Tracking via Adversarial Learning GitHub:程式碼             &nb

STRCF目標跟蹤

STRCF目標跟蹤原文:Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking GitHub:程式碼        &nb

機器學習之----目標檢測與目標跟蹤的區別

1.目標檢測就是檢測出一個圖片或者一個視訊中目標的位置(靜態或者動態)如yolo檢測目標 2.目標追蹤是給視訊中第一幀目標以及它的位置,然後跟蹤這個目標,以及預測它的軌跡,(如果出現一些遮擋,也可以根據軌跡來跟蹤這個目標,假如是yolo檢測出的目標,有時候還會出現丟幀的情況,如果用了跟蹤演算法,