你有没有在演唱会散场时观察过地铁口?平时只开两个闸机,人一多,工作人员临时把备用通道打开,人潮过去再关上。没人提前下命令,靠的是现场判断。云计算里的弹性伸缩干的其实是同一件事,只不过它面对的不是人潮,而是访问请求。
说白了,就是“按需加桌子”
一家小火锅店,周五晚上突然来了三倍的客人。老板能做的无非两件事:把后厨备用的折叠桌搬出来,或者干脆劝一部分人改天再来。前一种做法对应弹性伸缩里的“扩容”,后一种就是“限流”。
放到技术层面,弹性伸缩指的是系统根据实际负载,自动增加或减少计算资源的数量。注意这里的“减少”同样重要。很多人的第一反应是“不够用就加机器”,可凌晨三点没人访问的时候,那些机器还在烧钱,这时候自动缩回去才是真本事。所以它更像呼吸——吸气是扩容,呼气是缩容,一进一出才算完整。
它凭什么知道自己“喘不上气”
人要判断累不累,看心跳和呼吸;系统判断忙不忙,看的是几个指标:CPU 占用率、内存使用量、每秒请求数、排队等待的任务数量。这些数字被持续采集,送到一套规则引擎里比对。
规则通常很朴素,比如“平均 CPU 超过 70% 持续两分钟,就加两台”。为什么不干脆一超标就立刻加?因为流量有毛刺,一秒钟的尖峰可能只是有人写了个循环脚本。所以系统里一般还有个“冷却时间”的设置,相当于给决策踩一脚刹车,加完机器先观察几分钟,避免刚加完又缩、缩完又加,来回折腾。
执行环节听起来最神奇,其实很机械:调用接口创建新实例,把流量分过去,等它跑起来。销毁时反过来,先把请求慢慢挪走,再关掉。整个过程像餐厅高峰期临时叫小时工,人来了得先熟悉一下菜单和后厨动线,不是一进门就能端盘子。
你其实每天都在用它
- 电商大促:零点开抢那几分钟,流量可能是平日的几十倍,提前备好机器太浪费,临时买又来不及,弹性伸缩在这里几乎是标配。
- 短视频与直播:一条视频突然火了,播放量曲线陡得像悬崖,后台得跟着往上顶。
- 在线文档与协作工具:工作日上午九点半,大家集中打开文档,流量规律得像闹钟,这类场景甚至可以用历史数据提前预判。
你会发现,这些场景有个共同点:流量不是平稳的直线,而是有峰有谷的波浪。弹性伸缩存在的意义,就是让成本跟着波浪走,而不是按最高峰的值一直养着一整套设备。
几个常见的误会
第一个误会是“开了弹性伸缩就一定省钱”。不一定。如果业务本身流量平稳,或者缩容策略保守到几乎不缩,账单可能反而更高——毕竟多了一层管理开销。
第二个误会是“机器一加,问题就解决”。新实例启动需要时间,几十秒到几分钟不等,这段时间里用户该卡还是卡。更麻烦的是有状态的业务,比如正在处理一半的订单,不能随手就把机器关掉,得先把手上的活干完。这类场景里的弹性伸缩,往往要在“弹得快”和“弹得稳”之间做取舍。
第三个误会是“指标越多越准”。指标选错了,系统会误判。比如一个服务卡在数据库查询上,CPU 却一直很闲,光看 CPU 的规则就会觉得一切正常,实际用户那边早已经开始转圈了。
写在最后
现在的弹性伸缩,主流做法还是“看见压力再反应”,本质上是事后补救。往前看一步的方向是预判:结合历史曲线和业务日历,在流量到来之前就把资源备好。但预判也会错,预测错了照样要付学费。
所以真正有意思的问题不是“能不能全自动”,而是“哪些决策可以放心交给机器,哪些还得人来兜底”。这道题的答案,每个团队大概都不一样。