Hur fungerar autoskalning i AWS?

Question

Accepted Answer

**Auto Scaling** justerar automatiskt antalet körande resurser (t.ex. EC2-instanser) baserat på efterfrågan — lägger till kapacitet när lasten ökar och tar bort den när lasten minskar. Det är nyckeln till att bygga applikationer som är både **pålitliga** (hanterar trafikspiken) och **kostnadseffektiva** (inte överprovisioner).

## Vad autoskalning gör

```text
Auto Scaling adjusts capacity AUTOMATICALLY based on demand:
  → load INCREASES (traffic spike) → add instances (scale OUT) → handle the load
  → load DECREASES → remove instances (scale IN) → save money
→ Match capacity to demand automatically: reliable under load, cheap when idle.
```

## EC2 Auto Scaling Groups (ASG)

```text
An AUTO SCALING GROUP manages a fleet of EC2 instances:
  MIN / MAX / DESIRED capacity → bounds and target number of instances
  LAUNCH TEMPLATE → how to launch new instances (AMI, type, config)
  SCALING POLICIES → rules for when to scale (see below)
  HEALTH CHECKS → replace unhealthy instances automatically (self-healing!)
  → typically spread across multiple AZs (high availability)
```

## Skalningsprinciper (när ska skalning ske)

```text
TARGET TRACKING → keep a metric at a target (e.g. "keep average CPU at 50%") — simplest
STEP / SIMPLE SCALING → add/remove N instances when a metric crosses a threshold
SCHEDULED → scale at known times (e.g. more capacity during business hours)
PREDICTIVE → ML-based, anticipating load
→ Usually based on CloudWatch metrics (CPU, request count, custom metrics).
```

## Varför det är viktigt

```text
✓ RELIABILITY — handle traffic spikes automatically (no manual intervention, no overload)
✓ COST-EFFICIENCY — scale IN during low demand → don't pay for idle capacity
✓ SELF-HEALING — auto-replace failed instances (combined with health checks)
✓ Pairs with a LOAD BALANCER (distributes traffic across the scaled instances)
```

## Varför det är viktigt

Att förstå autoskalning är värdefullt för att bygga applikationer som är både pålitliga och kostnadseffektiva, så det är viktig praktisk AWS-kunskap.

Autoskalning löser en grundläggande molnutmaning: att matcha kapacitet mot **variabel efterfrågan** automatiskt — **lägga till instanser när lasten ökar** (hantera trafikspiken utan manuell intervention eller överbelastning, säkerställa pålitlighet) och **ta bort dem när lasten minskar** (undvika att betala för inaktiv kapacitet, säkerställa kostnadseffektivitet).

Denna dubbla fördel (pålitlighet under belastning + kostnadsbesparingar när den är inaktiv) är central för att utnyttja molnets elasticitet, och är mycket bättre än statisk provisionering för toppbelastning (slösaktig) eller för genomsnittlig belastning (misslyckas under spiken).

Att förstå **Auto Scaling Groups** (hantera en flotta av EC2-instanser med min/max/önskad kapacitet, startmallar och hälsokontroller som automatiskt ersätter ohälsosamma instanser för **självläkning**) och hur de vanligtvis är spridda över **flera AZ:er** (kombinera skalning med högtillgänglighet) är den centrala praktiska kunskapen.

Att förstå **skalningsprinciper** (målspårning för att upprätthålla ett mått som CPU på ett mål — det enklaste och vanligaste; stegvis skalning på trösklar; schemalagd skalning för kända mönster; prediktiv skalning) baserad på CloudWatch-mätvärden är nödvändig för att konfigurera skalning på lämpligt sätt.

Att veta att autoskalning **kombineras med en lastbalanserare** (som distribuerar trafik över de dynamiskt föränderliga instanserna) fyller bilden av en skalbar, motståndskraftig arkitektur.

Since att hantera variabel efterfrågan på ett pålitligt och kostnadseffektivt sätt är ett centralt molnkrav, och eftersom autoskalning (med skalningsgrupper, principer, hälsokontroller och lastbalansering) är mekanismen som uppnår det, är förståelse för autoskalning värdefullt, praktiskt viktigt AWS-kunskap för att bygga applikationer som skalerar med efterfrågan — en grundläggande förmåga för pålitlig, kostnadseffektiv molnarkitektur och ett nyckkelämne för att designa system som hanterar verklig variabel trafik.