AWS稳定实名号 基于 CloudWatch 的 AWS 自动扩缩容监控与告警配置教程:EC2/ASG 告警、扩容策略与故障排查
用户搜索“基于 CloudWatch 的 AWS 自动扩缩容监控与告警”,通常不是想看 CloudWatch 或 Auto Scaling 的定义,而是要解决几个实际问题:应该监控哪些指标、什么时候扩容最合适、为什么告警触发了却没有扩容、缩容后为什么业务抖动、以及如何在控制成本的前提下保持服务稳定。本文直接围绕这些操作问题展开,适用于 Web 应用、API 服务、定时高峰业务和跨地域入口后的 EC2 弹性扩缩容配置。
先判断:你现在最可能卡在哪一步
在真实项目中,自动扩缩容失败大多不是单点问题,而是配置链路中的某一环没有打通。建议先对照下表,确认你当前所处阶段。
| 阶段 | 用户常见问题 | 优先检查项 |
| 创建前 | 不知道选什么指标做扩容依据 | CPU、RequestCountPerTarget、内存自定义指标 |
| 创建 ASG | 实例模板有了,但扩容后应用启动失败 | User Data、AMI、IAM Role、磁盘大小 |
| 创建告警 | CloudWatch 告警触发,但 ASG 没动作 | Alarm 动作、Scaling Policy 绑定、单位与周期 |
| 业务运行中 | 频繁扩缩容,成本上升 | 冷却时间、最小步长、阈值过低 |
| 高峰期 | 实例扩了,但流量没进来 | Target Group 健康检查、端口、安全组 |
| 缩容后 | 连接中断、会话丢失 | 连接排空、Sticky Session、生命周期钩子 |
开始前的准备项:少一个权限,后面就会卡住
账号与权限要求
如果你使用 IAM 子账号,至少需要以下权限:EC2、Auto Scaling、CloudWatch、SNS、IAM PassRole、Elastic Load Balancing。很多用户可以创建告警,但无法让扩容动作生效,本质上是没有把实例角色或扩缩容动作需要的权限授予到位。
| 资源类型 | 至少需要的权限方向 | 常见报错 |
| EC2 | 创建启动模板、查看实例、管理安全组 | UnauthorizedOperation |
| Auto Scaling | 创建 ASG、更新容量、附加策略 | AccessDenied for autoscaling |
| CloudWatch | 创建 Alarm、查看 Metric | 无法选择指标或创建失败 |
| SNS | 创建 Topic、订阅邮箱或Webhook | 告警邮件收不到 |
| IAM | PassRole 给 EC2 实例 | 启动模板应用失败 |
AWS稳定实名号 需要提前准备的资源
- 一个可正常启动应用的 AMI,或一台配置好的 EC2 用来生成 AMI。
- 已验证可用的启动脚本 User Data,确保新实例启动后能自动拉起服务。
- VPC、至少两个可用区下的子网,用于提升扩容后的容灾能力。
- 一个 Application Load Balancer 与 Target Group,适用于 Web/API 场景。
- 接收告警通知的 SNS Topic,建议绑定邮箱。
前置检查:先确认实例能独立跑起来
不要一开始就直接做 ASG。先单独起一台 EC2,确认以下事项都正常,再制作启动模板:
- SSH 可以连接 Linux,或 RDP 可以连接 Windows。
- 应用进程可以自动启动,不依赖人工登录后手工执行命令。
- 安全组已开放业务端口,例如 80、443、8080、22、3389。
- 系统防火墙未拦截业务端口。Linux 检查 firewalld 或 iptables,Windows 检查高级防火墙入站规则。
- 应用日志写入到固定路径,便于扩容后快速定位新实例是否启动成功。
操作一:创建适合扩缩容的 EC2 启动模板
控制台路径:EC2 控制台 → Launch Templates → Create launch template。
关键参数怎么填
| 参数 | 建议填写方式 | 注意事项 |
| AMI | 选择已验证应用可启动的镜像 | 不要直接用未测试基础镜像 |
| 实例类型 | t3.small、t3.medium、c6i.large 视业务而定 | CPU密集型优先 c 系列,通用场景优先 t/m 系列 |
| Key Pair | 绑定现有密钥 | 用于 SSH 排障,生产环境也建议保留 |
| Security Group | 开放 80/443,运维口仅限办公IP | 不要把 22/3389 全网开放 |
| IAM Instance Profile | 绑定 CloudWatch Agent、S3 拉包等所需角色 | 无角色时,应用启动脚本可能失败 |
| Storage | gp3,系统盘至少 30GB | 日志或缓存较多时建议单独数据盘 |
| User Data | 写入启动脚本 | 扩容后是否可用,核心看这里 |
Linux 启动脚本示例
如果你是 Nginx + Java 或 Node 服务,至少要做到实例一启动就能拉起应用。例如:
在 User Data 中写入安装依赖、拉取配置、启动服务的脚本,并将输出重定向到 /var/log/user-data.log。这样扩容失败时,可通过 SSH 登录检查日志。
Windows 实例注意点
如果业务运行在 Windows,RDP 端口 3389 不建议公网开放给所有来源。启动模板里需要确认:
- 镜像已包含应用运行时环境,如 .NET、IIS 配置。
- AWS稳定实名号 系统盘容量足够,Windows 更新和日志容易占满空间。
- 启动脚本使用 PowerShell,并验证首次启动时间不会过长,否则健康检查可能持续失败。
AWS稳定实名号 操作二:创建 Auto Scaling Group,并把实例放进正确网络
控制台路径:EC2 → Auto Scaling Groups → Create Auto Scaling group。
步骤1:绑定启动模板
选择刚创建的 Launch Template,建议固定版本,不要直接使用 Latest 进行生产变更,避免后续模板更新影响线上扩容结果。
步骤2:选择 VPC、子网、地域与可用区
扩缩容能否稳定,地域与子网选择非常关键。建议至少选择两个可用区的私有或公有子网。如果前面挂了 ALB,实例最好放在与 ALB 关联的同一 VPC 中,并确认路由表、NAT 或公网出口已按应用依赖配置完成。
| 场景 | 推荐网络方式 | 原因 |
| 公网网站 | ALB 公网入口 + EC2 私网子网 | 减少实例直接暴露公网 |
| 管理后台 | VPN/堡垒机后私网访问 | 降低运维口暴露风险 |
| 跨境业务 | 面向目标用户区域部署 | 降低时延与跨区流量成本 |
步骤3:设置期望容量、最小值、最大值
这是很多人第一次就填错的地方。建议不要把最小值设为 0,除非是允许冷启动的非核心业务。常见设置如下:
| 参数 | 建议 |
| Desired capacity | 2 |
| Minimum capacity | 2 |
| Maximum capacity | 6 或 10,按预算与峰值估算 |
如果你只有一台实例起步,扩容时遇到实例冷启动或 ALB 健康检查延迟,业务容易短暂抖动。生产建议最少 2 台。
步骤4:挂载负载均衡和健康检查
在 ASG 中选择 Attach to an existing load balancer,绑定现有 Target Group。健康检查来源建议同时使用 EC2 和 ELB,其中 ELB 健康检查更贴近真实业务端口是否可用。
常见错误是应用监听 8080,但 Target Group 配置成 80,结果扩容实例一直 Unhealthy,ASG 持续替换实例。
操作三:用 CloudWatch 和 SNS 做监控与告警,不要只配扩容不配通知
先创建 SNS 告警通道
控制台路径:SNS → Topics → Create topic。创建后添加邮箱订阅,并完成邮箱确认。很多团队告警没有真正送达,是因为订阅邮件未确认。
CloudWatch 建议优先监控哪些指标
| 指标 | 适用场景 | 建议阈值参考 |
| CPUUtilization | 通用 Web、API | 连续 5 分钟超过 60%-70% |
| RequestCountPerTarget | ALB 后端服务 | 按单实例压测结果设定 |
| TargetResponseTime | 请求响应变慢 | P95 超过既定 SLA |
| NetworkIn/Out | 下载、静态内容、中转服务 | 与带宽上限结合判断 |
| MemoryUtilization | Java、缓存型应用 | 需 CloudWatch Agent 上报 |
如果你只看 CPU,很可能错过真正瓶颈。例如 Java 服务经常是堆内存或连接池先满,而不是 CPU 先打满。内存指标需要安装 CloudWatch Agent 并上报到 CloudWatch,自定义指标缺失时,告警和扩容就会偏离真实负载。
创建告警的实际步骤
控制台路径:CloudWatch → Alarms → Create alarm。
- 点击 Select metric,选择 EC2 或 ApplicationELB 相关指标。
- 如果按 ASG 维度做监控,优先选聚合后的 Auto Scaling 指标或按 Target Group 查看流量变化。
- Statistic 建议用 Average;Period 常用 1 分钟或 5 分钟。
- Threshold type 选择 Static threshold,先从固定阈值开始,便于排障。
- Alarm state trigger 后绑定 SNS Topic,先确保有人能收到告警。
示例:CPUUtilization 平均值连续 5 分钟超过 65% 触发告警。缩容告警则可设置为连续 15 分钟低于 25%。缩容判断周期要比扩容长,避免刚降一点负载就误缩容。
操作四:把告警真正接到扩缩容动作上
方案1:Target Tracking,适合大多数业务
控制台路径:Auto Scaling Group → Automatic scaling → Create dynamic scaling policy。
选择 Target tracking scaling policy,指标可选平均 CPU 使用率,目标值可从 50% 或 60% 开始。这个方案优点是自动根据偏差调整容量,不需要你手工维护太多级别阈值。
| 业务类型 | 建议目标值 |
| 普通网站 | CPU 50%-60% |
| API 服务 | CPU 45%-55%,更保守 |
| 批处理或异步任务 | CPU 65%-75% |
如果你已经通过压测明确知道单实例每秒承载能力,优先用 ALBRequestCountPerTarget,比 CPU 更稳定。
方案2:Step Scaling,适合峰值分层明显的业务
AWS稳定实名号 如果流量高峰来得非常快,例如活动秒杀、整点任务,你可以配置 CloudWatch Alarm + Step Scaling:
| 告警级别 | 条件 | 动作 |
| 一级扩容 | CPU > 60%,持续 5 分钟 | +1 台 |
| 二级扩容 | CPU > 75%,持续 3 分钟 | +2 台 |
| 三级扩容 | CPU > 85%,持续 2 分钟 | +3 台 |
注意:Step Scaling 要设置好 cooldown 或 warmup。否则第一级告警刚触发,第二级马上又触发,容易在几分钟内拉起过多实例。
实例预热时间不要忽略
如果你的应用从启动到可提供服务需要 2-4 分钟,就要在 ASG 策略里设置 Instance warmup。否则 CloudWatch 看到 CPU 还是高,会继续误判需要扩容。
操作五:验证扩容链路,不要只看告警状态
正确的验证顺序不是“看到 Alarm In Alarm 就结束”,而是按下面链路逐项确认:
- CloudWatch Alarm 是否进入 ALARM 状态。
- Alarm Action 是否绑定到正确的 Scaling Policy。
- ASG Activity history 是否出现扩容记录。
- 新实例是否成功启动并进入 InService。
- Target Group 中该实例健康检查是否通过。
- 业务请求是否真正分配到新实例。
如果卡在第 4 步,通常是启动模板或 User Data 问题;卡在第 5 步,多半是安全组、监听端口、应用进程或健康检查路径错误;卡在第 6 步,则要检查 ALB 监听规则、会话保持或目标权重。
不同使用场景怎么选参数
个人开发者
预算敏感,建议最小 1 台、最大 2-3 台;使用 Target Tracking;实例类型从 t3.small 或 t3.medium 起;磁盘用 gp3 30GB;告警邮件发到个人邮箱。非高可用业务可以先单可用区验证,再扩成双可用区。
企业用户
建议最小 2 台、跨 2 个可用区;ALB + ASG + SNS 告警必配;扩容阈值保守一些;系统日志集中到 CloudWatch Logs;实例角色最小权限化;关键业务配生命周期钩子,缩容前先做连接排空。
跨境业务
不要把资源放在离管理团队近的地域,而要优先靠近用户。先用 CloudWatch 结合 ALB 响应时间验证时延,再考虑 Route 53、CloudFront 或多地域分发。扩容阈值不宜只看 CPU,最好结合响应时间与请求数。
网站应用
AWS稳定实名号 优先监控 RequestCountPerTarget、TargetResponseTime 和 5XX。静态内容多的站点建议把图片、JS、CSS 迁移到 S3 + CDN,减少 ASG 因静态资源请求被动扩容。
数据库业务
如果应用扩容后数据库连接数暴增,问题不在 ASG 本身,而在数据库池配置。建议同步检查 RDS 或自建 MySQL/Redis 的最大连接数、慢查询、只读实例和连接池大小。应用层可通过环境变量或配置中心动态注入连接池参数。
常见问题 FAQ
Q1:为什么 CloudWatch 告警已经触发,但 Auto Scaling Group 没有扩容?
A:先检查 Alarm Actions 是否绑定到了正确的 Scaling Policy,而不是只绑定了 SNS 通知。其次检查该策略是否属于当前 ASG,最后查看 ASG Activity history 是否有权限或容量限制报错。
Q2:为什么扩容出来的新实例一直健康检查失败?
A:重点检查 Target Group 的健康检查端口、协议和路径。例如应用实际监听 8080,但健康检查打到 80;或路径应该是 /health,却配置成 /。另外确认安全组允许来自负载均衡安全组的入站访问。
Q3:为什么 ASG 一直反复扩容和缩容?
A:通常是阈值太接近、观察周期太短、没有设置足够的 cooldown 或 warmup。建议扩容阈值和缩容阈值至少拉开 20% 左右,并让缩容周期明显长于扩容周期。
Q4:为什么只用 CPU 做扩容后,业务还是慢?
A:因为瓶颈未必在 CPU。Java 服务可能是内存、GC、数据库连接池;下载类业务可能是网络带宽;Nginx 反向代理可能是后端响应时间。补充 CloudWatch Agent、自定义业务指标和 ALB 响应时间指标更可靠。
Q5:为什么扩容成功了,但 SSH 或 RDP 连不上新实例?
A:检查启动模板中的密钥对是否正确;安全组是否开放 22 或 3389;实例是否分配公网 IP,若无公网则需通过堡垒机或 SSM Session Manager 连接;Windows 还需确认管理员密码是否能正确解密。
Q6:缩容后用户会话丢失怎么办?
A:优先把会话移到 Redis 或数据库,不依赖本地内存。若短期无法改造,可在 ALB 上启用 Sticky Session,同时在缩容前配置连接排空时间,避免正在处理的请求被直接中断。
AWS稳定实名号 进一步优化:别只会“配上”,还要让它稳定运行
安全优化
- 安全组按来源限制 22、3389,仅允许办公出口 IP 或堡垒机。
- EC2 实例尽量放私网,通过 ALB 暴露业务端口。
- 实例角色最小权限,避免把过宽的 Administrator 权限挂到实例。
- AWS稳定实名号 CloudWatch 告警接入 SNS 后,可继续转发到工单、IM 或值班系统。
性能优化
- 先做压测,得到单实例可承载 QPS、平均 CPU、P95 响应时间,再设告警阈值。
- 对 Java、PHP、Node 等应用,记录启动耗时,用于设置 warmup。
- 启用详细监控,1 分钟粒度更适合快速波动业务。
- 对内存敏感应用安装 CloudWatch Agent,上报内存、磁盘、进程指标。
成本优化
- 最小容量不要盲目设高,先根据基础流量估算。
- 非核心业务可混用 On-Demand 与 Spot,但要评估中断容忍度。
- 把静态资源交给 CDN,减少 EC2 横向扩容次数。
- 定期回看 CloudWatch 历史数据,调整最大实例数和阈值,避免长期超配。
稳定性优化
- 生产环境至少双可用区部署,避免单 AZ 故障影响扩容。
- 使用生命周期钩子,在实例终止前完成日志上传、连接排空或注销服务注册。
- 定期做扩容演练,而不是只在高峰时第一次验证。
- 保留快照与 AMI 版本,模板变更前先做可回滚版本。
如果你当前正在上线自动扩缩容,最优先处理的不是“多加几个指标”,而是先把这条链路跑通:启动模板可用、ASG 能起实例、实例能进 Target Group、CloudWatch 告警能触发、扩容动作能执行、告警通知能送达。只有这 6 个环节都验证过,自动扩缩容才是真正可用,而不是控制台里看起来已经配置完成。


如果需要更深入咨询了解可以联系全球代理上TG: @cloudcup 他们在云平台领域有更专业的知识和建议,他们有国际阿里云,国际腾讯云,国际华为云,aws亚马逊,谷歌云一级代理的渠道,微软云开户充值。oss防风控上传加密系统。客服1V1服务,支持免实名、免备案、免绑卡。开通即享专属VIP优惠、充值秒到账、官网下单享双重售后支持。