Loading content
Autoscaling passt die Ressourcen- und Instanzanzahl einer Anwendung automatisch an reale Lastbedingungen an. Es optimiert Verfügbarkeit und Kosten, indem Kapazität dynamisch skaliert wird — in der Cloud, auf Container-Orchestratoren oder in hybriden Umgebungen. Entscheidungskriterien und Metriken steuern Regeln und Grenzwerte.
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und bei Bedarf in die 360°-Bewertung zu wechseln.
Theoretisches Gebilde: erklärt einen Begriff, ein Prinzip oder ein Denkmodell.
Was Zusammenhänge ordnet, verbindet oder entscheidbar macht.
Autoscaling ist das automatische Hoch- und Herunterskalieren von Instanzen oder Ressourcen, damit eine Anwendung Lastspitzen abfängt und Überkapazität vermeidet.
Der Ansatz entstand aus dem betrieblichen Problem, schwankende Nachfrage ohne dauerhafte Überprovisionierung zu bedienen. In Cloud-Umgebungen wurden dafür Kapazitäten anhand von Lastsignalen wie CPU, Speicher oder Anfragezahl automatisch angepasst, statt manuell einzugreifen. Früh prägten Instanzgruppen das Muster; Kubernetes übertrug es später auf Pods und andere Workloads.
Stell dir Autoscaling als Regelkreis mit Sicherheitsrahmen vor. Messsysteme beobachten Last und Gesundheit. Eine Policy vergleicht die Signale mit Zielwerten und Schwellen. Danach wird die Sollkapazität erhöht oder gesenkt: mehr Instanzen, weniger Instanzen oder kleinere bzw. größere Ressourcen. Min-/Max-Grenzen, Verzögerungen und Puffer verhindern, dass das System bei kurzen Peaks ständig hin- und herschwingt.
Messwerte wie CPU-Auslastung, Speicherbedarf, Request-Rate oder Queue-Länge liefern das Signal für Skalierungsentscheidungen.
Die gewünschte Anzahl oder Größe von Instanzen ist der Zielwert, auf den das System hinarbeitet.
Eine Regel legt fest, welche Änderung bei welchen Messwerten ausgelöst wird.
Minima, Maxima, Cooldowns und Hysterese halten die automatische Anpassung innerhalb sicherer und stabiler Grenzen.
Horizontal wird durch mehr oder weniger Instanzen skaliert, vertikal durch mehr oder weniger Ressourcen pro Instanz.
Autoscaling ist nützlich bei unvorhersehbaren Lastspitzen, wechselnden Tagesmustern, Multi-Tenant-Plattformen oder Übergängen zwischen Batch- und Echtzeitlast. Es kann Verfügbarkeit und Kosten verbessern, verlangt aber brauchbare Metriken, passende Grenzwerte und genügend Vorlaufzeit für die Bereitstellung. Für zustandsbehaftete Dienste, langsame Startzeiten oder sehr kurze Peaks kann die Reaktion zu spät oder zu teuer sein.
Wo dieser Baustein im Themenmodell verortet ist.
Erkunde, wie dieser Wissensbaustein mit Konzepten, Methoden, Technologien und Tools verbunden ist.
Diese Quellen belegen den Begriff und seine fachliche Bedeutung.
Alle direkten Verbindungen des aktuellen Wissensbausteins in einer kompakten, textuellen Darstellung.
Diese Einordnung zeigt, in welchem Kontext der Baustein typischerweise relevant wird, wie anspruchsvoll er ist und welche Wirkung er im Modell hat.
Die Ebene innerhalb der Organisation (Unternehmen, Domäne, Team), auf der der AssetBlock angewendet wird.