Terraform批量创建EC2偶现‘Still creating’直至超时求助

问题排查与解决思路 #

1. AWS API限流导致请求延迟 #

23台m5.12xlarge实例并行创建，极易触发EC2的API请求配额限制，部分请求被限流后延迟处理，最终超时。

• 检查区域EC2配额：查看当前区域Running On-Demand m5.12xlarge的限额，若接近上限，直接在AWS控制台提交配额提升申请。
• 降低Terraform并行度：限制并发创建数量，比如执行命令时添加参数terraform apply -parallelism=10，或者在配置文件中固定设置：

terraform {
  parallelism = 10
}

2. User Data脚本阻塞实例初始化 #

Shell脚本如果执行时间过长、卡住，会导致cloud-init无法完成初始化，Terraform会一直等待实例进入就绪状态，最终超时。

• 优化脚本耗时操作：给大文件下载、无超时的命令添加超时限制，比如timeout 300s wget https://example.com/large-file.tar.gz。
• 后台执行长任务：将非紧急初始化操作放到后台，避免阻塞cloud-init流程：

nohup /path/to/long-running-script.sh > /var/log/init.log 2>&1 &

• 缩短Terraform等待时长：如果确认脚本不影响实例可用性，可调整等待超时时间：

resource "aws_instance" "genomic-etl-ec2" {
  # 保留原有配置
  wait_for_guest_timeout = "10m"
}

3. 大规格实例资源不足 #

m5.12xlarge属于大规格实例，部分可用区可能临时资源紧张，导致实例创建被延迟。

• 切换可用区：将子网替换为同区域的其他可用区，或配置多个子网让Terraform自动轮选：

variable "subnet_ids" {
  type    = list(string)
  default = ["subnet-xxx", "subnet-yyy"]
}

resource "aws_instance" "genomic-etl-ec2" {
  # 保留原有配置
  subnet_id = element(var.subnet_ids, count.index % length(var.subnet_ids))
}

• 改用Spot实例：若业务允许，Spot实例资源池更充足，创建成功率更高（需注意处理实例中断场景）。

4. 移除不必要的local-exec sleep #

配置中的local-exec "sleep 40"完全冗余，23台实例并行时会占用Jenkins节点资源，间接影响Terraform与AWS的通信，直接删除该provisioner即可。

5. 修复RequestExpired通信超时 #

该错误源于Terraform与AWS API的通信超时，可通过以下配置调整：

• 延长API请求超时：

provider "aws" {
  region = "us-east-1"
  request_timeout = "120s"
}

• 增加重试次数：让Terraform对临时错误进行多次重试：

provider "aws" {
  region = "us-east-1"
  retry_max = 5
  retry_mode = "adaptive"
}

临时排查技巧 #

• 查看CloudTrail日志：搜索失败实例的创建请求，确认是否存在InsufficientInstanceCapacity或Throttling等具体错误。
• 检查EC2系统日志：卡在创建状态的实例，可在AWS控制台查看系统日志，定位cloud-init的执行断点。
• 单实例测试：手动用Terraform创建1台实例并运行相同user_data，排除脚本本身的问题。

内容的提问来源于stack exchange，提问作者sjn44