基于Terraform的ECS蓝绿集群应用自动扩缩容故障求助

我来帮你一步步排查为什么你基于AWS蓝绿部署方案搭建的ECS集群，配置了ECSServiceAverageCPUUtilization目标追踪策略（目标值15%）后，EC2实例却没有出现增减变化。结合Terraform配置场景，下面是最常见的问题和解决方法：

1. 先搞清楚：服务级扩缩≠EC2实例扩缩 #

你配置的ECSServiceAverageCPUUtilization目标追踪策略，默认只会调整ECS服务的任务数量，不会直接触发EC2实例的扩缩。要让EC2实例跟着资源需求变化，你需要额外配置「ECS容量提供商的托管扩缩」或者「Auto Scaling Group（ASG）的集群级扩缩策略」——这是很多人踩的第一个坑！

如果你的Terraform代码里只给ECS服务加了任务数的扩缩策略，那它只会增减任务，不会动EC2实例。得补全EC2层面的扩缩配置。

2. 检查ECS容量提供商的托管扩缩是否开启 #

如果你用了ECS容量提供商关联ASG，一定要确保开启了托管扩缩功能：
在Terraform的aws_ecs_capacity_provider资源里，需要配置managed_scaling块，示例如下：

resource "aws_ecs_capacity_provider" "ecs_capacity_provider" {
  name = "ecs-bluegreen-capacity-provider"

  auto_scaling_group_provider {
    auto_scaling_group_arn = aws_autoscaling_group.ecs_asg.arn

    managed_scaling {
      status = "ENABLED"
      target_capacity = 70 # 比如集群资源使用率到70%时触发扩缩
      minimum_scaling_step_size = 1
      maximum_scaling_step_size = 2
    }

    managed_termination_protection = "ENABLED"
  }
}

同时要记得把这个容量提供商关联到你的ECS集群，并且让ECS服务使用该容量提供商作为部署目标。

3. 验证ASG的集群级扩缩策略是否正确配置 #

如果没有用容量提供商，而是直接管理ASG，你需要给ASG配置基于ECS集群整体资源指标的扩缩策略，而不是服务级的CPU指标：
比如用ECSClusterCPUUtilization（集群整体CPU使用率）来触发ASG的扩缩。Terraform配置示例：

# 集群CPU过高时触发扩容告警
resource "aws_cloudwatch_metric_alarm" "asg_scale_up" {
  alarm_name          = "ecs-cluster-cpu-high"
  comparison_operator = "GreaterThanThreshold"
  evaluation_periods  = "2"
  metric_name         = "CPUUtilization"
  namespace           = "AWS/ECS"
  period              = "60"
  statistic           = "Average"
  threshold           = "70"
  alarm_description   = "当ECS集群CPU使用率超过70%时触发扩容"
  alarm_actions       = [aws_autoscaling_policy.asg_scale_up.arn]

  dimensions = {
    ClusterName = aws_ecs_cluster.ecs_bluegreen.name
  }
}

# ASG扩容策略
resource "aws_autoscaling_policy" "asg_scale_up" {
  name                   = "asg-scale-up"
  scaling_adjustment     = 1
  adjustment_type        = "ChangeInCapacity"
  cooldown               = 300
  autoscaling_group_name = aws_autoscaling_group.ecs_asg.name
}

注意：服务级CPU指标只反映单个服务的负载，EC2实例扩缩需要看集群整体的资源剩余情况，所以必须用集群级指标。

4. 检查蓝绿部署的服务配置是否限制了任务扩缩 #

蓝绿部署模式下，ECS服务的部署配置可能会限制任务数的调整：
要确保服务的desired_count、minimum_healthy_percent和maximum_percent设置合理。比如maximum_percent设为200的话，允许在部署期间最多运行两倍的任务数，这样自动扩缩容才能正常调整任务数，进而触发集群资源不足，再带动EC2实例扩缩。

Terraform中服务的部署配置示例：

resource "aws_ecs_service" "ecs_service" {
  # ...其他配置
  deployment_configuration {
    maximum_percent         = 200
    minimum_healthy_percent = 50
  }
}

5. 确认IAM权限是否足够 #

自动扩缩容需要齐全的IAM权限，否则会静默失败：

• 应用自动扩缩容的角色需要有ecs:UpdateService权限，用来调整任务数。
• ASG的扩缩容角色需要有autoscaling:DescribeAutoScalingGroups、autoscaling:UpdateAutoScalingGroup等权限。
• 如果用了容量提供商，ECS服务角色需要有autoscaling:DescribeAutoScalingGroups、autoscaling:SetDesiredCapacity等权限来管理ASG。

检查你的Terraform中IAM角色的权限策略，确保没有遗漏这些关键权限。

6. 验证CloudWatch指标是否正常采集 #

去CloudWatch控制台查看ECSServiceAverageCPUUtilization和ECSClusterCPUUtilization指标是否有数据：

• 如果指标为空，可能是任务没有正常运行，或者EC2实例的IAM角色没有cloudwatch:PutMetricData权限，导致无法上报指标。
• 没有指标数据的话，自动扩缩容策略根本无法触发。

7. 检查扩缩容策略的生效条件是否满足 #

你设置的目标值是15%，要确认服务的CPU使用率确实持续超过或低于这个阈值：

• 可以在CloudWatch查看服务的CPU使用率曲线，看是否达到了触发条件。
• 另外，目标追踪策略默认有300秒的冷却时间，不会立即触发扩缩，需要等一段时间再观察。

内容的提问来源于stack exchange，提问作者George V. Reilly