【AWS-CP学习笔记】EC2

Yuu58971879

已于 2025-03-31 16:55:38 修改

阅读量848

点赞数 8

分类专栏： AWS 文章标签： aws 学习笔记

于 2025-03-31 16:45:40 首次发布

本文链接：https://blog.youkuaiyun.com/ywx200203/article/details/146863571

版权

AWS 专栏收录该内容

1 篇文章

订阅专栏

EC2：按需取用的计算力

Amazon Elastic Compute Cloud（EC2）服务器变成了像自来水一样随开随用的资源：

分钟级部署：点几下鼠标，几分钟后就能用上
精确计费：只对运行中的实例付费，停止就停止计费
灵活变配：从小型博客站点到大型数据处理，随时调整配置

AWS已经帮我们搞定了最头疼的部分——数据中心建设、硬件采购、网络布线、电力供应这些脏活累活。我们只需要关心自己的业务代码。

虚拟化

EC2的核心是虚拟化技术。可以想象一台强大的物理服务器被切成多个"虚拟服务器"，每个都像独立机器一样运行

关键点在于：

多租户但安全隔离：虽然共享底层硬件，但各EC2实例互不可见
资源动态分配：CPU、内存、存储都能按需调整
全控制权限：从操作系统到应用软件，完全自主配置

网络与安全控制

EC2的网络配置同样灵活：

可以设置成完全公开的Web服务器
也能做成仅内网访问的数据库服务器
精细控制进出流量规则

这些特性使得EC2既能托管面向公众的网站，也能构建高度安全的内部系统架构。

安全最佳实践

最小权限原则：严格限制安全组规则
IAM角色应用：避免在实例中存储长期凭证
系统加固：
- 定期更新SSM Agent
- 启用EBS加密
- 使用AWS Systems Manager进行补丁管理
网络隔离：私有子网部署数据库等敏感服务

EC2实例类型全景图

AWS提供了五大类实例类型，每种都针对特定场景进行了优化：

1. 通用型实例（如M5、T3系列）

特点：计算、内存和网络的平衡组合
适用场景：

中小型数据库
企业应用后台服务
开发测试环境
轻量级Web应用
为什么选择：当你无法准确预测资源需求时，这是最安全的起点

2. 计算优化型实例（如C5、C6g系列）

特点：高CPU性能，低内存比
适用场景：

科学计算模拟
游戏服务器
高频交易系统
视频转码
典型案例：某量化交易系统使用c5.9xlarge实例处理实时市场数据，延迟降低40%

3. 内存优化型实例（如R5、X1e系列）

特点：超大内存容量，TB级内存支持
适用场景：

SAP HANA等内存数据库
实时大数据处理
缓存服务
性能指标：x1e.8xlarge实例提供1TB内存，适合基因组分析等内存密集型任务

4. 加速计算型实例（如P3、G4系列）

特点：配备GPU/FPGA等专用加速器
适用场景：

深度学习训练
3D渲染
地震分析
硬件配置：p3dn.24xlarge实例配备8块NVIDIA V100 GPU，提供1.8TB/s的显存带宽

5. 存储优化型实例（如I3、D2系列）

特点：超高本地存储IOPS
适用场景：

NoSQL数据库（如Cassandra）
数据仓库
日志处理
性能表现：i3en.metal实例可提供高达100万随机IOPS

如何选择合适的实例类型？

决策树参考：

需要GPU/FPGA？ → 选加速计算型
数据量远大于内存？ → 选存储优化型
需要处理海量数据集？ → 选内存优化型
CPU持续高负载？ → 选计算优化型
以上都不是？ → 从通用型开始

成本优化技巧：

测试阶段：使用t3系列突发性能实例
生产环境：根据监控数据逐步调整
长期稳定负载：考虑预留实例节省成本
批量作业：使用Spot实例获取折扣

真实场景案例分析

案例1：电商大促

前端Web层：m5.large（通用型）
订单处理：c5.xlarge（计算优化型）
推荐引擎：r5.2xlarge（内存优化型）
用户行为分析：i3.xlarge（存储优化型）

案例2：AI平台

模型训练：p3.8xlarge（加速计算型）
特征存储：r5.4xlarge（内存优化型）
数据管道：m5.2xlarge（通用型）

EC2 Auto Scaling 核心机制

1. 自动扩展组（Auto Scaling Group）

最小容量：安全底线（如始终保留2台实例）
期望容量：日常运行规模（如4台）
最大容量：扩展上限（如20台）

# 典型ASG配置示例
asg_config = {
    "min_size": 2,    # 即使半夜也要有2台值班
    "desired_capacity": 4,  # 平时保持4台运行
    "max_size": 20    # 双十一最多扩展到20台
}

2. 扩展策略类型

策略类型	工作原理	适用场景
动态扩展	根据CPU/请求数等指标实时调整	突发流量（如秒杀活动）
预测扩展	基于机器学习预测提前扩容	周期性波动（如工作日）

3. 健康检查机制

每5分钟检查实例状态
异常实例自动替换（就像生病的咖啡师立即有人顶班）
支持跨AZ部署实现高可用

实战配置指南

步骤1：创建启动模板

aws ec2 create-launch-template \
  --launch-template-name CoffeeShopTemplate \
  --version-description v1 \
  --launch-template-data '{
    "ImageId": "ami-0c55b159cbfafe1f0",
    "InstanceType": "t3.medium",
    "KeyName": "coffee-shop-key"
  }'

步骤2：配置自动扩展组

aws autoscaling create-auto-scaling-group \
  --auto-scaling-group-name CoffeeShopASG \
  --launch-template LaunchTemplateName=CoffeeShopTemplate \
  --min-size 2 \
  --max-size 10 \
  --desired-capacity 4 \
  --vpc-zone-identifier "subnet-123456,subnet-789012"

步骤3：设置扩展策略

aws autoscaling put-scaling-policy \
  --policy-name ScaleOutPolicy \
  --auto-scaling-group-name CoffeeShopASG \
  --scaling-adjustment 2 \
  --adjustment-type ChangeInCapacity \
  --cooldown 300

ELB负载均衡核心工作机制

1. 流量分发原理

ELB采用多种算法决定路由：

轮询：依次分配给各实例
最少连接：选择当前连接数最少的实例
IP哈希：相同客户端总是分配到相同实例

2. 与Auto Scaling的完美配合

Auto Scaling组新增实例
自动向ELB注册
ELB开始将流量导向新实例
缩容前先排干实例流量

3. 健康检查机制

定期发送"心跳"请求（如HTTP/health）
标记不健康实例并停止向其发送流量
与Auto Scaling协同自动替换故障实例

ELB类型选型指南

类型	适用协议	典型场景	独特优势
ALB	HTTP/HTTPS	微服务、容器化应用	基于路径/主机的路由规则
NLB	TCP/UDP	游戏服务器、金融交易	超低延迟（毫秒级）
CLB	HTTP/HTTPS	传统Web应用（逐步淘汰）	简单易用
GWLB	IP包	第三方安全设备集成	透明流量镜像