As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Como funciona a escalabilidade preditiva do Application Auto Scaling
Para usar a escala preditiva, crie uma política de escalabilidade preditiva que especifique a CloudWatch métrica a ser monitorada e analisada. Você pode usar uma métrica predefinida ou personalizada. Para que a escala preditiva comece a prever valores futuros, essa métrica deve ter pelo menos 24 horas de dados.
Depois que você cria a política, a escala preditiva começa a analisar os dados de métricas dos últimos 14 dias para identificar padrões. Ele usa essa análise para gerar uma previsão horária dos requisitos de capacidade para as próximas 48 horas. A previsão é atualizada a cada 6 horas usando os CloudWatch dados mais recentes. À medida que novos dados chegam, a escala preditiva é capaz de melhorar continuamente a precisão das previsões futuras.
Primeiro, você pode ativar a escala preditiva no modo *somente de previsão*. Nesse modo, ele gera previsões de capacidade, mas na verdade não escala sua capacidade com base nessas previsões. Isso permite que você avalie a exatidão e a adequação da previsão.
Depois de revisar os dados de previsão e decidir iniciar a escala com base nesses dados, alterne a política de escala para o modo de previsão e escala. Neste modo:
+ Se a previsão esperar um aumento na carga, o escalonamento preditivo aumentará a capacidade.
+ Se a previsão esperar uma diminuição na carga, a escalabilidade preditiva não será ampliada para remover a capacidade. Isso garante que você aumente a escala somente quando a demanda realmente cair, e não apenas com base nas previsões. Para remover a capacidade que não é mais necessária, você deve criar uma política de rastreamento de metas ou escalabilidade de etapas, pois elas respondem aos dados métricos em tempo real.
Por padrão, a escala preditiva dimensiona suas metas escaláveis no início de cada hora com base na previsão para aquela hora. Opcionalmente, você pode especificar um horário de início anterior usando a `SchedulingBufferTime` propriedade na operação da `PutScalingPolicy` API. Isso permite que você lance a capacidade prevista antes da demanda prevista, o que dá à nova capacidade tempo suficiente para se preparar para lidar com o tráfego.
## Limites máximos de capacidade
Quando as políticas de escalabilidade estão definidas, um grupo não pode aumentar sua capacidade desejada acima do limite da capacidade máxima.
Como alternativa, você pode permitir que a capacidade máxima da meta escalável seja aumentada automaticamente se a capacidade prevista se aproximar ou exceder a capacidade máxima da meta escalável. Para ativar esse comportamento, use as propriedades `MaxCapacityBreachBehavior` e `MaxCapacityBuffer` na operação da API `PutScalingPolicy` ou a configuração de **comportamento de capacidade máxima** no Console de gerenciamento da AWS.
**Atenção**
Tenha cuidado ao permitir que a capacidade máxima seja aumentada automaticamente. A capacidade máxima não diminui automaticamente de volta ao máximo original.
## Comandos normalmente usados para criação, exclusão e gerenciamento de política de escalabilidade
Os comandos comumente usados para trabalhar com políticas de escalabilidade preditiva incluem:
+ `register-scalable-target`para registrar AWS ou personalizar recursos como alvos escaláveis, suspender o escalonamento e retomar o escalonamento.
+ `put-scaling-policy`para criar uma política de escalabilidade preditiva.
+ `get-predictive-scaling-forecast`para recuperar os dados de previsão para uma política de escalabilidade preditiva.
+ `describe-scaling-activities`para retornar informações sobre atividades de escalabilidade em um Região da AWS.
+ `describe-scaling-policies`para retornar informações sobre políticas de escalabilidade em um Região da AWS.
+ `delete-scaling-policy`para excluir uma política de escalabilidade.
**Métricas personalizadas**
Métricas personalizadas podem ser usadas para prever a capacidade necessária para um aplicativo. Métricas personalizadas são úteis quando métricas predefinidas não são suficientes para capturar a carga em seu aplicativo.
## Considerações
As considerações a seguir se aplicam ao trabalhar com escalabilidade preditiva.
+ Confirme se o escalonamento preditivo é adequado para seu aplicativo. Um aplicativo é uma boa opção para escalabilidade preditiva se apresentar padrões de carga recorrentes específicos do dia da semana ou da hora do dia. Avalie a previsão antes de permitir que a escalabilidade preditiva escale ativamente seu aplicativo.
+ A escalabilidade preditiva precisa de pelo menos 24 horas de dados históricos para começar a previsão. No entanto, as previsões serão mais eficazes se os dados históricos abrangerem duas semanas completas.
+ Escolha uma métrica de carga que represente com precisão a carga total da sua aplicação e que seja o aspecto mais importante a ser escalado.