Ang ilang karaniwang auto-scaling algorithm na ginagamit sa architecturally resilient system ay:
1. Rule-Based Scaling: Sa algorithm na ito, ang isang hanay ng mga panuntunan ay tinukoy batay sa ilang mga parameter gaya ng paggamit ng CPU, pagkonsumo ng memory, trapiko sa network, atbp. Kapag ang mga parameter na ito tumawid sa halaga ng threshold, awtomatikong nagdaragdag o nag-aalis ng mga mapagkukunan ang imprastraktura upang mapanatili ang nais na antas ng pagganap.
2. Predictive Scaling: Gumagamit ang algorithm na ito ng makasaysayang data upang mahulaan ang mga pangangailangan sa mapagkukunan sa hinaharap. Ginagamit ang mga algorithm ng machine learning upang suriin ang mga pattern at trend sa data, at batay sa mga hulang ito, awtomatikong tumataas o bumababa ang imprastraktura.
3. Pag-scale na Nakabatay sa Kaganapan: Sa algorithm na ito, ang pag-scale ng mapagkukunan ay na-trigger ng mga partikular na kaganapan tulad ng biglaang pagtaas ng trapiko, pagkabigo ng hardware, o pag-update ng software. Awtomatikong pataas o pababa ang imprastraktura upang mahawakan ang kaganapan.
4. Hybrid Scaling: Pinagsasama ng algorithm na ito ang batay sa panuntunan at predictive scaling upang makamit ang pinakamainam na pagganap. Gumagamit ito ng scaling na nakabatay sa panuntunan upang pangasiwaan ang mga normal na pattern ng paggamit at predictive scaling upang mahawakan ang mga hindi inaasahang pagtaas sa trapiko o iba pang hindi pangkaraniwang mga kaganapan.
5. Proporsyonal na Pagsusukat: Sa algorithm na ito, ang mga mapagkukunan ay idinaragdag o inaalis ayon sa proporsyon sa workload. Tinitiyak nito na ang mga antas ng imprastraktura ay nahuhulaang at pare-parehong paraan, na nag-iwas sa biglaang pag-spike o pagbaba ng performance.
Petsa ng publikasyon: