Autoscaling più intelligente in Zilliz Cloud: sempre ottimizzato per ogni carico di lavoro
I carichi di lavoro AI non seguono curve regolari e prevedibili. Un momento, il tuo database vettoriale serve le query senza problemi; quello successivo, una campagna virale, una nuova ingestione di dati o un normale picco di accessi delle 9:00 spinge l’utilizzo nella zona rossa. I team sono costretti a scegliere tra sovradimensionare e sprecare budget, oppure sottodimensionare e rischiare colli di bottiglia.
Con l’ultimo aggiornamento, Zilliz Cloud introduce un autoscaling più intelligente—un sistema di gestione delle risorse elastico, completamente automatizzato e più semplificato. Scala verso l’alto istantaneamente per mantenere le prestazioni e scala verso il basso automaticamente per ridurre gli sprechi, eliminando le congetture e mantenendo il tuo database dimensionato correttamente con qualsiasi carico di lavoro.
Cosa c’è di nuovo per l’autoscaling e come funziona?
Zilliz Cloud supporta da tempo lo scale-up automatico, garantendo prestazioni durante improvvisi picchi di traffico. Ora, con questa release, anche lo scaling down è automatico—chiudendo il cerchio sull’ottimizzazione dei costi. Invece di configurare soglie o indovinare quando intervenire, devi semplicemente impostare un intervallo minimo e massimo di CU, e Zilliz Cloud ottimizza continuamente la capacità in tempo reale. Questo significa:
Costi più bassi – le risorse si riducono automaticamente quando la domanda cala.
Prestazioni costanti – le risorse si espandono istantaneamente quando la domanda aumenta.
Operazioni più semplici – niente più gestione manuale delle soglie o riconfigurazioni costanti.
Dietro le quinte, l’autoscaling è alimentato da due modalità complementari che coprono l’intero spettro dei modelli di carico di lavoro reali:
Dynamic Scaling – È l’intelligenza reattiva del sistema. Monitorando continuamente l’utilizzo delle CU (Compute Unit) in tempo reale, Zilliz Cloud scala automaticamente le risorse verso l’alto durante picchi imprevedibili, come ingestion pesanti o carichi di query complessi, e le riduce nuovamente quando la domanda diminuisce. Il risultato è una prestazione costante senza lo spreco del sovradimensionamento permanente.
Scheduled Scaling – È la controparte proattiva. Molti carichi di lavoro seguono schemi prevedibili, come picchi di accesso mattutini o ore di punta aziendali. Con lo scaling pianificato, puoi predefinire regolazioni sia per le CU sia per le Replicas in base a finestre temporali. Questo garantisce che il sistema sia completamente pronto per il traffico previsto, evitando al contempo costi inutili durante le ore non di punta.
Nota: Puoi comunque scalare manualmente in qualsiasi momento.
Insieme, queste funzionalità garantiscono che il tuo database vettoriale abbia sempre le risorse giuste al momento giusto—senza sprechi di spesa o rischi per le prestazioni.
Casi d’uso pratici per l’autoscaling
Per rendere concreta questa funzionalità, esaminiamo tre casi d’uso comuni in cui l’autoscaling offre un valore di business misurabile.
1. Frenesia da flash sale
Una piattaforma e-commerce lancia una flash sale di due ore a mezzogiorno. Il traffico aumenta vertiginosamente, esercitando forte pressione sulle API basate su vettori per “prodotti simili” e raccomandazioni. Senza scaling, il sistema potrebbe vacillare proprio nel momento in cui i ricavi dipendono da esso.
Soluzione: Con Scheduled Replica Scaling, le repliche possono essere aumentate di 4× alle 11:50 AM—appena prima dell’inizio dell’evento—e tornare al livello di base alle 2:05 PM. Questo garantisce prestazioni fluide durante la finestra di picco, assicurando al contempo che paghi solo per la capacità quando è necessaria.
2. Picco di accessi mattutino
La knowledge base AI di un’azienda vede centinaia di dipendenti accedere alle 9:00 ogni giorno feriale. Il picco sovraccarica la capacità di query, rallentando le risposte del chatbot RAG e creando un inizio frustrante della giornata lavorativa.
Soluzione: Scheduled Scaling consente alle repliche dei nodi di query di espandersi automaticamente alle 8:50 e di ridursi nuovamente dopo il picco. È come aprire corsie extra su un’autostrada prima dell’ora di punta—mantenendo rapidi i tempi di risposta senza sprecare risorse una volta che il traffico si libera.
3. Aggiornamento del catalogo a mezzanotte
Una pipeline di dati avvia durante la notte un grande job di reindicizzazione non pianificato. Il processo consuma memoria e compete con il traffico live, rallentando le ricerche e rischiando persino timeout.
Soluzione: Con il ridimensionamento dinamico delle CU, Zilliz Cloud risponde in tempo reale all’aumentare della capacità, ridimensionando automaticamente le CU per assorbire il carico di lavoro. Una volta completata l’indicizzazione, le risorse vengono ridimensionate verso il basso. Le query live rimangono veloci, l’ingestion viene completata senza intoppi e non è richiesto alcun intervento manuale.
Cosa c’è dopo?
Questa release rappresenta un importante passo avanti, ma è anche la base per qualcosa di più grande: un database vettoriale che gestisce le risorse in modo completamente autonomo.
Attualmente, stiamo esplorando attivamente strategie di scaling più granulari in Zilliz Cloud. Carichi di lavoro diversi richiedono compromessi diversi. Alcuni privilegiano l’efficienza dei costi, altri richiedono margine di performance in ogni momento. Stiamo immaginando “profili” di scaling che ti consentano di definire una strategia preferita: conservativa per i job in background, bilanciata per i carichi di lavoro generali o aggressiva per i lanci ad alta posta in gioco. Questo darebbe ai team un controllo granulare, riducendo al contempo le incertezze operative.
Il nostro obiettivo a lungo termine è sviluppare un framework di gestione delle risorse che sia sia autonomo sia adattabile, offrendoti la certezza che il tuo database vettoriale adeguerà sempre la capacità alla domanda, senza alcuno sforzo manuale.
Iniziare con l’autoscaling in Zilliz Cloud
L’autoscaling è disponibile in Zilliz Cloud e puoi iniziare a usarlo subito. Ecco come provarlo:
Accedi alla console di Zilliz Cloud. Vai al tuo progetto e seleziona il cluster che vuoi gestire.
Imposta il tuo intervallo di CU. Definisci le Compute Units (CU) minime e massime per il tuo carico di lavoro. L’autoscaling espanderà e contrarrà automaticamente le risorse all’interno di questo intervallo.
Scegli la tua modalità di scaling.
- Usa Dynamic Scaling per carichi di lavoro imprevedibili (ad es., ingestion dei dati, picchi improvvisi di query).
Usa Scheduled Scaling per cicli prevedibili (ad es., picchi di login al mattino, vendite lampo).
Puoi comunque ridimensionare manualmente in qualsiasi momento se desideri regolazioni immediate.
- Osservalo in azione. Monitora come il tuo cluster aumenta e diminuisce di capacità in tempo reale e perfeziona la configurazione man mano che impari di più sul tuo carico di lavoro.
Con pochi clic, il tuo database resterà dimensionato correttamente senza tuning costante. Vedrai performance più rapide durante i picchi, costi più bassi durante i rallentamenti e meno problemi operativi lungo il percorso.
Suggerimento: Inizia con un intervallo di CU più ampio per osservare come si comporta l’autoscaling, poi perfeziona i limiti man mano che acquisisci una comprensione più approfondita del tuo carico di lavoro.
👉 Per maggiori informazioni, consulta la nostra documentazione sull’autoscaling.
👉 Hai domande? Il nostro team di supporto è qui per aiutarti.
Oltre l’autoscaling: funzionalità pronte per l’enterprise in Zilliz Cloud
L’autoscaling è solo uno degli elementi che rendono Zilliz Cloud il servizio di database vettoriale più completo e pronto per la produzione. Nelle release recenti, abbiamo anche introdotto SSO GA, audit log, la private preview di Milvus 2.6 e un insieme crescente di funzionalità di livello enterprise progettate per soddisfare le esigenze dei team che sviluppano AI su larga scala. (Consulta il nostro blog di lancio per i dettagli.)
Basato su Milvus, Zilliz Cloud offre un’esperienza completamente gestita con:
Scalabilità elastica ed efficienza dei costi – Distribuzione con un clic, autoscaling serverless e prezzi pay-as-you-go.
Ricerca AI avanzata – Ricerca vettoriale, full-text e ibrida (sparse + dense) con filtraggio dei metadati, schema dinamico e multi-tenancy.
Interrogazione in linguaggio naturale – Supporto per server MCP per query intuitive senza API complesse.
Affidabilità e sicurezza di livello enterprise – SLA del 99,95%, certificazioni SOC 2 Type II e ISO 27001, conformità GDPR, predisposizione HIPAA, RBAC, BYOC e ora log di audit.
Disponibilità globale – Distribuzioni su AWS, GCP e Azure con latenza inferiore a 100 ms in tutto il mondo.
Migrazione fluida – Strumenti integrati per migrare da Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch o Milvus on-prem.
Insieme, queste funzionalità garantiscono che Zilliz Cloud non sia solo un servizio di database vettoriale: è una base pronta per la produzione per applicazioni AI enterprise.
Continua a leggere
The AWS Outage Was a Wake-Up Call for Vector Database Cross-Region Disaster Recovery
Zilliz Cloud Had the Answer Before the Crisis. Zilliz Cloud is the world's first vector database with native cross-region disaster recovery.
Democratizing AI: Making Vector Search Powerful and Affordable
Zilliz democratizes AI vector search with Milvus 2.6 and Zilliz Cloud for powerful, affordable scalability, cutting costs in infrastructure, operations, and development.
DeepSeek Always Busy? Deploy It Locally with Milvus in Just 10 Minutes—No More Waiting!
Learn how to set up DeepSeek-R1 on your local machine using Ollama, AnythingLLM, and Milvus in just 10 minutes. Bypass busy servers and enhance AI responses with custom data.