Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mengkonfigurasi kelas lingkungan Amazon MWAA
Kelas lingkungan yang Anda pilih untuk lingkungan Amazon MWAA menentukan ukuran AWS Fargate container yang AWS dikelola tempat [Celery Executor](https://airflow.apache.org/docs/apache-airflow/stable/executor/celery.html) berjalan, dan database metadata Amazon AWS Aurora PostgreSQL yang dikelola tempat penjadwal Apache Airflow membuat instance tugas. Topik ini menjelaskan setiap kelas lingkungan Amazon MWAA, dan cara memperbarui kelas lingkungan di konsol Amazon MWAA.
**Topics**
+ [Kemampuan lingkungan](#environment-class-sizes)
+ [Penjadwal Apache Airflow](#environment-class-schedulers)
## Kemampuan lingkungan
Bagian berikut berisi tugas Apache Airflow bersamaan default, Random Access Memory (RAM), dan unit pemrosesan terpusat virtual (CPUsv) untuk setiap kelas lingkungan. Tugas bersamaan yang tercantum mengasumsikan bahwa konkurensi tugas tidak melebihi kapasitas pekerja Apache Airflow di lingkungan.
[Dalam tabel berikut, kapasitas DAG mengacu pada definisi DAG, bukan eksekusi, dan mengasumsikan bahwa Anda DAGs [dinamis](https://airflow.apache.org/docs/apache-airflow/2.6.3/concepts/dags.html?highlight=dynamic%20dag#dynamic-dags) dalam satu file Python dan ditulis dengan praktik terbaik Apache Airflow.](https://airflow.apache.org/docs/apache-airflow/2.6.3/best-practices.html?highlight=best%20practices)
Eksekusi tugas bergantung pada berapa banyak yang dijadwalkan secara bersamaan, dan mengasumsikan bahwa jumlah DAG run yang ditetapkan untuk memulai pada saat yang sama tidak melebihi default [https://airflow.apache.org/docs/apache-airflow/2.6.3/configurations-ref.html#config-scheduler-max-dagruns-per-loop-to-schedule](https://airflow.apache.org/docs/apache-airflow/2.6.3/configurations-ref.html#config-scheduler-max-dagruns-per-loop-to-schedule), serta ukuran dan jumlah pekerja sebagaimana dirinci dalam topik ini.
------
#### [ mw1.micro ]
+ Kapasitas hingga 25 DAG
+ 3 tugas bersamaan (secara default)
+ Komponen:
+ Server Web: 1 vCPU, RAM 3GB
+ Pekerja dan penjadwal: 1 vCPU, 3GB RAM
+ Basis data: 2 vCPU, 4GB RAM
**catatan**
mw1.micro tidak mendukung auto-scaling.
------
#### [ mw1.small ]
+ Kapasitas hingga 50 DAG
+ 5 tugas bersamaan (secara default)
+ Komponen:
+ Server web: 1 vCPU, RAM 2GB masing-masing
+ Pekerja: 1 vCPU, RAM 2GB masing-masing
+ Penjadwal: 1 vCPU, RAM 2GB masing-masing
+ Basis data: 2 vCPU, 4GB RAM
------
#### [ mw1.medium ]
+ Kapasitas hingga 250 DAG
+ 10 tugas bersamaan (secara default)
+ Komponen:
+ Server web: 1 vCPU 2GB RAM masing-masing
+ Pekerja: 2 vCPU 4GB RAM masing-masing
+ Penjadwal: 2 vCPU 4GB RAM masing-masing
+ Basis data: 2 vCPU 8GB RAM
------
#### [ mw1.large ]
+ Kapasitas hingga 1000 DAG
+ 20 tugas bersamaan (secara default)
+ Komponen:
+ Server web: 2 vCPU 4GB RAM masing-masing
+ Pekerja: 4 vCPU 8GB RAM masing-masing
+ Penjadwal: 4 vCPU 8GB RAM masing-masing
+ Basis data: 2 vCPU 8GB RAM
------
#### [ mw1.xlarge ]
+ Kapasitas hingga 2000 DAG
+ 40 tugas bersamaan (secara default)
+ Komponen:
+ Server web: 4 vCPU 12GB RAM masing-masing
+ Pekerja: 8 vCPU 24GB RAM masing-masing
+ Penjadwal: 8 vCPU 24GB RAM masing-masing
+ Basis Data: 4 vCPU 32GB RAM
------
#### [ mw1.2xlarge ]
+ Kapasitas hingga 4000 DAG
+ 80 tugas bersamaan (secara default)
+ Komponen:
+ Server web: 8 vCPU 24GB RAM masing-masing
+ Pekerja: 16 vCPU 48GB RAM masing-masing
+ Penjadwal: 16 vCPU 48GB RAM masing-masing
+ Basis data: 8 vCPU 64GB RAM
------
Anda dapat menggunakan `celery.worker_autoscale` untuk meningkatkan tugas per pekerja. Untuk informasi lebih lanjut, lihat[Contoh kasus penggunaan kinerja tinggi](mwaa-autoscaling.md#mwaa-autoscaling-high-volume).
## Penjadwal Apache Airflow
Bagian berikut berisi opsi penjadwal Apache Airflow yang tersedia di Amazon MWAA, dan bagaimana jumlah penjadwal memengaruhi jumlah pemicu.
Di Apache Airflow, pemicu mengelola tugas [yang](https://airflow.apache.org/docs/apache-airflow/stable/authoring-and-scheduling/deferring.html) ditolaknya sampai kondisi tertentu yang ditentukan menggunakan pemicu telah terpenuhi. Di Amazon MWAA, pemicu berjalan bersama penjadwal pada tugas Fargate yang sama. Meningkatkan jumlah penjadwal juga meningkatkan jumlah pemicu yang tersedia, mengoptimalkan cara lingkungan mengelola tugas yang ditangguhkan. Ini memastikan penanganan tugas yang efisien, segera menjadwalkannya untuk dijalankan ketika kondisi terpenuhi.
------
#### [ Apache Airflow v3 ]
+ **v3** - Untuk lingkungan yang lebih besar dari mw1.micro, menerima nilai dari ke. `2` `5` Default untuk `2` semua ukuran lingkungan kecuali mw1.micro, yang defaultnya. `1`
------
#### [ Apache Airflow v2 ]
+ **v2** - Untuk lingkungan yang lebih besar dari mw1.micro, menerima nilai dari ke. `2` `5` Default untuk `2` semua ukuran lingkungan kecuali mw1.micro, yang defaultnya. `1`
------