Blank white background with no objects or features visible.

تحية إلى منطقة أوروبا والشرق الأوسط وأفريقيا! توسع TrueFoundry نطاق حضورها في هذه المنطقة الحيوية. اقرأ المزيد ←

التوسيع التلقائي للمجموعات (Cluster Autoscaling) لأكبر 3 مزودي خدمات سحابية ☁️

By TrueFoundry

Updated: November 3, 2026

Published: July 2, 2026

ليس من قبيل المبالغة القول إن كل شركة تحتاج إلى التعامل مع حركة مرور أعلى، ومباشرة المزيد من البيانات، ودعم عدد أكبر من العملاء مع نموها. وغالبًا ما تحتاج إلى توسيع بنيتها التحتية لمواكبة هذه المتطلبات المتزايدة. ينطبق هذا أيضًا إذا كانت أعمالك تتأثر بالمواسم. تخيل موقعًا للتجارة الإلكترونية يشهد حركة مرور كثيفة خلال العطلات، مثل Black Friday أو Cyber Monday. قد تزداد حركة المرور على الموقع بشكل هائل خلال هذه الأوقات المزدحمة. وقد يواجه الموقع مشكلات في تأخر تحميل الصفحات وإزعاج المستخدمين إذا لم يستطع التعامل مع الطلب الزائد. نتيجة لذلك، قد تواجه الشركة خسارة في المبيعات وتدهورًا في سمعتها.

إحدى الطرق لمعالجة هذه المشكلة هي زيادة عدد خوادم البنية التحتية يدويًا للتعامل مع حركة المرور الزائدة. ومع ذلك، فإن التوسيع والتقليص اليدوي قد يستغرق وقتًا طويلاً، ويكون عرضة للأخطاء، وصعب الإدارة. هنا يأتي دور التوسيع التلقائي للمجموعات (cluster autoscaling). يقوم cluster autoscaling بضبط عدد الخوادم في البنية التحتية تلقائيًا بناءً على شروط معينة، مثل استخدام CPU، أو استخدام الذاكرة، أو الطلبات الواردة. هذا يعني أن البنية التحتية يمكنها التوسع أو التقلص بناءً على الطلب الحالي دون تدخل يدوي.

ستستكشف هذه المقالة ماهية cluster autoscaling، ولماذا نحتاجه، وكيف يمكن تطبيقه لدى مختلف مزودي الخدمات السحابية.

الملخص التنفيذي (TL;DR)

من أجل ضمان عمل المجموعة (cluster) لدينا بشكل صحيح على جميع مزودي الخدمات السحابية الرئيسيين، يتعين علينا تكييف طريقة توسيع العقد (nodes) في المجموعة.

💡

على AWS، نستخدم Karpenter، الذي يمكنه مع الحد الأدنى من التكوين اختياري العقدة الأرخص والأكثر كفاءة لطلبات pod الواردة.

💡

على GCP، نعتمد على GKE Autopilot، الذي يوفر لنا مجموعة مدارة قادرة على التوسع والتقليص اعتمادًا على الطلبات. 

💡

لا توجد حلول مخصصة على Azure، ونحن نستخدم Kubernetes cluster-autoscaler، وهو أقل تحسينًا من Karpenter ويتطلب تكوينًا أكثر من autopilot.

الموسع التلقائي لـ AWS: Karpenter

يراقب Karpenter إجمالي طلبات الموارد الخاصة بـ pods غير المجدولة ويتخذ قرارات لتشغيل العقد وإنهائها لتقليل زمن تأخير التجدول وتكاليف البنية التحتية.

  • يدير Karpenter كل مثيل (instance) بشكل مباشر ولا يعتمد على آليات تنسيق إضافية مثل node groups.
  • يركز Karpenter على حمل العمل (workload) ويطلق المثيلات المناسبة للوضع الحالي بناءً على طلبات الموارد وقيود التجدول لـ pods الواردة. يتيح هذا النهج القائم على النية لاختيار المثيلات توسيعًا أكثر كفاءة وفعالية من حيث التكلفة.

ولكن لسوء الحظ، يعمل Karpenter على AWS فقط.

karpenter

الموسع التلقائي لـ GCP: GKE Autopilot

Autopilot هو خدمة مدارة تستخدم خوارزميات تعلم الآلة لتحديد العدد الأمثل للعقد للمجموعة بناءً على حمل العمل الحالي. كما يوفر ميزات مثل الترقيات والإصلاحات التلقائية، مما يسهل الحفاظ على أمان المجموعات مع دعم cloud scalability.

بالإضافة إلى التوسيع التلقائي، يوفر Cluster Autopilot أيضًا مزايا أخرى، مثل تحسين استخدام الموارد وتوفير التكاليف عن طريق تجنب التخصيص المفرط للموارد. كما يقدم نهجًا يتطلب تدخلًا أقل في إدارة المجموعات، حيث تتعامل الخدمة مع جميع عمليات التوسيع التلقائي.

الموسع التلقائي لـ Microsoft Azure: Kubernetes Cluster Autoscaler

لا يوجد عرض مداد على سحابة Azure مثل GKE Autopilot أو نهج مخصص للتوسيع التلقائي مثل Karpenter؛ لذلك نعتمد على cluster-autoscaler.

Kubernetes Cluster Autoscaler هو أداة مفتوحة المصدر تمكّن التوسيع التلقائي لمجموعات Kubernetes. يعمل كـ pod داخل المجموعة ويراقب استخدام الموارد فيها، مع تعديل عدد العقد اللازمة لتلبية احتياجات التطبيقات التي تعمل بداخلها. يساعد هذا في تحسين استخدام الموارد وتقليل التكاليف عن طريق تجنب التخصيص المفرط للموارد عندما يكون الطلب منخفضًا. يتطلب Cluster Autoscaler تكوينًا يدويًا لأنواع مجموعات العقد (node groups).

تغطي هذه المقالة تفاصيل حول Kubernetes Autoscaling.

تعد TrueFoundry منصة PaaS لنشر ML فوق Kubernetes لتسريع مسارات عمل المطورين مع منحهم مرونة كاملة في اختبار النماذج ونشرها، مع ضمان الأمان والتحكم الكامل لفريق البنية التحتية. من خلال منصتنا، نمكّن فرق تعلم الآلة من نشر ومراقبة النماذج في 15 دقيقة بموثوقية وقابلية توسع بنسبة 100%، مع القدرة على التراجع في ثوانٍ - مما يتيح لهم توفير التكاليف وإطلاق النماذج إلى البيئة الإنتاجية بشكل أسرع، وتحقيق قيمة تجارية حقيقية.

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Start free
Table of Contents

One Gateway for Every LLM, Agent and MCP Server

Book a 30-min with our AI expert

Book a Demo

The fastest way to build, govern and scale your AI

Book Demo
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Discover More

November 5, 2025
|
5 min read

إقامة البيانات في عصر الذكاء الاصطناعي الوكيل: كيف تُمكّن بوابات الذكاء الاصطناعي من تحقيق التوسع السيادي والامتثال

October 5, 2023
|
5 min read

<Webinar> عرض الذكاء الاصطناعي التوليدي للمؤسسات

Best Fine Tuning Tools for Model Training
May 3, 2024
|
5 min read

أفضل 6 أدوات ضبط دقيق (Fine-Tuning) لتدريب النماذج في عام 2026

May 25, 2023
|
5 min read

نماذج LLMs المفتوحة المصدر: تبنّها أو واجه اندثار أعمالك

November 17, 2026
|
5 min read

شرح قيود Claude Code (إصدار 2026)

No items found.
Guide to Langgraph vs Langchain
November 16, 2026
|
5 min read

مقارنة بين LangChain وLangGraph: أيهما الأفضل لك؟

مقارنة
A detailed guide on Claude Fable 5
November 16, 2026
|
5 min read

كلود فيبل 5: واجهة برمجة التطبيقات، المعايير، التسعير وكيفية استخدامه

الهندسة والمنتج
openrouter vs litellm
November 17, 2026
|
5 min read

LiteLLM مقابل OpenRouter: أيهما الأنسب لك؟

مقارنة
November 3, 2026
|
5 min read

تمكين ثورة نماذج اللغة الكبيرة: وحدات معالجة الرسوميات (GPUs) على Kubernetes

الهندسة والمنتج
كوبيرنيتيس
GPU

Recent Blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Take a quick product tour
Start Product Tour
Product Tour