Configurar o auto-scaling

Clusters elegíveis para dimensionamento automático reativo

O dimensionamento automático reativo da camada do cluster do Atlas está disponível para todas as camadas do cluster dedicado nas classificações do cluster General e Low-CPU.

Como o Atlas dimensiona a camada de cluster

O Atlas analisa as seguintes métricas de cluster para determinar quando dimensionar reativamente um cluster e se a camada do cluster deve ser dimensionada para cima ou para baixo:

• Utilização normalizada da CPU do sistema

• Utilização da memória do sistema

O Atlas calcula a utilização da memória do sistema com base na memória do nó disponível e na memória total da seguinte forma:

(memoryTotal - (memoryFree + memoryBuffers + memoryCached)) / (memoryTotal) * 100

No cálculo anterior, memoryFree, memoryBufferse memoryCached são quantidades de memória disponível que o Atlas pode recuperar para outros fins. Para saber mais, consulte System Memory em Analisar métricas disponíveis.

O Atlas não dimensionará sua camada de cluster se a nova camada de cluster ficar fora da faixa Minimum e Maximum Cluster Size especificada.

O Atlas dimensiona seu cluster para outro nível na mesma classe. Por exemplo, o Atlas dimensiona clusters General para outras classes de clusters General, mas não dimensiona clusters General para classes de cluster Low-CPU.

Os critérios exatos de dimensionamento automático reativo estão sujeitos a alterações para garantir a utilização apropriada dos recursos do cluster.

Se você implantar nós somente leitura e quiser que seu cluster seja dimensionado mais rapidamente, considere ajustar o seu Modo de dimensionamento do conjunto de réplicas.

Dimensionando uma camada do cluster reativamente

Para gerenciar cargas de trabalho dinâmicas para seus aplicativos, o Atlas dimensiona reativamente os nós no cluster nas condições descritas nesta seção.

Se a próxima camada do cluster estiver dentro da sua faixa Maximum Cluster Size, o Atlas dimensionará os nós operacionais no seu cluster para a próxima camada se pelo menos um dos seguintes critérios for verdadeiro para qualquer nó do cluster deste tipo.

• M10 e M20 clusters:

  • AWS. A média normalizada de Utilização Relativa da CPU do Sistema excedeu 90% nos últimos 20 minutos e a média não normalizada de Utilização Absoluta da CPU do Sistema para roubo de CPU excedeu 30% nos últimos 3 minutos.

  • Azure. A média normalizada de utilização relativa da CPU do sistema excedeu 90% nos últimos 20 minutos e a média não normalizada de utilização absoluta da CPU do sistema para softIRQ excedeu 10% nos últimos 3 minutos.

  • A média normalizada de utilização absoluta da CPU do sistema excedeu 90% dos recursos disponíveis para o cluster nos últimos 20 minutos.

  • A média normalizada de utilização relativa da CPU do sistema excedeu 75% dos recursos disponíveis para o cluster na última hora.

  • A média de System Memory Utilization excedeu 90% dos recursos disponíveis para o cluster nos últimos 10 minutos. Para saber como o Atlas calcula a quantidade de utilização da memória do sistema, consulte Como o Atlas dimensiona a camada de cluster.

  • A média de System Memory Utilization excedeu 75% dos recursos disponíveis para o cluster na última hora.

• M30+ clusters:

  • A System CPU Utilization média excedeu 90% dos recursos disponíveis para o cluster nos últimos 10 minutos.

  • A média de System CPU Utilization excedeu 75% dos recursos disponíveis para o cluster na última hora.

  • A System Memory Utilization média excedeu 90% dos recursos disponíveis para o cluster nos últimos 10 minutos.

  • A média de System Memory Utilization excedeu 75% dos recursos disponíveis para o cluster na última hora.

Esses limites garantem que seu cluster seja dimensionado rapidamente em resposta a altas cargas e que seu aplicativo possa lidar com picos de tráfego ou uso, mantendo seu desempenho e confiabilidade.

Para alcançar a utilização ideal de recursos e o perfil de custo, o Atlas evita aumentar o cluster para o próximo nível se:

• O cluster M10 ou M20 foi escalado verticalmente nos últimos 20 minutos ou uma hora, dependendo dos limites.

• O cluster M30+ foi escalado verticalmente nos últimos 10 minutos ou uma hora, dependendo dos limites.

Por exemplo, se a camada do cluster não foi alterada desde 12:00, o Atlas dimensionará um cluster M30+ em 12:10, se a utilização normalizada da CPU do sistema atual do cluster for maior que 90%.

Dimensionamento para baixo de uma camada do cluster reativamente

Para otimizar os custos, o Atlas dimensiona reativamente para baixo os nós no seu cluster sob as condições descritas nesta seção.

Se a próxima camada do cluster mais baixa estiver dentro da faixa de Minimum Cluster Size, o Atlas dimensionará os nós do seu cluster para o próximo nível mais baixo se todos os critérios a seguir forem verdadeiros para todos os nós do tipo de cluster especificado:

• Todos os nós:

  • O Atlas não reduziu o cluster (manual ou automaticamente) nas últimas 24 horas.

  • O Atlas não provisionou nem despausou o cluster nas últimas 24 horas.

  • O Atlas não interrompeu e reiniciou nenhum nó de cluster nas últimas 12 horas.

• Nós operacionais:

  • A média normalizada System CPU Utilization está abaixo de 45% dos recursos disponíveis para o cluster ao longo de pelo menos os últimos 10 minutos E as últimas 4 horas. O Atlas utiliza o checkpoint "média de 4 horas" como uma indicação de que a carga da CPU se estabilizou no nível observado. O Atlas utiliza o checkpoint "média de 10 minutos" como uma indicação de que não ocorreram picos recentes de CPU que o Atlas não tenha capturado com o checkpoint "média de 4 horas".

  • O uso médio do cache do WiredTiger está abaixo de 90% do tamanho máximo do cache do WiredTiger por pelo menos os últimos 10 minutos E as últimas 4 horas no tamanho atual da camada do cluster. Isso indica ao Atlas que o cluster atual não está sobrecarregado.

  • A utilização total projetada da memória do sistema no novo nível de cluster inferior está abaixo de 60% por pelo menos os últimos 10 minutos E as últimas 4 horas. O Atlas calcula a utilização projetada da memória total mencionada na declaração anterior da seguinte forma.

    O Atlas mede o uso de memória atual e substitui o tamanho atual de uso do cache WiredTiger por 80% do tamanho do cache WiredTiger no novo cluster de nível inferior.

    Em seguida, o Atlas verifica se o uso total de memória projetado ficaria abaixo de 60% por pelo menos as últimas 4 horas e pelo menos os últimos 10 minutos no novo tamanho de camada.

    Observação

    O Atlas inclui o cache WiredTiger em seu cálculo de memória para aumentar a probabilidade de que clusters com cache cheio, mas com tráfego baixo, sejam reduzidos. Em outras palavras, o Atlas examina o tamanho do cache do WiredTiger para determinar se ele pode reduzir com segurança a escala de um cluster ocioso com baixa utilização normalizada da CPU do sistema nos casos em que os caches WiredTiger do cluster podem atingir 90% do tamanho máximo do cache WiredTiger do cluster.

  Essas condições garantem que o Atlas reduza os nós operacionais em seu cluster para evitar estados de alta utilização.

• Nós de análise:

  • A média Normalized System CPU Utilization e System Memory Utilization nas últimas 24 horas está abaixo de 50% dos recursos disponíveis para o cluster.

  Observação

  M10 e os clusters M20 usam limites mais baixos para contabilizar os limites de uso da CPU que os provedores de nuvem definem após os períodos de intermitência. Esses limites variam dependendo do seu provedor de nuvem e da camada de cluster.

Dimensionando um cluster fragmentado

O Atlas dimensiona automaticamente a camada de cluster para clusters fragmentados usando os mesmos critérios dos conjuntos de réplicas. O Atlas aplica as seguintes regras:

• Para clusters com dimensionamento de fragmento independente ativado, o dimensionamento automático no Atlas avalia e dimensiona cada fragmento de forma independente. O dimensionamento independente do fragmento exige que o menor tamanho do fragmento permaneça não menor que duas camadas do cluster abaixo do maior fragmento, para manter a disponibilidade e o desempenho. Se o Atlas acionar o dimensionamento automático para esse cluster e dimensionar o maior fragmento, ele também dimensionará os fragmentos menores, se necessário, para garantir disponibilidade e desempenho consistentes.

• Se os nós operacionais ou de analítica de um shard atenderem aos critérios de auto-scale, somente os nós operacionais ou de analítica nesse shard específico mudarão de nível.

• O conjunto de réplicas do servidor de configuração não executa auto-scale.

Comportamento do dimensionamento automático preditivo

As declarações a seguir descrevem como o dimensionamento automático preditivo funciona:

• O Atlas tenta dimensionar o tamanho da instância do cluster antes que a carga projetada chegue.

• Quando o Atlas dimensiona seu cluster de forma preditiva com base em métricas previstas, ele pode aumentar em, no máximo, dois níveis por vez.

• O dimensionamento automático preditivo se aplica apenas à computação, não ao armazenamento.

• O dimensionamento automático preditivo respeita os tamanhos mínimo e máximo de instância de dimensionamento automático existente.

• Nos casos em que o Atlas não pode usar o dimensionamento automático preditivo para dimensionar o cluster, ele volta a usar o dimensionamento automático reativo.

• O dimensionamento automático preditivo oferece suporte apenas ao upscaling. Não há dimensionamento preditivo. O Atlas usa o dimensionamento automático reativo para dimensionar automaticamente para baixo o cluster quando a carga de trabalho diminui.

• Se o dimensionamento preditivo estiver programado para ocorrer na próxima 1 hora, o Atlas pulará o dimensionamento reativo.

• Se você usar o dimensionamento automático independente de fragmentos, e adicionar um ou mais fragmentos depois que o dimensionamento automático preditivo já estiver habilitado e ativo no cluster, esses novos fragmentos não serão dimensionados automaticamente de forma preditiva até que seus padrões de carga de trabalho tenham sido estabelecidos, duas semanas depois. Enquanto isso, esses fragmentos usam um comportamento reativo de dimensionamento automático no Atlas.

Clusters elegíveis para dimensionamento automático preditivo

O Atlas usa o dimensionamento automático preditivo para clusters qualificados. Os clusters elegíveis para dimensionamento automático preditivo devem atender a todos os seguintes critérios:

• Pertencer a General e Low-CPU classificações do cluster.

• Tenha um nível superior a M30.

• Tenha o dimensionamento automático ativado. Se você ativar o dimensionamento descendente, o tamanho mínimo da instância do dimensionamento automático deverá ser igual ou superior a M30.

• Estão ativos há pelo menos duas semanas.

• Não usar armazenamento NVMe ou pertencer à classificação do cluster Local NVMe SSD.

Além disso, os seguintes critérios afetam se o Atlas usa dimensionamento automático preditivo para um cluster elegível:

• O dimensionamento automático preditivo se aplica somente aos nós elegíveis e nós somente leitura. O Atlas não usa o dimensionamento automático preditivo para nós de pesquisa ou nós de análise.

• O dimensionamento automático preditivo pode não ser capaz de prever picos de carga de trabalho não cíclicos e altamente dinâmicos em nenhum cluster elegível. Nesses casos, o Atlas depende do dimensionamento automático reativo.

A camada do cluster e o armazenamento em cluster podem ser dimensionados em paralelo

Quando o Atlas tenta dimensionar automaticamente a capacidade de armazenamento do cluster como parte do dimensionamento automático, talvez ele precise dimensionar o armazenamento fora dos limites suportados pela camada do cluster atual. Para ajudar a garantir que seu cluster não sofra qualquer tempo de inatividade, o Atlas dimensiona sua camada do cluster (além do armazenamento do cluster) para acomodar a nova capacidade de armazenamento.

No Azure, se você habilitar o dimensionamento automático em um cluster implantado em uma das regiões que oferecem suporte ao armazenamento estendido, e o IOPS atual for menor do que o IOPS padrão para o tamanho do disco dimensionado automaticamente, o Atlas aumentará o número de IOPS alocado no IOPS e notifica você na IU. Para aprender mais, veja Alterar a capacidade de armazenamento e IOPS no Azure.

Caso o nível máximo de cluster especificado não possa suportar a nova capacidade de armazenamento, o Atlas:

1. Eleva o nível máximo do cluster para o próximo nível mais baixo que pode acomodar a nova capacidade de armazenamento.

2. Dimensiona a camada do cluster para esse novo nível máximo.

Se o Atlas tentar reduzir a camada do cluster e a camada de destino não for compatível com a capacidade atual do disco, o IOPS provisionado, ou ambos, o Atlas não reduzirá o cluster. Nesse cenário, o Atlas atualiza suas configurações de auto-scaling com base no relacionamento entre sua camada do cluster atual e a camada do cluster máxima configurada:

• Se o cluster estiver atualmente na camada máxima de cluster configurado, o Atlas desabilitará a redução automática do cluster porque todos os níveis menores não seriam capazes de acomodar as configurações de armazenamento necessárias. Se você quiser reativar o auto-scaling descendente automático, deverá fazê-lo manualmente a partir das Configurações de cluster.

• Se o cluster não estiver atualmente no nível máximo de cluster configurado, o Atlas eleva o nível mínimo de cluster para o nível de cluster atual. Nesse caso, o Atlas não desativa o auto-scaling descendente.

Essa lógica de dimensionamento automático reduz o tempo de inatividade nos casos em que suas configurações de armazenamento não correspondem à sua carga de trabalho.

Considerações de oplog

Dependendo se você optar por usar o auto-scaling de armazenamento, o Atlas gerencia as entradas do oplog com base na janela mínima de retenção do oplog ou no tamanho do oplog. Para saber mais, consulte Comportamento do tamanho do Oplog. O Atlas permite o auto-scaling de armazenamento por padrão.

Considerações sobre Dimensionamento Automático Descendente de Camada de Cluster e Armazenamento

• Quando o Atlas reduz a capacidade de armazenamento do seu cluster, isso pode levar mais tempo do que expandir a capacidade de armazenamento devido à mecânica do processo de dimensionamento.

• Estime o intervalo de cargas de trabalho de sua implantação e, em seguida, defina o valor Minimum Cluster Size para a camada de cluster que tem capacidade suficiente para lidar com a carga de trabalho de sua implantação. Considere quaisquer possíveis picos ou quedas na atividade do cluster.

• Não é possível dimensionar para uma camada de cluster menor que M10.

• Não é possível selecionar uma camada do cluster que esteja abaixo da configuração de disco atual do seu cluster. Se o armazenamento aumentar além do suportado pela camada do cluster mínima, e o Atlas aumentar a configuração de armazenamento dos seus clusters além do que a camada do cluster mínima suporta, então o Atlas ajustará automaticamente a camada do cluster mínima para um nível que suporte os requisitos atuais de armazenamento do seu cluster.

  Exemplo

  Você definiu seus limites de dimensionamento automático como M20 - M60 e sua camada do cluster atual é M40 com uma capacidade de disco de 200GB. O Atlas aciona um evento de dimensionamento automático de disco para aumentar a capacidade para 320GB porque o uso atual do disco excede 180GB, o que é mais de 90% da capacidade de 200GB.

  O Atlas realiza as seguintes ações:

  1. Eleva o nível mínimo do cluster para o próximo nível mais baixo, M30, que pode acomodar a nova capacidade de armazenamento. M20 dá suporte a uma capacidade máxima de armazenamento de 256GB, portanto, não é mais um limite de dimensionamento automático válido.

  2. Determina que o tamanho da instância atual, M40, suporta a nova configuração de disco. O evento de dimensionamento automático do disco é bem-sucedido.

Auto-scaling habilitado por padrão

Quando você cria um novo cluster, o Atlas permite o dimensionamento automático (preditivo e reativo) para a camada do cluster e o armazenamento do cluster. (O dimensionamento automático preditivo afeta apenas a camada do cluster e não afeta o armazenamento.) Você não precisa habilitar explicitamente o dimensionamento automático. Se preferir, você pode optar por não atuar na camada do cluster e no armazenamento do cluster.

Com o escalonamento automático ativado, seu cluster pode automaticamente:

• Dimensione para aumentar a funcionalidade com uma camada do cluster mais alta, usando dimensionamento automático reativo ou preditivo, dependendo da elegibilidade do cluster e da carga de trabalho.

• Diminua a camada do cluster atual para uma camada do cluster inferior usando dimensionamento automático reativo.

Na seção Cluster tier das opções do Auto-scale , você pode especificar os valores do Maximum Cluster Size e Minimum Cluster Size para os quais seu agrupamento pode escalar automaticamente. O Atlas define estes valores da seguinte forma:

• O Maximum Cluster Size está definido como um nível acima da camada do cluster atual.

• O Minimum Cluster Size está definido para a camada do cluster atual.

Além disso, o Atlas pode usar dimensionamento automático preditivo se seu cluster for qualificado e sua carga de trabalho for cíclica e previsível.

Habilite o dimensionamento automático com o Atlas CLI e a Atlas Administration API

Você pode habilitar o dimensionamento automático para computação e armazenamento ao criar ou atualizar um cluster usando o Atlas CLI ou a Atlas Administration API. Os exemplos a seguir mostram como habilitar o dimensionamento automático para nós elegíveis e nós de análise. Troque as camadas do cluster e as configurações do provedor pelas de que você precisa.

{
  "replicationSpecs": [
    {
      "regionConfigs": [
        {
          "providerName": "{CLOUD-PROVIDER}",
          "regionName": "{REGION-NAME}",
          "priority": 7,
          "electableSpecs": {
            "instanceSize": "{INSTANCE-SIZE}",
            "nodeCount": 3
          },
          "analyticsSpecs": {
            "instanceSize": "{ANALYTICS-INSTANCE-SIZE}",
            "nodeCount": 1
          },
          "autoScaling": {
            "compute": {
              "enabled": true,
              "scaleDownEnabled": true,
              "minInstanceSize": "{MIN-INSTANCE-SIZE}",
              "maxInstanceSize": "{MAX-INSTANCE-SIZE}"
            },
            "diskGB": {
              "enabled": true
            }
          },
          "analyticsAutoScaling": {
            "compute": {
              "enabled": true,
              "scaleDownEnabled": true,
              "minInstanceSize": "{MIN-ANALYTICS-INSTANCE-SIZE}",
              "maxInstanceSize": "{MAX-ANALYTICS-INSTANCE-SIZE}"
            },
            "diskGB": {
              "enabled": true
            }
          }
        }
      ]
    }
  ]
}

atlas api clusters updateCluster \
  --version 2024-10-23 \
  --clusterName {CLUSTER-NAME} \
  --groupId {GROUP-ID} \
  --file payload.json

curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \
     --header "Accept: application/vnd.atlas.2025-03-12+json" \
     --header "Content-Type: application/json" \
     --include \
     --request PATCH "https://cloud.mongodb.com/api/atlas/v2/groups/{GROUP-ID}/clusters/{CLUSTER-NAME}" \
     --data '{
     "replicationSpecs": [
       {
         "regionConfigs": [
           {
             "providerName": "{CLOUD-PROVIDER}",
             "regionName": "{REGION-NAME}",
             "priority": 7,
             "electableSpecs": {
               "instanceSize": "{INSTANCE-SIZE}",
               "nodeCount": 3
             },
             "autoScaling": {
               "compute": {
                 "enabled": true,
                 "scaleDownEnabled": true,
                 "minInstanceSize": "{MIN-INSTANCE-SIZE}",
                 "maxInstanceSize": "{MAX-INSTANCE-SIZE}"
               },
               "diskGB": {
                 "enabled": true
               }
             },
             "analyticsSpecs": {
               "instanceSize": "{ANALYTICS-INSTANCE-SIZE}",
               "nodeCount": 1
             },
             "analyticsAutoScaling": {
               "compute": {
                 "enabled": true,
                 "scaleDownEnabled": true,
                 "minInstanceSize": "{MIN-ANALYTICS-INSTANCE-SIZE}",
                 "maxInstanceSize": "{MAX-ANALYTICS-INSTANCE-SIZE}"
               },
               "diskGB": {
                 "enabled": true
               }
             }
           }
         ]
       }
     ]
   }'

Revise as opções de escalonamento automático da camada de cluster

Para revisar as opções de auto-scaling habilitadas para armazenamento e camada do cluster:

Desativar o dimensionamento automático da camada do cluster

Para desativar o auto-scaling do cluster (aumento da camada do cluster), ao criar um novo cluster, navegue até o menu Cluster Tier e desmarque a caixa de seleção Cluster Tier Scaling na seção Auto-scale.

Para desativar o escalonamento automático do cluster (diminuindo a camada do cluster), ao criar um novo cluster, navegue até o menu Cluster Tier e desmarque a caixa de seleção Allow cluster to be scaled down na seção Auto-scale.

Habilitar campos eficazes

--header "Use-Effective-Instance-Fields: true"

  resource "mongodbatlas_advanced_cluster" "this" {
      project_id           = mongodbatlas_project.this.id
      name                 = var.cluster_name
      cluster_type         = var.cluster_type
      use_effective_fields = true
      replication_specs    = var.replication_specs
      tags                 = var.tags
    }

Comportamento dos campos efetivos

No geral, o comportamento dos campos efetivos se enquadra em um dos três cenários:

  {
  "replicationSpecs": [
    {
      "regionConfigs": [
        {
          "analyticsAutoScaling": {
            "compute": {
              "maxInstanceSize": "M30",
              "minInstanceSize": "M10",
              "enabled": true,
              "scaleDownEnabled": true
            },
            "diskGB": {
              "enabled": true
            }
          },
          "autoScaling": {
            "compute": {
              "maxInstanceSize": "M30",
              "minInstanceSize": "M10",
              "enabled": true,
              "scaleDownEnabled": true
            },
            "diskGB": {
              "enabled": true
            }
          },
          "effectiveAnalyticsSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "effectiveElectableSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 3
          },
          "effectiveReadOnlySpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "electableSpecs": {
            "instanceSize": "M20",
            "diskSizeGB": 50.0,
            "nodeCount": 3
          },
          "priority": 7,
          "providerName": "AWS",
          "regionName": "US_EAST_1"
        }
      ],
      "zoneId": "6924a70c67695449ba5625ce",
      "zoneName": "Zone 1"
    }
  ]
}

  {
  "replicationSpecs": [
    {
      "regionConfigs": [
        {
          "effectiveAnalyticsSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "effectiveElectableSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 3
          },
          "effectiveReadOnlySpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "electableSpecs": {
            "instanceSize": "M30",
            "diskSizeGB": 100.0,
            "nodeCount": 3
          },
          "priority": 7,
          "providerName": "AWS",
          "regionName": "US_EAST_1"
        }
      ],
      "zoneId": "6924a70c67695449ba5625ce",
      "zoneName": "Zone 1"
    }
  ]
}

{
  "replicationSpecs": [
    {
      "regionConfigs": [
        {
          "analyticsAutoScaling": {
            "compute": {
              "maxInstanceSize": "M30",
              "minInstanceSize": "M10",
              "enabled": true,
              "scaleDownEnabled": true
            },
            "diskGB": {
              "enabled": true
            }
          },
          "autoScaling": {
            "compute": {
              "maxInstanceSize": "M30",
              "minInstanceSize": "M10",
              "enabled": true,
              "scaleDownEnabled": true
            },
            "diskGB": {
              "enabled": true
            }
          },
          "effectiveAnalyticsSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "effectiveElectableSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 3
          },
          "effectiveReadOnlySpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "analyticsSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "electableSpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 3
          },
          "readOnlySpecs": {
            "instanceSize": "M30",
            "diskIOPS": 3000,
            "diskSizeGB": 100.0,
            "ebsVolumeType": "STANDARD",
            "nodeCount": 0
          },
          "priority": 7,
          "providerName": "AWS",
          "regionName": "US_EAST_1"
        }
      ],
      "zoneId": "6924a70c67695449ba5625ce",
      "zoneName": "Zone 1"
    }
  ]
  }