Configurar el escalado automático

Clústeres elegibles para el escalado automático reactivo

El escalado automático reactivo de los niveles de clúster de Atlas está disponible para todos los clústeres dedicados en las clases de clúster General y Low-CPU.

Cómo Atlas escala el nivel de clúster

Atlas depende de los datos de ping del host para tomar decisiones de escalabilidad automática. Los nodos de datos del clúster dedicado envían continuamente estos datos de ping al plano de control, sin importar si el autoescalado está habilitado. Cuando habilitas el escalamiento automático, Atlas puede usar estos datos históricos para escalar inmediatamente si se cumplen las condiciones de escalamiento.

Atlas analiza las siguientes métricas del clúster para determinar cuándo escalar un clúster de forma reactiva y si se debe escalar el nivel de clúster hacia arriba o hacia abajo:

• Utilización normalizada de la CPU del sistema

• Utilización de la memoria del sistema

Atlas calcula la utilización de la memoria del sistema en función de la memoria disponible de los nodos y la memoria total de la siguiente manera:

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

En el cálculo anterior, memoryFree, memoryBuffers y memoryCached son cantidades de memoria disponible que Atlas puede recuperar para otros propósitos. Para obtener más información, consulta System Memory en Revisión de métricas disponibles.

Atlas no escalará su nivel de clúster si el nuevo nivel de clúster queda fuera del rango especificado de Minimum y Maximum Cluster Size.

Atlas escala el clúster a otro nivel en la misma clase. Por ejemplo, Atlas escala clústeres General a otras clases de clúster General, pero no escala General clústeres a clases de clúster Low-CPU.

Los criterios exactos de escalado automático reactivo están sujetos a cambios para asegurar el uso adecuado de los recursos del clúster.

Si se implementan nodos de solo lectura y se desea que el clúster escale más rápido, se debe considerar ajustar la moda de escalado del set de réplicas.

Escalado reactivo de un nivel de clúster

Para gestionar cargas de trabajo dinámicas para las aplicaciones, Atlas escala reactivamente los nodos del clúster cuando se cumplen las condiciones que se describen en esta sección.

Para ayudarte a interpretar las condiciones, Atlas utiliza los siguientes conceptos de utilización de CPU:

• Uso base de la CPU: La fracción de la capacidad total de CPU garantizada para tu instancia por el proveedor de nube, normalmente del 20% al50% para los tipos de instancia de ráfaga. No visible en métricas de Atlas.

• Utilización absoluta de la CPU del sistema: Uso total de la CPU sumado en todos los núcleos. Visible como System CPU en las métricas de Atlas. Atlas no utiliza este valor directamente en las decisiones de escalado automático.

• Utilización relativa de la CPU del sistema: El valor que Atlas utiliza para tomar decisiones de escalamiento automático en los clústeres M10 y M20. Calculado como el valor de Normalized System CPU dividido por la utilización base de la CPU. Este valor no es directamente visible en las métricas de Atlas y el porcentaje de CPU de referencia no se muestra en el panel de métricas. Para estimarlo, divide tu registro de Normalized System CPU por un valor referencia en el rango de 20%–50% típico de los tipos de instancias burstable. Atlas limita este valor a 100% incluso cuando el cálculo lo supera.

Si el siguiente nivel de clúster está dentro del rango Maximum Cluster Size, Atlas escala los nodos operativos del clúster al siguiente nivel si al menos uno de los siguientes criterios es verdadero para cualquier nodo de clúster de este tipo.

• M10 y M20 clústeres:

  • AWS. La utilización relativa normalizada promedio de la CPU del sistema ha superado el 90% en los últimos 20 minutos y la utilización absoluta no normalizada de la CPU del sistema para el robo de CPU ha superado el 30% en los últimos 3 minutos.

  • Azure. La utilización relativa normalizada promedio de la CPU del sistema ha superado el 90% en los últimos 20 minutos y la utilización absoluta no normalizada de la CPU del sistema para softIRQ ha superado el 10% en los últimos 3 minutos.

  • La utilización absoluta de la CPU del sistema promedio normalizada ha superado el 90% de los recursos disponibles del clúster durante los últimos 20 minutos.

  • La utilización relativa de la CPU del sistema promedio normalizada ha excedido el 75% de los recursos disponibles para el clúster durante la última hora.

  • El promedio de System Memory Utilization ha superado el 90% de los recursos disponibles para el clúster durante los últimos 10 minutos. Para saber cómo Atlas calcula la utilización de la memoria del sistema, consulte Cómo Atlas escala el nivel del clúster.

  • El promedio de System Memory Utilization ha superado el 75% de los recursos disponibles para el clúster durante la última hora.

  Nota

  Para los niveles M10 y M20, Atlas basa los límites de CPU en la utilización de CPU de referencia de la instancia en lugar del valor de referencia estándar del 100%. La línea base no se expone en el panel de métricas de Atlas y puede oscilar entre 20% y50% para los tipos de instancias expansibles. Consulta la documentación de instancias AWS burstable para la columna Baseline CPU utilization per vCPU. Usando 20% como una estimación inferior, los umbrales absolutos efectivos de la CPU son como máximo:

  • El umbral de 75%Utilización relativa de la CPU del sistema es igual a 15% de CPU absoluta (75% de 20%).

  • El umbral de 90%Utilización relativa de la CPU del sistema es igual a 18% de CPU absoluta (90% de 20%).

  Si se produce una subida de escala cuando Normalized System CPU parece bajo, contacta con Soporte técnico de MongoDB.

• M30+ clústeres:

  • El promedio de Normalized System CPU ha superado el 90% de los recursos disponibles para el clúster durante los últimos 10 minutos.

  • El promedio de Normalized System CPU ha superado el 75% de los recursos disponibles para el clúster durante la última hora.

  • El promedio de System Memory Utilization ha superado el 90% de los recursos disponibles para el clúster durante los últimos 10 minutos.

  • El promedio de System Memory Utilization ha superado el 75% de los recursos disponibles para el clúster durante la última hora.

Estos umbrales aseguran que el clúster se escale rápidamente en respuesta a cargas altas, y que su aplicación pueda gestionar picos de tráfico o uso, manteniendo su rendimiento y confiabilidad.

Para lograr un uso óptima de los recursos y un perfil de costos óptimo, Atlas evita escalar el clúster al siguiente nivel si:

• El clúster M10 o M20 se ha escalado en los últimos 20 minutos o una hora, dependiendo de los umbrales.

• El clúster M30+ se ha escalado en los últimos 10 minutos o una hora, dependiendo de los umbrales.

Por ejemplo, si el nivel de clúster no ha cambiado desde 12:00, Atlas escalará un clúster de M30+ en 12:10, si la utilización normalizada actual de la CPU del clúster es superior al 90%.

Escalado a la baja de un nivel de clúster de forma reactiva

Para optimizar costos, Atlas reduce automáticamente el tamaño de los nodos del clúster cuando se cumplen las condiciones que se describen en esta sección.

Si el siguiente nivel de clúster más bajo está dentro del rango Minimum Cluster Size, Atlas escala a la baja los nodos del clúster al siguiente nivel más bajo si todos los siguientes criterios son verdaderos para todos los nodos del tipo de clúster especificado:

• Todos los nodos:

  • Atlas no ha reducido el tamaño del clúster (ni manualmente ni automáticamente) en las últimas 24 horas.

  • Atlas no ha realizado el provisionamiento ni reanudado el clúster en las últimas 24 horas.

  • Atlas no ha detenido ni reiniciado ningún nodo del clúster en las últimas 12 horas.

• Nodos operativos:

  • El promedio de Normalized System CPU está por debajo del 45% de los recursos disponibles para el clúster durante al menos los últimos 10 minutos Y las últimas 4 horas. Atlas utiliza el punto de control “media de 4 horas” como indicador de que la carga de la CPU se ha estabilizado en el nivel observado. Atlas utiliza el punto de control de "10 minutos promedio" como indicio de que no se han producido picos recientes de CPU que Atlas no haya capturado con el punto de control de "4 horas promedio".

    Nota

    Para los niveles M10 y M20, Atlas aplica el umbral de CPU del 45% en relación con la utilización base de CPU de la instancia en lugar del 100% estándar. Usando 20% como una estimación en el rango inferior, el umbral absoluto efectivo de CPU para la reducción de escala es de aproximadamente 9% (45% de 20%).

  • El uso promedio de caché de WiredTiger está por debajo del 90% del tamaño máximo de caché de WiredTiger durante al menos los últimos 10 minutos Y las últimas 4 horas en el tamaño de nivel de clúster actual. Esto indica a Atlas que el clúster actual no está sobrecargado.

  • La utilización total proyectada de la memoria del sistema en el nuevo nivel de clúster inferior es inferior al 60% durante al menos los últimos 10 minutos Y las últimas 4 horas. Atlas calcula el uso total de memoria proyectado mencionado en la instrucción anterior de la siguiente manera.

    Atlas mide el uso actual de la memoria y reemplaza el tamaño de uso actual de la caché de WiredTiger con 80% del tamaño de la caché de WiredTiger en el nuevo clúster de nivel inferior.

    A continuación, Atlas comprueba si el uso total de memoria proyectado estaría por debajo del 60% durante al menos las últimas 4 horas y al menos los últimos 10 minutos en el nuevo tamaño de nivel.

    Nota

    Atlas incluye la caché WiredTiger en su cálculo de memoria para que sea más probable que los clústeres con una caché completa, pero con poco tráfico, reduzcan su escala. Esta verificación aplica dos umbrales:

    • 90%: El uso actual de la caché WiredTiger en el nivel actual debe ser inferior al 90% de su tamaño máximo. Si se supera este límite, Atlas no se ajusta a la baja.

    • 60%: La memoria total proyectada en el nuevo nivel inferior debe estar por debajo de 60%. Para calcular esta proyección, Atlas asume que el uso de caché WiredTiger en el nuevo nivel sería del 80% del tamaño máximo de caché de ese nivel.

  Estas condiciones aseguran que Atlas escale a la baja los nodos operativos del clúster para evitar estados de alta utilización.

  Nota

  Atlas evalúa el escalado basado en memoria usando una métrica proyectada que difiere del System Memory Utilization que se muestra en la Interfaz de Usuario de Atlas. Si no se produce una reducción de escala cuando System Memory Utilization parece bajo, contacte con Asistencia de MongoDB.

• Nodos de análisis:

  • El promedio de Normalized System CPU y System Memory Utilization en las últimas 24 horas está por debajo del 50% de los recursos disponibles para el clúster.

  Nota

  M10 y clústeres M20 utilizan umbrales más bajos para tener en cuenta los límites de uso de la CPU establecidos por los proveedores de nube después de los períodos de ráfaga. Estos umbrales varían dependiendo del proveedor de nube y el nivel de clúster.

Escalado de un clúster fragmentado

Atlas escala automáticamente el nivel de clúster para clústeres fragmentados utilizando los mismos criterios que los sets de réplicas. Atlas aplica las siguientes reglas:

• El escalado independiente de particiones está activado por defecto para clústeres fragmentados con escalado automático. Cuando se habilita el escalado independiente de particiones, el escalado automático en Atlas evalúa y escala cada partición de forma independiente. El escalado independiente de particiones requiere que la partición más pequeña no sea más pequeña que dos niveles de clúster por debajo de la partición más grande, para mantener la disponibilidad y el rendimiento. Si Atlas activa el escalado automático para un clúster de este tipo, y aumenta el tamaño de la partición más grande, también aumenta el tamaño de las particiones más pequeñas si es necesario para garantizar una disponibilidad y un rendimiento coherentes.

• Si los nodos operativos o de análisis dentro de un fragmento cumplen con los criterios para el escalado automático, solo los nodos operativos o de análisis en ese fragmento específico cambian de nivel.

• El set de réplicas del servidor de configuración no tiene escalado automático.

Comportamiento del escalado automático predictivo

Las siguientes instrucciones describen cómo funciona el escalado automático predictivo:

• Atlas intenta escalar el tamaño de la instancia del clúster antes de que llegue la carga prevista.

• Cuando Atlas escala el clúster de forma predictiva según métricas previstas, se puede escalar hacia arriba como máximo dos niveles a la vez.

• El escalado automático predictivo se aplica solo al cómputo, no al almacenamiento.

• El escalado automático predictivo respeta los tamaños mínimos y máximos de las instancias de escalado automático existentes.

• En los casos en que Atlas no puede usar el escalado automático predictivo para escalar el clúster, recurre al escalado automático reactivo.

• El escalado automático predictivo solo admite escalado hacia arriba. No hay reducción de escalado predictivo. Atlas utiliza el escalado automático reactivo para reducir automáticamente el tamaño del clúster cuando la carga de trabajo disminuye.

• Si el escalado predictivo está programado para ocurrir dentro de las siguientes 1 hora, Atlas omite el escalado reactivo.

• Si utiliza el escalado independiente de fragmentos y añade uno o más después de que el escalado automático predictivo ya estuviera habilitado y activo en el clúster, estos nuevos fragmentos no se escalarán automáticamente de forma predictiva hasta que se hayan establecido sus patrones de carga de trabajo, dos semanas después. Mientras tanto, estos fragmentos utilizan el escalado automático reactivo en Atlas.

Clústeres elegibles para el escalado automático predictivo

Atlas utiliza el escalado automático predictivo para los clústeres elegibles. Los clústeres elegibles para el escalado automático predictivo deben cumplir todos los siguientes criterios:

• Pertenecen a las clases de clúster General y Low-CPU.

• Tener un nivel que sea M30 o mayor.

• Tener habilitado el escalado automático. Si habilitas la reducción de escala, el tamaño mínimo de instancia de escalado automático debe ser igual o mayor que M30.

• Haber estado activo durante al menos dos semanas.

• No usar almacenamiento NVMe ni pertenecer a la clase de clúster Local NVMe SSD.

Además, los siguientes criterios afectan si Atlas utiliza el escalado automático predictivo para un clúster elegible:

• El escalado automático predictivo se aplica solo a nodos elegibles y de solo lectura. Atlas no utiliza el escalado automático predictivo para los nodos de búsqueda o de análisis.

• Es posible que el escalado automático predictivo no pueda predecir los picos de carga de trabajo no cíclicos y altamente dinámicos en ningún clúster elegible. En estos casos, Atlas confía en el escalado automático reactivo.

El nivel de clúster y el almacenamiento de clúster podrían escalar en paralelo

Cuando Atlas intenta escalar automáticamente la capacidad de almacenamiento del clúster como parte del escalado automático, es posible que se necesite escalar el almacenamiento fuera de los límites que soporta el nivel de clúster actual. Para ayudar a garantizar que el clúster no experimente ningún tiempo de inactividad, Atlas escala el nivel del clúster (además del almacenamiento del clúster) para adaptar la nueva capacidad de almacenamiento.

En Azure, si habilita el escalado automático en un clúster implementado en una de las regiones que admiten almacenamiento/IOPS ampliados, y el actual IOPS es inferior al IOPS predeterminado para el tamaño de disco con escalado automático, Atlas aumenta el número asignado de IOPS en el control deslizante IOPS y se le notifica en la Interfaz de Usuario. Para obtener más información, consulta configurar almacenamiento extendido/IOPS en Azure.

En el evento de que el nivel de clúster máximo especificado no pueda soportar la nueva capacidad de almacenamiento, Atlas:

1. Aumenta el nivel máximo de clúster al siguiente nivel más bajo que pueda acomodar la nueva capacidad de almacenamiento.

2. Escala el nivel de clúster al nuevo nivel máximo.

Si Atlas intenta reducir el nivel del clúster y el nivel de destino no puede soportar la capacidad de disco actual, las IOPS aprovisionadas, o ambas, Atlas no reduce el nivel del clúster. En este escenario, Atlas actualiza la configuración de escalado automático en función de la relación entre el nivel de clúster actual y el nivel máximo de clúster configurado:

• Si el clúster está actualmente en el nivel máximo de clúster configurado, Atlas desactiva el escalado automático hacia abajo del clúster porque los niveles más pequeños no podrían acomodar la configuración de almacenamiento necesaria. Si deseas volver a habilitar el escalado automático descendente, debes hacerlo manualmente desde la Configuración del clúster.

• Si el clúster no está actualmente en el nivel máximo de clúster configurado, Atlas eleva el nivel mínimo de clúster al nivel de clúster actual. En este caso, Atlas no desactiva el escalado automático descendente.

Esta lógica de escalado automático reduce el tiempo de inactividad en casos donde sus configuraciones de almacenamiento no coinciden con su carga de trabajo.

Consideraciones de Oplog

Dependiendo de si eliges utilizar el escalado automático del almacenamiento, Atlas gestiona las entradas del oplog en función de la ventana mínima de retención del oplog o del tamaño del oplog. Para obtener más información, consulta Comportamiento del tamaño del Oplog. Atlas permite el escalado automático del almacenamiento por defecto.

Consideraciones para la reducción de escalado del nivel del clúster

Puedes reducir manualmente el nivel de tu clúster desde la página Editar clúster. Las siguientes consideraciones se aplican cuando reduces manualmente el nivel de clúster:

• Se debe estimar el rango de cargas de trabajo de la implementación y luego establecer el valor de Minimum Cluster Size al nivel de clúster que tenga suficiente capacidad para gestionar la carga de trabajo de la implementación. Se debe tener en cuenta cualquier posible pico o caída en la actividad del clúster.

• No puede escalar a un nivel de clúster más pequeño que M10.

• No se puede seleccionar un nivel de clúster mínimo que sea inferior a la configuración de disco actual del clúster. Si el almacenamiento aumenta más allá de lo que soporta el nivel mínimo de clúster, y Atlas incrementa la configuración de almacenamiento del clúster más allá de lo que soporta el nivel mínimo de clúster, entonces Atlas ajusta automáticamente el nivel mínimo de clúster a uno que soporte los requisitos actuales de almacenamiento del clúster.

  Ejemplo

  Se han establecido los límites de escalado automático a M20 - M60 y el nivel actual de clúster es M40 con una capacidad de disco de 200GB. Atlas abre un evento de escalado automático de disco para aumentar la capacidad a 320GB porque el uso actual del disco supera los 180GB, lo cual es más del 90% de la capacidad de 200GB.

  Atlas lleva a cabo las siguientes acciones:

  1. Se debe elevar el nivel mínimo de clúster al siguiente nivel más bajo, M30, que puede acomodar la nueva capacidad de almacenamiento. M20 admite una capacidad máxima de almacenamiento de 256GB, por lo que ya no es un límite válido para el escalado automático.

  2. Determina que el tamaño de la instancia actual M40, soporta la nueva configuración de disco. El evento de escalado automático del disco se completa con éxito.

Escalado automático activado por defecto

Al crear un nuevo clúster, Atlas habilita el escalado automático (predictivo y reactivo) para el nivel y el almacenamiento del clúster. (El escalado automático predictivo solo afecta al nivel del clúster, no al almacenamiento). No es necesario habilitarlo explícitamente. Si lo prefiere, puede desactivarlo para el nivel y el almacenamiento del clúster.

Con el escalado automático activado, su clúster puede automáticamente:

• Escala para aumentar la capacidad con un nivel de clúster superior, utilizando escalado automático reactivo o predictivo, dependiendo de la elegibilidad del clúster y la carga de trabajo.

• Reduce el nivel de clúster actual a un nivel de clúster inferior utilizando el escalado automático reactivo.

En la sección Cluster tier de las opciones de Auto-scale, puede especificar los valores de Maximum Cluster Size y Minimum Cluster Size a los que su clúster puede escalar automáticamente. Atlas establece estos valores de la siguiente manera:

• El Maximum Cluster Size está configurado en un nivel por encima del nivel de clúster actual.

• El Minimum Cluster Size está establecido en el nivel de clúster actual.

Además, Atlas podría usar escalamiento automático predictivo si su clúster es elegible y su carga de trabajo es cíclica y predecible.

Habilita el escalado automático con Atlas CLI y la API de administración de Atlas

Puedes habilitar el escalado automático tanto para el cómputo como para el almacenamiento al crear o actualizar un clúster mediante Atlas CLI o la API de administración de Atlas. Los siguientes ejemplos muestran cómo habilitar el escalado automático tanto para los nodos elegibles como para los nodos de análisis. Reemplaza los niveles de clúster y la configuración del proveedor con los que necesites.

{
  "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 --header "Authorization: Bearer {ACCESS-TOKEN}" \
     --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
               }
             }
           }
         ]
       }
     ]
   }'

Revisa las opciones de escalado automático de niveles de clúster

Para revisar las opciones de escalado automático habilitadas para los niveles de clúster y almacenamiento:

Excluir el nivel del clúster del escalado automático

Para optar por no participar en el escalado automático del clúster (aumentar el nivel de clúster), cuando crea un nuevo clúster, navega hasta el menú Cluster Tier y desmarque la casilla Cluster Tier Scaling en la sección Auto-scale.

Para optar por no participar en el escalado automático del clúster (disminuyendo el nivel de clúster), cuando crea un nuevo clúster, navega al menú Cluster Tier y desmarque la casilla Allow cluster to be scaled down en la sección Auto-scale.

Activar campos eficaces

--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
    }

Comportamiento de los campos efectivos

En general, el comportamiento de los campos efectivos se divide en uno de tres escenarios:

  {
  "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"
    }
  ]
  }