AWS发布CDK构造，自动处理SageMaker端点更新时的自动扩缩注销与重注册
AWS博客介绍一个可复用CDK构造，用三个CloudFormation自定义资源在端点更新前后按顺序注销、注册可扩缩目标和扩缩策略，让端点配置与扩缩参数在一次部署中同时更新。
AI解读：AWS博客作者Lauren Eterno说明了问题：SageMaker AI实时端点已注册Application Auto Scaling后，通过CloudFormation或CDK修改实例类型、实例数量或环境变量会导致部署失败。SageMaker AI要求在移除端点或更新实例类型前，先向Application Auto Scaling注销该变体。
手动用AWS CLI注销可扩缩目标后只改端点配置，部署会成功但CloudFormation不会重新注册扩缩，端点将在无扩缩状态下运行且不报错；若同时改扩缩参数，则会因可扩缩目标不存在而失败，回滚也会失败（UPDATE_ROLLBACK_FAILED），需在控制台手动恢复。
给出的方案是用一个CDK构造替换原生的ScalableTarget和ScalingPolicy资源，改为三个自定义资源，并用CDK的node.add_dependency固定顺序：先注销可扩缩目标，再由CDK更新端点，端点达到InService后注册可扩缩目标，最后在目标可查询后附加目标跟踪扩缩策略。
该方案要求端点和扩缩参数放在同一份ConfigHash中，任一变化都会触发整条编排。注册可扩缩目标的provider总超时为 1 小时，附加策略为 15 分钟，检查间隔 30 秒，均以异步is_complete轮询实现。
按文章说明，部署后的栈包含 3 个自定义资源、2 个Step Functions状态机和 12 个Lambda函数，其中 5 个承载构造自身处理逻辑，7 个由provider框架生成。示例代码在GitHub仓库sample-sagemaker-endpoint-autoscaling。
AWS机器学习博客发布文章，介绍一个可复用的AWS CDK构造，用于在更新SageMaker AI实时端点时自动完成Application Auto Scaling的注销与重注册。文章作者Lauren Eterno称，使用该构造可在一次部署中同时更新端点配置和扩缩参数，无需人工介入。
文章描述的是AWS官方博客给出的方案与实现说明，涉及的效果以该示例构造的部署流程为准；文中未给出该构造在生产环境的运行数据或与其他方案的对比结果。
问题：端点更新与扩缩注册的冲突
文章指出，当SageMaker AI端点已注册Application Auto Scaling，通过CloudFormation或CDK修改端点配置（实例类型、实例数量或环境变量）时，SageMaker AI会拒绝更新，报错要求该变体先作为可扩缩目标从Application Auto Scaling注销，然后才能移除或更新实例类型。
若改用AWS CLI手动注销可扩缩目标，再只改端点配置重新部署，部署会成功，但CloudFormation不会重新注册扩缩：模板中的扩缩参数未变化，CloudFormation不会重新注册可扩缩目标或重新应用扩缩策略，端点会在没有扩缩的情况下运行，且没有错误提示。
若手动注销后再修改扩缩参数，CloudFormation会尝试更新已不存在的ScalableTarget资源并报错；文章称此场景下回滚也会失败（UPDATE_ROLLBACK_FAILED），栈进入损坏状态，需在CloudFormation控制台手动干预。
方案：三个自定义资源按依赖顺序编排
该构造把原生的AWS::ApplicationAutoScaling::ScalableTarget与AWS::ApplicationAutoScaling::ScalingPolicy资源替换为三个CloudFormation自定义资源，通过CDK的node.add_dependency明确顺序：
文章说明，注册可扩缩目标要等端点达到InService，附加扩缩策略要等可扩缩目标可查询，因此这两步采用provider的异步完成模式：on_event立即返回，is_complete每 30 秒被重新调用一次，直到就绪检查通过。注册的总超时为 1 小时，附加策略为 15 分钟，从而不受单次Lambda调用超时限制。
每个自定义资源上的ConfigHash属性用于在任一配置值变化时触发Lambda重新执行。端点和扩缩参数定义在一起，因为同一个ConfigHash驱动整条扩缩编排。
- 注销：在端点更新开始前移除可扩缩目标；首次部署时尚不存在可扩缩目标，处理程序捕获ObjectNotFoundException后继续。
- 端点更新：由CDK正常更新端点资源，切换到新的端点配置。
- 注册可扩缩目标：等待端点达到InService后注册。
- 附加扩缩策略：等待可扩缩目标可查询后，应用目标跟踪扩缩策略。
部署形态与使用方式
文章称，尽管构造只定义三个自定义资源，实际部署的栈资源更多。每个自定义资源由一个CDK cr.Provider支撑，provider框架会生成自己的辅助Lambda函数：同步provider（注销）增加一个框架函数；异步provider（注册可扩缩目标、附加扩缩策略）各增加onEvent、isComplete、onTimeout三个函数，外加一个驱动等待逻辑的Step Functions状态机。
最终栈包含 3 个自定义资源、2 个Step Functions状态机和 12 个Lambda函数；其中 5 个承载构造自身的处理代码，其余 7 个由provider框架生成。文章提示这些函数不需要用户编写和维护，但审查部署资源时应计入。
使用方式上，示例仓库sample-sagemaker-endpoint-autoscaling提供可直接部署的示例栈；已有SageMaker AI资源的CDK项目可将sagemaker_autoscaling/constructs/目录复制进项目，并在端点资源旁添加该构造。示例配置中端点为ml.m5.large、初始实例数 1，扩缩最小 1、最大 10、目标值 100、缩容冷却 600 秒、扩容冷却 120 秒。
运行前提包括：具备SageMaker AI、Lambda、IAM、Application Auto Scaling和CloudWatch权限的AWS账户，已安装AWS CDK v2，Python 3.12或更高版本，使用uv管理依赖，以及位于S3的模型产物和ECR容器镜像或SageMaker AI内置算法容器。文章还给出用describe-scalable-targets和describe-scaling-policies校验注册结果、修改实例类型后重新部署验证的命令示例。