本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
配置 Amazon MWAA 环境类
您为 Amazon MWAA 环境选择的环境类决定了运行 Celery Executo r 的 AWS托管 AWS Fargate 容器的大小，以及 Apache Airflow 计划程序在其中创建任务实例的托管的 Amaz AWS on Aurora PostgreSQL 元数据数据库的大小。本页描述了每个 Amazon MWAA 环境类，以及在 Amazon MWAA 控制台上更新环境类的步骤。
环境功能
下一节包含每个环境类的默认并发 Apache Airflow 任务、随机存取存储器（RAM）和虚拟集中处理单元（vCPU）。列出的并发任务假设任务并发性不超过环境中的 Apache Airflow 工作线程容量。
在下表中，DAG 容量指的是 DAG 定义，而不是执行，并假设您的 DAG 在单个 Python 文件中是动态的，并且使用 Apache Airflow 最佳实践编写。
任务执行取决于同时安排了多少任务，并假设设置为同时启动的 DAG 运行次数不超过默认值 max_dagruns_per_loop_to_schedule，以及本主题中详细介绍的工作线程的大小和数量。
- mw1.small
-
-
高达 50 个 DAG 的容量
-
5 个并发任务（默认）
-
1 个 vCPU
-
2 GB RAM
- mw1.medium
-
-
容量高达 200 DAG
-
10 个并发任务（默认）
-
2 个 vCPU
-
4 GB RAM
- mw1.large
-
-
容量高达 1000 个 DAG
-
20 个并发任务（默认）
-
4 个 vCPU
-
8 GB RAM
- mw1.xlarge
-
-
容量高达 2000 个 DAG
-
40 个并发任务（默认）
-
8 个 vCPU
-
24 GB 内存
- mw1.2xlarge
-
-
容量高达 4000 个 DAG
-
80 个并发任务（默认）
-
16 个 vCPU
-
48 GB 内存
您可以使用 celery.worker_autoscale 来增加每个工作线程的任务数。有关更多信息，请参阅 高性能用例示例。
Apache Airflow 计划程序
下一节包含 Amazon MWAA 上可用的 Apache Airflow 计划程序选项，以及计划程序数如何影响触发器数。
在 Apache Airflow 中，触发器管理在满足使用触发器指定的某些条件之前延迟的任务。在 Amazon MWAA 中，触发器与计划程序一起运行相同的 Fargate 任务。增加计划程序计数会相应地增加可用触发器的数量，从而优化环境管理延迟任务的方式。这样可以确保高效处理任务，在条件满足时及时安排任务运行。
- Apache Airflow v2
-
