Fehlerbehebung bei Dataflow-Autoscaling

Auf dieser Seite erfahren Sie, wie Sie Probleme mit den Autoscaling-Features von Dataflow beheben. Außerdem erfahren Sie, wie Sie das Autoscaling verwalten.

Job wird nicht hoch- oder herunterskaliert

Dieser Abschnitt enthält Informationen zu Szenarien, die möglicherweise ein Hoch- oder Herunterskalieren von Workern verhindern.

Streamingjob wird nicht hochskaliert

Wenn Ihre Streamingpipeline einen Rückstand hat, werden die Worker nicht vertikal skaliert.

Dieses Problem tritt auf, wenn der Rückstand weniger als einige Minuten beträgt oder wenn die Parallelität begrenzt ist.

Manchmal ist der Rückstand erhöht, die Parallelität ist jedoch gering. In diesem Fall wird Dataflow nicht hochskaliert, da die Arbeit nicht auf mehr Worker verteilt werden kann. Das Hinzufügen weiterer Worker würde also nicht bei der Verarbeitung helfen. Weitere Informationen finden Sie unter Streaming-Autoscaling.

Batch- und Streamingjobs skalieren nicht hoch

Der Batch- oder Streamingjob wird wie erwartet ausgeführt. Wenn jedoch mehr Worker benötigt werden, wird der Job nicht hochskaliert.

Dieses Problem kann folgende Ursachen haben:

  • Auf die Staging- oder temporären Dateien kann nicht zugegriffen werden. Wenn Ihr Job einen Cloud Storage-Bucket verwendet, verfügt der Bucket möglicherweise über eine Lebenszykluskonfiguration, die Objekte im Bucket löscht. Zu den gelöschten Objekten gehören Staging- und temporäre Ordner und Dateien. Prüfen Sie in der Lebenszykluskonfiguration für den Bucket, ob Dateien gelöscht wurden. Wenn die Staging- oder temporären Ordner oder Dateien nach dem Start des Jobs gelöscht wurden, sind die zum Erstellen neuer Worker erforderlichen Pakete möglicherweise nicht vorhanden. Erstellen Sie die Ordner und Dateien im Bucket neu, um dieses Problem zu beheben.
  • Firewallregeln verhindern, dass Worker Traffic an die erforderlichen TCP-Ports senden und empfangen. Firewallregeln können verhindern, dass Worker gestartet werden. Dataflow-Worker müssen Traffic über die TCP-Ports 12345 und 12346 senden und empfangen können. Weitere Informationen, einschließlich der Schritte zur Behebung dieses Problems, finden Sie unter Firewallregeln für Dataflow.
  • Eine benutzerdefinierte Quelle hat eine getProgress()-Methode, die einen NULL-Wert zurückgibt. Wenn Sie eine benutzerdefinierte Quelle verwenden, basieren die Rückstandmesswerte auf dem Rückgabewert der getProgress()-Methode Ihrer benutzerdefinierten Quelle, um mit der Datenerfassung zu beginnen. Die Standardimplementierung für getProgress() gibt einen NULL-Wert zurück. Achten Sie zur Behebung dieses Problems darauf, dass Ihre benutzerdefinierte Quelle die Standardmethode getProgress() überschreibt, um einen Nicht-NULL-Wert zurückzugeben.
  • Ein durch vertikales Autoscaling ausgelöstes Update deaktiviert das horizontale Autoscaling vorübergehend. Weitere Informationen finden Sie unter Auswirkungen auf horizontales Autoscaling.
  • Wenn Sie einen map-Vorgang in einer Python-Pipeline ausführen und Ihr Job nicht hochskaliert wird, müssen Sie möglicherweise eine Reshuffle-Transformation in Ihren Pipelinecode einfügen. Weitere Informationen finden Sie in der Apache Beam-Dokumentation unter Reshuffle.

Streamingjob wird nicht herunterskaliert

Wenn Ihr Streamingjob einen geringen Rückstand und eine niedrige CPU-Auslastung hat, werden die Worker nicht herunterskaliert. Dieses Problem kann verschiedene Ursachen haben.

  • Wenn Jobs keine Streaming Engine verwenden, gleicht Dataflow die Anzahl der nichtflüchtigen Speicher zwischen den Workern aus. Daher muss jeder Worker die gleiche Anzahl an nichtflüchtigen Speichern haben. Wenn es beispielsweise 100 Laufwerke und 100 Worker gibt, hat jeder Worker ein Laufwerk. Wenn der Job herunterskaliert wird, kann der Job 50 Worker mit zwei nichtflüchtigen Speichern pro Worker haben. Der Job wird erst wieder herunterskaliert, wenn er 25 Worker mit vier nichtflüchtigen Speichern pro Worker haben kann. Darüber hinaus ist die Mindestanzahl von Workern der Wert, der maxNumWorkers zugewiesen ist, geteilt durch 15. Weitere Informationen finden Sie unter Skalierungsbereich für Streaming-Autoscaling-Pipelines.

  • Wenn Jobs Streaming Engine verwenden, basiert das Herunterskalieren auf einer CPU-Zielauslastung von 75 %. Wenn diese CPU-Auslastung nicht erreicht werden kann, ist das Herunterskalieren deaktiviert.

  • Die Schätzung des Rückstands muss mindestens zwei Sekunden lang mindestens zwei Minuten dauern, bevor die Worker herunterskaliert werden. Durch Schwankungen des Rückstands kann das Herunterskalieren deaktiviert werden. Darüber hinaus kann ein niedriger Durchsatz die Zeitschätzung verzerren.

  • PeriodicImpulse wird in den Apache Beam SDK-Versionen 2.60.0 und höher unterstützt. Wenn Ihre Pipeline PeriodicImpulse mit den Apache Beam SDK-Versionen 2.59.0 und niedriger verwendet, werden Dataflow-Worker nicht wie erwartet herunterskaliert.

Hochskalierungen

Der Batch- oder Streamingjob beginnt mit der Hochskalierung, die Worker beenden jedoch die Skalierung, obwohl ein Rückstand bleibt.

Dieses Problem tritt auf, wenn Kontingentlimits erreicht werden.

  • Compute Engine-Kontingente: Dataflow-Jobs unterliegen dem Compute Engine-Kontingent des Projekts. Wenn mehrere Jobs ausgeführt werden, überschreitet das Projekt möglicherweise das Limit seines Compute Engine-Kontingents. In diesem Fall kann Dataflow die Anzahl der Worker nicht erhöhen.
  • CPU-Kontingente: Dataflow-Jobs unterliegen auch dem CPU-Kontingent des Projekts. Wenn der Worker-Typ mehr als eine CPU verwendet, liegt das Projekt möglicherweise am Limit des CPU-Kontingents.
  • Kontingente für externe IP-Adressen: Wenn Ihr Job externe IP-Adressen für die Kommunikation mit Ressourcen verwendet, benötigen Sie so viele externe IP-Adressen wie Worker. Wenn die Anzahl der Worker vertikal skaliert wird, erhöht sich auch die Anzahl der externen IP-Adressen. Wenn das IP-Adresslimit erreicht ist, beenden die Worker das Hochskalieren.

Wenn die von Ihnen ausgewählte Region aus einer Ressource stammt, können Sie keine neuen Ressourcen dieses Typs erstellen, auch wenn in Ihrer Region oder Ihrem Projekt noch ein Kontingent vorhanden ist. Beispiel: Ihr Kontingent zum Erstellen externer IP-Adressen in us-central1 ist noch nicht aufgebraucht, aber in dieser Region sind keine IP-Adressen verfügbar. Weitere Informationen finden Sie unter Kontingente und Ressourcenverfügbarkeit.

Fordern Sie eine Kontingenterhöhung an oder führen Sie den Job in einer anderen Region aus, um dieses Problem zu beheben.

Der Hinweis zur Worker-Auslastung hat keine Auswirkungen

Sie legen den Hinweis zur Auslastung von Arbeitsthreads fest, das Autoscaling-Verhalten ändert sich jedoch nicht.

Rufen Sie das Diagramm CPU-Auslastung der Worker auf und prüfen Sie, ob der Hinweis zur Worker-Auslastung aktiv verwendet wird. Wenn der Hinweis verwendet wird, wird im Diagramm CPU utilization hint (actively used by autoscaler) angezeigt. Andernfalls wird CPU utilization hint (not actively used by autoscaler) angezeigt.

Der Auslastungshinweis ist nur einer der Faktoren, die sich auf das Autoscaling auswirken. In der folgenden Tabelle sind einige Gründe dafür aufgeführt, warum der Autoscaler den Hinweis möglicherweise nicht aktiv verwendet:

Beobachtetes Skalierungsverhalten Ursachen Zu prüfende Messwerte
Keine Änderung
  • Sie haben die Mindest- oder Höchstzahl der Worker erreicht.
  • Die Anzahl der Worker wird durch die Anzahl der parallel verarbeiteten Schlüssel begrenzt.
  • Jobs werden durch externe RPCs gedrosselt.
  • Die Herunterskalierung ist zu klein oder Dataflow führt eine Dämpfung der Herunterskalierung durch. Weitere Informationen finden Sie unter Streaming-Autoscaling-Heuristik.
Hochskalieren
  • Ein Ziel mit hohem Rückstand oder hoher Latenz überschreibt den Hinweis.
  • Die Mindestanzahl der Worker wurde auf einen höheren Wert als die aktuelle Anzahl der Worker aktualisiert.
Herunterskalieren
  • Die maximale Anzahl von Workern wurde auf einen Wert aktualisiert, der niedriger als die aktuelle Anzahl von Workern ist.

Weitere Informationen finden Sie unter Streaming-Autoscaling-Heuristik.

Fehlerbehebung bei Autoscaling-Zeitplänen

Wenn beim Erstellen, Aktualisieren oder Ausführen von Autoscaling-Zeitplänen Probleme auftreten, sehen Sie sich die folgenden häufigen Szenarien und Schritte zur Fehlerbehebung an.

Zeitplan für Autoscaling kann nicht festgelegt oder aktualisiert werden

Wenn ein Versuch, einen Autoscaling-Zeitplan zu erstellen oder zu aktualisieren, fehlschlägt, prüfen Sie, ob Ihre Zeitplankonfiguration die folgenden Einschränkungen erfüllt:

  • Zeitplanlimit: Ein einzelner Job kann maximal 10 Autoscaling-Zeitpläne haben. Wenn Sie einen neuen Zeitplan hinzufügen möchten, der Job aber bereits 10 Zeitpläne hat, müssen Sie zuerst einen vorhandenen Zeitplan entfernen.
  • Mindestdauer: Die Dauer des Zeitplans muss mindestens 5 Minuten (300 Sekunden) betragen.
  • Parametereinschränkungen:
    • Das CPU-Auslastungsziel muss zwischen [0,1, 0,9] liegen.
    • Die maximale Anzahl von Workern muss größer oder gleich der Mindestanzahl von Workern sein (max_workers ≥ min_workers).
  • Einschränkungen des Crontab-Formats beim Jobstart: Crontab-Ausdrücke, die beim Jobstart mit der Pipelineoption --experiments=autoscaling_schedule=... angegeben werden, dürfen keine Kommas enthalten (z. B. 1,15 * * * * oder * * * * MON,WED,FRI). Kommas sind für die Trennung von Pipelineoptionen reserviert. Wenn Ihr Zeitplan Kommas erfordert, starten Sie den Job ohne Zeitplan und konfigurieren Sie ihn nach dem Start mit einem In-Flight-Update oder geben Sie mehrere separate Zeitpläne an.

Das Programm wird nicht wirksam oder es wird ein anderes Programm angewendet

Wenn ein Autoscaling-Zeitplan nicht im erwarteten Zeitfenster wirksam wird oder die Einstellungen eines anderen Zeitplans angewendet werden, prüfen Sie Folgendes:

  • Es ist immer nur ein Zeitplan aktiv: Wenn sich zwei oder mehr Zeitpläne überschneiden, bestimmt Dataflow anhand der Zeitplanpriorität, welcher Zeitplan angewendet werden soll:
    • Der Zeitplan mit dem höheren Prioritätswert (priority) wird angewendet.
    • Wenn mehrere aktive Zeitpläne denselben Prioritätswert haben, wird der zuletzt aktualisierte oder geänderte Zeitplan angewendet.
    • Wenn die Dauer des aktiven Zeitplans endet, wendet Dataflow alle anderen Zeitpläne an, die noch aktiv sind, oder setzt das Autoscaling-Verhalten auf die Standardeinstellungen des Jobs zurück.
  • Zeitzonenabweichungen: Prüfen Sie, ob die für Ihren Zeitplan angegebene Zeitzone mit der gewünschten Region und den Regeln für die Sommerzeit übereinstimmt. Standardmäßig werden die Startzeiten des Zeitplans in UTC interpretiert.
  • Aktive Zeitpläne in der Console prüfen: Rufen Sie in der Google Cloud Console auf der Seite mit den Dataflow-Jobdetails den Tab Autoscaling auf, um zu sehen, welcher Zeitplan aktiv ist. Sie können die konfigurierten Zeitpläne und ihre Parameter auch prüfen, indem Sie den Befehl gcloud dataflow jobs describe ausführen oder die REST API abfragen.

Pipeline wird nicht auf die geplante Worker-Anzahl hochskaliert

Wenn ein Zeitplan mit höheren Worker-Limits oder niedrigeren Auslastungshinweisen aktiviert wird, die Pipeline aber nicht auf die erwartete Anzahl von Workern hochskaliert wird, prüfen Sie die folgenden Faktoren:

  • Ressourcen- und Kontingentlimits: Für das Hochskalieren ist ein ausreichendes Ressourcenkontingent in Ihrem Google Cloud -Projekt und Ihrer Region erforderlich. Die Worker-Zuweisung kann durch Folgendes verhindert werden:
    • Compute Engine-Instanzkontingente: Ihr Projekt erreicht möglicherweise das Instanzlimit für die Region.
    • CPU-Kontingente: Wenn Ihre Worker mehrere CPUs verwenden (z. B. n1-standard-4), muss Ihr Projekt ein ausreichendes CPU-Kontingent haben.
    • Kontingente für IP-Adressen: Jede Worker-VM benötigt eine IP-Adresse. Wenn das Kontingent für IP-Adressen in Ihrem VPC-Netzwerk oder Ihrer Region erschöpft ist, können keine neuen Worker bereitgestellt werden.
    • Ressourcenverfügbarkeit: Wenn in der Region oder Zone vorübergehend keine Ressourcen mehr verfügbar sind, kann Dataflow möglicherweise keine neuen Worker-Instanzen erstellen, selbst wenn ein Kontingent verfügbar ist. Weitere Informationen finden Sie unter Hochskalierung wird beendet.
  • Empfindlichkeit der Latenzstufe: Wenn im aktiven Zeitplan eine Latenzstufe von medium_latency oder high_latency konfiguriert ist, wartet Dataflow absichtlich, bis sich mehr Rückstand angesammelt hat, bevor Hochskalierungsereignisse ausgelöst werden:

    • low_latency (Standard): Wird hochskaliert, wenn der Rückstand 15 Sekunden überschreitet.
    • medium_latency: wird hochskaliert, wenn der Rückstand 180 Sekunden (3 Minuten) überschreitet.
    • high_latency: wird hochskaliert, wenn der Rückstand 600 Sekunden (10 Minuten) überschreitet.

    Wenn Ihr Job während eines geplanten Zeitfensters verzögert oder die Skalierung verzögert wird, prüfen Sie, ob im aktiven Zeitplan eine höhere Latenzstufe konfiguriert ist.

  • Schlüsselbasierte Parallelitätslimits: Dataflow kann nicht über die Anzahl der eindeutigen Verarbeitungsschlüssel hinaus skalieren, die in dieser Phase verfügbar sind. Wenn Ihr Datenstream nur wenige eindeutige Schlüssel enthält, kann der Durchsatz durch das Hinzufügen von Workern nicht verbessert werden. Dataflow begrenzt die Anzahl der Worker, um inaktive Ressourcen zu vermeiden.

  • Stabilität des Worker-Pools: Wenn Worker-Instanzen abstürzen oder Fehler aufgrund von unzureichendem Arbeitsspeicher auftreten, pausiert Dataflow vorübergehend Anfragen zur Größenanpassung für das Autoscaling, bis sich der Worker-Pool stabilisiert hat.

Lücken in Autoscaling-Messwerten

Es gibt kurze, vorübergehende Lücken bei den Autoscaling-Messwerten.

Dieses Problem kann auftreten, wenn Backend-Aufgaben neu gestartet werden. Diese Lücken in den Messwerten weisen nicht auf ein Problem mit dem Autoscaling oder der Zuverlässigkeit des Streamingjobs hin.

CPU ist ungleichmäßig verteilt

Beim Autoscaling des Jobs wird die CPU-Auslastung ungleichmäßig auf die Worker verteilt. Einige Worker haben eine höhere CPU-Auslastung, Systemlatenz oder Datenaktualität als andere.

Dieses Problem kann auftreten, wenn Ihre Daten einen übergroßen Schlüssel enthalten. Ein übergroßer Schlüssel ist ein Schlüssel mit so vielen Elementen, dass es sich negativ auf die Pipeline-Leistung auswirkt. Jeder Schlüssel muss von einem einzelnen Worker verarbeitet werden, sodass die Arbeit nicht auf Worker aufgeteilt werden kann.

Weitere Informationen finden Sie in den Hinweisen zu fehlerhaften „heißen” Schlüsseln.

Das Arbeitselement, das den Zustand anfordert, ist im Backend nicht mehr gültig.

Während der Kommunikation zwischen Worker-VM-Instanzen und Streaming Engine-Aufgaben in einer Streaming-Pipeline tritt der folgende Fehler auf:

The work item requesting state read is no longer valid on the backend.
The work has already completed or will be retried.
This is expected during autoscaling events.

Während des Autoscalings kommunizieren Worker-VM-Instanzen mit mehreren Streaming Engine-Aufgaben und jede Aufgabe stellt mehrere Worker-VM-Instanzen bereit. Elementschlüssel werden zur Verteilung der Arbeit verwendet. Jede Aufgabe und Worker-VM-Instanz hat eine Sammlung von Schlüsselbereichen und die Verteilung dieser Bereiche kann sich dynamisch ändern. Während der automatischen Skalierung kann beispielsweise die Größenanpassung des Jobs dazu führen, dass sich die Verteilung des Schlüsselbereichs ändert. Wenn sich ein Schlüsselbereich ändert, kann dieser Fehler auftreten. Der Fehler wird erwartet. Wenn Sie keine Korrelation zwischen diesen Nachrichten und einer leistungsschwachen Pipeline feststellen, können Sie sie ignorieren.

Unzureichende Streaming Engine-Ressourcen

Wenn die Streaming Engine die von Ihnen angeforderte Mindestanzahl von Workern nicht zuweisen kann, wird der folgende Fehler zurückgegeben:

Streaming Engine does not currently have enough resources available to fulfill
the request.

Legen Sie eine kleinere Mindestanzahl von Workern fest, um dieses Problem zu beheben. Weitere Informationen finden Sie unter Autoscaling-Bereich festlegen.

Skalierungsbereich für Streaming-Autoscaling-Pipelines

Dieser Abschnitt enthält Details zum Skalierungsbereich für Streaming-Autoscaling-Pipelines.

Java

Bei Streaming-Autoscaling-Jobs, die nicht Streaming Engine verwenden, werden jedem Worker vom Dataflow-Dienst 1 bis 15 nichtflüchtige Speicher zugeordnet. Die Mindestanzahl der Worker, die für eine Streaming-Autoscaling-Pipeline verwendet werden, ist also N/15, wobei N der Wert von --maxNumWorkers ist.

Für Streaming-Autoscaling-Jobs, die Streaming Engine verwenden, ist die Mindestanzahl von Workern 1.

Dataflow gleicht die Anzahl der nichtflüchtigen Speicher zwischen den Workern aus. Wenn die Pipeline beispielsweise im stabilen Zustand drei oder vier Worker benötigt, können Sie --maxNumWorkers=15 festlegen. Die Pipeline führt in diesem Fall automatisch eine Skalierung zwischen 1 und 15 Workern durch. Dabei werden 1, 3, 5 oder 15 Worker verwendet, die jeweils 15, 5, 3 oder 1 Persistent Disk pro Worker entsprechen.

--maxNumWorkers kann maximal 1000 sein.

Python

Bei Streaming-Autoscaling-Jobs, die nicht Streaming Engine verwenden, werden jedem Worker vom Dataflow-Dienst 1 bis 15 nichtflüchtige Speicher zugeordnet. Die Mindestanzahl der Worker, die für eine Streaming-Autoscaling-Pipeline verwendet werden, ist also N/15, wobei N der Wert von --max_num_workers ist.

Für Streaming-Autoscaling-Jobs, die Streaming Engine verwenden, ist die Mindestanzahl von Workern 1.

Dataflow gleicht die Anzahl der nichtflüchtigen Speicher zwischen den Workern aus. Wenn die Pipeline beispielsweise im stabilen Zustand drei oder vier Worker benötigt, können Sie --max_num_workers=15 festlegen. Die Pipeline führt in diesem Fall automatisch eine Skalierung zwischen 1 und 15 Workern durch. Dabei werden 1, 2, 3, 4, 5, 8 oder 15 Worker verwendet, die jeweils 15, 8, 5, 4, 3, 2 oder 1 Persistent Disks pro Worker entsprechen.

--max_num_workers kann maximal 1000 sein.

Go

Bei Streaming-Autoscaling-Jobs, die nicht Streaming Engine verwenden, werden jedem Worker vom Dataflow-Dienst 1 bis 15 nichtflüchtige Speicher zugeordnet. Die Mindestanzahl der Worker, die für eine Streaming-Autoscaling-Pipeline verwendet werden, ist also N/15, wobei N der Wert von --max_num_workers ist.

Für Streaming-Autoscaling-Jobs, die Streaming Engine verwenden, ist die Mindestanzahl von Workern 1.

Dataflow gleicht die Anzahl der nichtflüchtigen Speicher zwischen den Workern aus. Wenn die Pipeline beispielsweise im stabilen Zustand drei oder vier Worker benötigt, können Sie --max_num_workers=15 festlegen. Die Pipeline führt in diesem Fall automatisch eine Skalierung zwischen 1 und 15 Workern durch. Dabei werden 1, 2, 3, 4, 5, 8 oder 15 Worker verwendet, die jeweils 15, 8, 5, 4, 3, 2 oder 1 Persistent Disks pro Worker entsprechen.

--max_num_workers kann maximal 1000 sein.

Maximale Anzahl der Worker, die Autoscaling für Streaming verwenden können

Java

Die Ausführung von Dataflow wird durch das Compute Engine-Kontingent für die Instanzanzahl für Ihr Projekt oder durch maxNumWorkers begrenzt, je nachdem, welcher Wert geringer ist.

Python

Die Ausführung von Dataflow wird durch das Compute Engine-Kontingent für die Instanzanzahl für Ihr Projekt oder durch max_num_workers begrenzt, je nachdem, welcher Wert geringer ist.

Go

Die Ausführung von Dataflow wird durch das Compute Engine-Kontingent für die Instanzanzahl für Ihr Projekt oder durch max_num_workers begrenzt, je nachdem, welcher Wert geringer ist.

Autoscaling begrenzen, um die Auswirkungen auf die Abrechnung zu reduzieren

Wenn Sie nicht möchten, dass das Autoscaling Ihre Rechnung erhöht, können Sie die maximale Anzahl der Worker begrenzen, die der Streamingjob verwenden kann.

Java

Indem Sie --maxNumWorkers festlegen, begrenzen Sie den Skalierungsbereich, der zur Verarbeitung Ihres Jobs verwendet wird.

Python

Indem Sie --max_num_workers festlegen, begrenzen Sie den Skalierungsbereich, der zur Verarbeitung Ihres Jobs verwendet wird.

Go

Indem Sie --max_num_workers festlegen, begrenzen Sie den Skalierungsbereich, der zur Verarbeitung Ihres Jobs verwendet wird.

Skalierungsbereich ändern

Informationen zum Ändern des Skalierungsbereichs einer Streamingpipeline finden Sie unter Autoscaling-Bereich festlegen.

Autoscaling für Streamingpipelines deaktivieren

Führen Sie die folgenden Schritte aus, um Autoscaling in der Streamingpipeline zu deaktivieren.

Java

Legen Sie dazu --autoscalingAlgorithm=NONE fest. Weitere Informationen finden Sie unter Horizontales Autoscaling deaktivieren.

Python

Legen Sie dazu --autoscaling_algorithm=NONE fest. Weitere Informationen finden Sie unter Horizontales Autoscaling deaktivieren.

Go

Legen Sie dazu --autoscaling_algorithm=NONE fest. Weitere Informationen finden Sie unter Horizontales Autoscaling deaktivieren.

Feste Anzahl von Workern verwenden

Bei Streamingjobs ohne Streaming Engine wird standardmäßig eine feste Anzahl von Workern verwendet. Wenn Sie Streaming-Autoscaling mit diesen Pipelines verwenden möchten, müssen Sie es explizit aktivieren, da es standardmäßig nicht aktiviert ist.