Serverless 是一種新興的無服務器架構(gòu)，使用它，開發(fā)者只需專注于代碼，無需關(guān)心運維、資源交付或者部署。

本文將從代碼的角度，通過改造一個 Python 應用來幫助讀者從側(cè)面理解 Serverless，讓應用繼承 Serverless 架構(gòu)的優(yōu)點。

[[230487]]

現(xiàn)有資源：

•  一個成熟的基因?qū)Ρ人惴?Python實現(xiàn)，運行一次的時間花費為 2 秒)
•  2020 個基因樣本文件(每個文件的大小為 2M，可以直接作為算法的輸入)
• 一臺 8 核心云主機

基因檢測服務

我們使用上面的資源來對比兩個人的基因樣本并 print 對比結(jié)果(如：有直系血緣關(guān)系的概率)

我們構(gòu)造目錄結(jié)構(gòu)如下：

. 
├── relation.py 
└── samples 
    ├── one.sample 
    └── two.sample 

relations.py 代碼如下：

import sys 
 
def relationship_algorithm(human_sample_one, human_sample_two): 
    # it's a secret 
    return result 
 
if __name__ == "__main__": 
    length = len(sys.argv) 
    # sys.argv is a list, the first element always be the script's name 
    if length != 3: 
        sys.stderr.write("Need two samples") 
    else: 
        # read the first sample 
        with open(sys.argv[1], "r") as sample_one: 
            sample_one_list = sample_one.readlines() 
        # read the second sample 
        with open(sys.argv[2], "r") as sample_two: 
            sample_two_list = sample_two.readlines() 
        # run the algorithm 
        print relationship_algirithm(sample_one_list, sample_two_list) 

使用方法如下：

➜ python relation.py ./samples/one.sample ./samples/two.sample 
➜ 0.054 

流程比較簡單，從本地磁盤讀取兩個代表基因序列的文件，經(jīng)過算法計算，***返回結(jié)果

我們接到了如下業(yè)務需求

假設有 2000 人尋找自己的孩子，20 人尋找自己的父親

首先收集唾液樣本經(jīng)過專業(yè)儀器分析后，然后生成樣本文件并上傳到我們的主機上，一共 2020 個樣本文件，***我們需要運行上面的算法

• 2000 * 20 = 40000(次)

才可完成需求，我們計算一下總花費的時間：

• 40000(次) * 2(秒)= 80000 (秒)
• 80000(秒)/ 60.0 / 60.0 ≈ 22.2(小時)

串行需要花費 22 小時才能算完，太慢了，不過我們的機器是 8 核心的，開 8 個進程一起算：

• 22.2 / 8 ≈ 2.76(小時)

也要快 3 個小時，還是太慢，假設 8 核算力已經(jīng)到極限了，接下來如何優(yōu)化呢?

1.1.1 介紹一種 Serverless 產(chǎn)品：UGC

UCloud General Compute

與 AWS 的 lambda 不同，UGC 允許你將計算密集型算法封裝為 Docker Image (后文統(tǒng)稱為「算法鏡像」)，只需將算法鏡像 push 到指定的算法倉庫中，UGC 會將算法鏡像預先 pull 到一部分計算節(jié)點上，當你使用以下兩種形式：

• 算法鏡像的名字和一些驗證信息通過 querystring 的形式 (例如：http://api.ugc.service.ucloud.cn?ImageName=relation&Token=!Q@W#E)
• 算法鏡像所需的數(shù)據(jù)通過 HTTP body 的形式

特別構(gòu)造的 HTTP 請求發(fā)送到 UGC 的 API 服務時，「任務調(diào)度器」會幫你挑選已經(jīng) pull 成功算法鏡像的節(jié)點，并將請求調(diào)度過去，然后啟動此算法鏡像「容器」將此請求的 HTTP body 以標準輸入 stdin 的形式傳到容器中，經(jīng)過算法計算，再把算法的標準輸出 stdout 和標準錯誤 stderr 打成一個 tar 包，以 HTTP body 的形式返回給你，你只需要把返回的 body 當做 tar 包來解壓即可得到本次算法運行的結(jié)果。

講了這么多，這個產(chǎn)品使你可以把密集的計算放到了數(shù)萬的計算節(jié)點上，而不是我們小小的 8 核心機器，有數(shù)萬核心可供使用，那么如何使用如此海量的計算資源呢，程序需要小小的改造一下

1.1.2 針對此 Serverless 架構(gòu)的改造

兩部分：

•  改造算法中元數(shù)據(jù)從「文件輸入」改為「標準輸入」，輸出改為「標準輸出」
•  開發(fā)客戶端構(gòu)造 HTTP 請求，并提高并發(fā)

1. 改造算法輸入輸出

① 改造輸入為 stdin

cat ./samples/one.sample ./samples/two.sample | python relation.py 

這樣把內(nèi)容通過管道交給 relation.py 的 stdin，然后在 relation.py 中通過以下方式拿到：

import sys 
 
mystdin = sys.stdin.read() 
# 這里的 mystdin 包含 ./samples/one.sample ./samples/two.sample 的全部內(nèi)容，無分隔，實際使用可以自己設定分隔符來拆分 

② 將算法的輸出數(shù)據(jù)寫入 stdout

# 把標準輸入拆分為兩個 sample 
sample_one, sample_two = separate(mystdin) 
 
# 改造算法的輸出為 STDOUT 
def relationship_algorithm(sample_one, sample_two) 
    # 改造前 
    return result 
    # 改造后 
    sys.stdout.write(result) 

到此就改造完了，很快吧

2. 客戶端與并發(fā)

剛才我們改造了算法鏡像的邏輯(任務的執(zhí)行)，現(xiàn)在我們來看一下任務的提交：

構(gòu)造 HTTP 請求并讀取返回結(jié)果

imageName = "cn-bj2.ugchub.service.ucloud.cn/testbucket/relationship:0.1" 
token = tokenManager.getToken() # SDK 有現(xiàn)成的 
 
# summitTask 構(gòu)造 HTTP 請求并將鏡像的 STDOUT 打成 tar 包返回 
response = submitTask(imageName, token, data) 

它也支持異步請求

之前提到，此 Serverless 產(chǎn)品會將算法的標準輸出打成 tar 包放到 HTTP body 中返回給客戶端，所以我們準備此解包函數(shù)：

import tarfile 
import io 
 
def untar(data): 
    tar = tarfile.open(fileobj=io.BytesIO(data)) 
    for member in tar.getmembers(): 
        f = tar.extractfile(member) 
        with open('result.txt','a') as resultf: 
            strs = f.read() 
            resultf.write(strs) 

解開 tar 包，并將結(jié)果寫入 result.txt 文件

假設我們 2200 個樣本文件的絕對路徑列表可以通過 get_sample_list 方法拿到

sample_2000_list, sample_20_list = get_sample_list()

計算 2000 個樣本與 20 個樣本的笛卡爾積，我們可以直接使用 itertools.product

import itertools  
all = list(itertools.product(sample_2000_list, sample_20_list))  
assert len(all) == 40000 

結(jié)合上面的代碼段，我們封裝一個方法：

def worker(two_file_tuple): 
    sample_one_dir, sample_two_dir = two_file_tuple 
 
    with open(sample_one_dir) as onef: 
        one_data = onef.read() 
    with open(samle_two_dir) as twof: 
        two_data = twof.read() 
     
    data = one_data + two_data 
    response = summitTask(imageName, token, data) 
    untar(response) 

因為構(gòu)造 HTTP 請求提交是 I/O 密集型而非計算密集型，所以我們使用協(xié)程池處理是非常高效的：

import gevent.pool 
import gevent.monkey 
gevent.monkey.patch_all() # 猴子補丁 
 
pool = gevent.pool.Pool(200) 
pool.map(worker, all) 

只是提交任務 200 并發(fā)很輕松

全部改造完成，我們來簡單分析一下：

之前是 8 個進程跑計算密集型算法，現(xiàn)在我們把計算密集型算法放到了 Serverless 產(chǎn)品中，因為客戶端是 I/O 密集型的，單機使用協(xié)程可以開很高的并發(fā)，我們不貪心，按 200 并發(fā)來算：

進階閱讀：上面這種情況下帶寬反而有可能成為瓶頸，我們可以使用 gzip 來壓縮 HTTP body，這是一個計算比較密集的操作，為了 8 核心算力的高效利用，可以將樣本數(shù)據(jù)分為 8 份，啟動 8 個進程，進程中再使用協(xié)程去提交任務就好了。

• 40000 * 2 = 80000(秒)
• 80000 / 200 = 400(秒)

也就是說進行

一組檢測只需要 400 秒，從之前的 7 天提高到 400 秒，成果斐然，圖表更直觀：

而且算力瓶頸還遠未達到，任務提交的并發(fā)數(shù)還可以提升，再給我們一臺機器提交任務，便可以縮短到 200 秒，4 臺 100 秒，8 臺 50 秒...

最重要的是改造后的架構(gòu)還繼承了 Serverless 架構(gòu)的優(yōu)點：

• 免運維
• 高可用
• 按需付費
• 發(fā)布簡單

1. 免運維 -- 因為你沒有服務器了...

2. 高可用 -- Serverless 服務一般依托云計算的強大基礎(chǔ)設施，任何模塊都不會只有單點，都盡可能做到跨可用區(qū)，或者跨交換機容災，而且本次使用的服務有一個有趣的機制：同一個任務，你提交一次，會被多個節(jié)點執(zhí)行，如果一個計算節(jié)點掛了，其他節(jié)點還可以正常返回，哪個先執(zhí)行完，先返回哪個。

3. 按需付費 -- 文中說每個算法執(zhí)行一次花費單核心 CPU 時間 2 秒，我們直接算一下花費

• 2000 * 20 * 2 = 80000(秒)
• 80000 / 60 / 60 = 22.22(小時)
• 22.22(小時) * 0.09(元) * 1(核心) ~= 2(元)
• 每核時 0.09 元(即單核心 CPU 時間 1 小時，計費 9 分錢)

4. 發(fā)布簡單 -- 因為使用 Docker 作為載體，所以它是語言無關(guān)的，而且發(fā)布也很快，代碼寫好直接上傳鏡像就好了，至于灰度，客戶端 imageName 指定不同版本即可區(qū)分不同代碼了

不同的 Serverless 產(chǎn)品可能有不同的改造方法，作為工程師，我比較喜歡這種方式，改造成本低，靈活性高，你覺得呢?如果對 Serverless 架構(gòu)或者 UGC 感興趣的話可以添加 u_nknow 微信拉你進交流群哦