关于腾讯云:权威指南Serverless-未来十年发展解读-伯克利分校实验室分享上

31次阅读

共计 4516 个字符,预计需要花费 12 分钟才能阅读完成。

编者按

本文整顿自 Johann Schleier-Smith 在 ServerlessDays China 的演讲,是来自加州大学伯克利分校计算机科学 Riselab 团队的研究成果。

ServerlessDays 是由寰球 Serverless 开发者发动的国内技术会议。2020 年由腾讯云 Serverless 团队引入中国,并承办了首届 ServerlessDays China 会议。会上 Johann Schleier-Smith 代表伯克利计算机科学 Riselab 实验室进行了主题发言。

本次演讲次要分为四个局部:首先论述 UC Berkeley 怎么来定义 Serverless,之后会分享一些近期的研究成果和停顿,最初提出对云计算将来的一些预测和构想。

一、定义 Serverless

大家对于 Function as a Service 函数即服务应该都比拟相熟,例如腾讯的 SCF,Azure Functions 和 AWS Lambda 等等,这些服务中,你能够将一段代码(通常是无状态的利用代码)上传到云端,之后基于 API 调用或者配置触发器等形式,随时在云端执行你上传的代码。很棒的一点是,FaaS 服务是按需付费的,依据执行工夫和调用次数计费。

那么对于 Backend as a Service 后端即服务,置信大家也都据说过,但并不理解 BaaS 的精确含意。其中的一个重要起因是,BaaS 这个词对于不同的人来说含意也不同,对咱们来说,BaaS 是和 FaaS 绝对应的概念,其中“即服务”指的是不以“服务器”的形式来提供服务。例如腾讯云的 COS 对象存储服务,AWS DynamoDB 等,都算做是后端即服务。

从定义能够看出,FaaS 和 BaaS 的特点互相响应和紧密结合,例如 FaaS 是无状态的,而 BaaS 是有状态的;FaaS 基本上能够反对所有运行时的代码,而 BaaS 对编程模型的限度更严格,或者简直不波及编程模型,例如对象存储服务。但能够看到,单方的相同点在于 弹性伸缩和按需付费

能够认为 Serverless Computing 是一种用云的简化形式。咱们能够用上面这张图来阐明。从最底下开始,在最底层你须要硬件,要有 CPU,网络,存储,和一些加速器(如 GPU 或者机器学习的加速器),在这之上云通过虚拟化技术提供了形象层,硬件服务器被分隔成了多个相互隔离的虚拟机 / 虚构公有网络,这一层的服务状态和底层架构是相似的,对于利用层面来说应用起来也有一些简单,所以呈现了 Serverless 的概念,在这一层中 Serverless 化的服务让调用基础设施变得更加简略。

接下来咱们能够看下,为什么说传统的服务器托管比较复杂呢?次要是因为有太多方面须要思考,即便对于一个简略的利用而言,你也要思考上面这些方面:可用性,多地区部署,扩缩容,监控告警和排障,系统升级和安全漏洞,迁徙策略等等。

有个十分经典的案例能够阐明传统和 Serverless 架构的区别。在这个例子中,心愿实现非常简单的性能:上传图片,对图片做压缩后,提取并存储图片的点赞和门路等信息到数据库等。如果你要用服务器来做,则须要十分长的解决和搭建流程;然而如果用 Serverless 架构来做,则只须要负责 FaaS 的代码解决逻辑即可。然而这里要强调的是,该利用的实现不只须要 FaaS 的解决,也同样须要 BaaS 服务的配合,能力实现残缺的 Serverless 架构。

总结起来,在 UC Berkeley 咱们认为 Serverless 须要满足上面三个要害个性:

  1. 暗藏了服务器 的概念。尽管服务器仍然存在,但开发者不感知,也 无需针对服务器进行繁琐开发和运维 操作
  2. 提供了一种 按需付费 的计费模型,并且在 资源闲暇时不免费
  3. 提供极致的 弹性伸缩 能力,从而让资源的提供完满适配业务需要

如果举例说明,能够将传统服务器和 Serverless 用租车和打车来做比照。(不开展)

云计算的进化历程能够从资源的调配和免费模型中看出,在传统的硬件时代,须要预调配物理资源来承载业务;而在服务器时代,则须要通过粒度较粗的服务器实例来进行扩缩容和计费,用于承载业务;在 Serverless 时代,能力真正做到极致弹性和按需付费。

因而,在 Berkeley 咱们认为 Serverless 是云计算的下一个阶段,不仅因为弹性伸缩和按需付费的特点,还有个重要起因是,咱们认为 Serverless 扭转了人和电脑合作的形式。

在云计算的第一阶段,极大的简化了系统管理员的职责,人们能够通过 API 的形式取得服务器,无需自建机房。这种获取资源的形式非常简略,开发者都能够轻易的实现资源的购买和配置。而在这一阶段,云服务商则负责管理并保障这些资源的稳定性。

在云计算的第二阶段,在运维 / 管理员之外,进一步简化了开发者的职责。开发者不须要关怀简单的资源分配 / 运维逻辑,只须要写好原生业务逻辑,上传到云端后就能够执行,无需放心扩缩容的问题。而云服务商则承当了系统管理员和资源管理的角色。在这阶段,云计算对开发者编程模式的扭转,就如同十年前的第一阶段中,云计算对系统管理员的职责转变一样,是非常重大的转折。这一转变也极大的激励了开发者,拓展了他们的能力边界,开发者能够专一于业务实现,无需放心底层资源的运维。

二、Serverless 研究成果和亮点

在第二局部,我想分享一些 Berkeley 最近的研究成果。咱们发现,Serverless 中 FaaS 局部很难解决所有问题,因为函数即服务从平台层面有诸多限度:

首先是运行工夫的限度,以后各云平台对于 FaaS 的运行工夫都有 10-15 分钟的限度,这种限度影响了许多场景的实现,尤其是一些强状态依赖的场景,例如长时间放弃数据库连贯的状况等。

此外,FaaS 平台只能反对短暂的有状态性(Ephemeral State),没有磁盘能够存储或者永恒保留状态信息。

第三点,以后不能间接和函数服务进行网络通信,函数即服务能够提供外访能力,但对于入流量的反对不够敌对,例如在你开发的利用中,获取到函数中的一些数据会比拟艰难,从而可能会影响软件本来的开发方式,须要做额定的适配。

最初一个限度是在硬件层面的,例如一个机器学习方面的利用利用了 GPU 硬件,在以后的 Serverless 计算层面是难以提供 Serverless GPU 计算资源的。

当新的技术趋势呈现时,学术界往往十分沉闷,从近几年的对 Serverless 方向钻研的论文数就能够看出。如下图所示,最近几年来,Serverless 方向的论文数每年都在翻倍增长,在 2020 年,已发表 + 打算发表的论文将持续翻倍,达到近 300 篇。

在分享一些具体研究成果之前,我想先简略介绍下几种不同的 Serverless 钻研方向:

  1. 具体利用的形象:选取一个场景,将其 Serverless 化,不会做太多通用层面的形象。例如针对大数据检索并生成报表等,只有用 Serverless 解决该场景下的问题即可。
  2. 通用的形象:我认为这个层面的钻研最有意思,并且本人也在做这方面的钻研。即通过满足一些条件,即可让任意业务适配 Serverless 架构。实质上说,这就波及到怎么针对分布式系统进行开发模式的简化。
  3. 实现层面:当函数即服务刚推出的时候,在效率等方面有很多待晋升的中央。目前尽管曾经有一些改善,但从学术层面仍然有十分多可深刻优化的中央,例如 FaaS 平台将一直谋求更低的提早,更好地状态共享,租户隔离,极致的弹性扩大等方面。

接下来我将分享 Berkeley 近期在以下五个方面的研究成果,别离是 Serverless 机器学习,以及用于反对机器学习的 GPU 相干的内核即服务,之后会分享状态性相干的云函数文件系统和 Starburst,最初会通过瞻望 Serverless 数据中心来收尾。

第一个是机器学习方面的钻研,以后其实在云端曾经提供了利用层面的 Serverless 机器学习服务,例如 AWS 的 Sagemaker 服务,用户只有输出数据,设置好模型,Sagemaker 就会帮忙做训练,并依照模型的训练工夫来计费。但这个服务仅是针对机器学习这个特定场景的,并不具备普适性,此外,对于模型有定制化需要,或者训练步骤有改变场景(例如 Berkeley 的一些新的训练算法),这个服务并不能齐全满足需要。

那么是否能够推出更加通用的机器学习解决方案呢?例如把数据或者代码作为函数的输出,并将其运行在 AWS Lambda 函数服务及 Cirrus 上进行机器学习训练。因而团队开发了 Cirrus 的机器学习库,能够让用户不便的在 Lambda 上端到端地进行机器学习训练,满足定制化需要。

Cirrus 团队在 FaaS 平台上做了很多尝试,也遇到了十分多平台的限度,例如内存过小,上传的代码包大小有限度,不反对 P2P (peer to peer) 点对点传输,没有疾速的存储介质,实例的生命周期无限,会被回收和重启等。

然而依据左边的试验后果能够看出,在越短的执行工夫内,Cirrus 的性能体现越好,甚至优于其余几种机器学习技术。因而你能够依据本人的训练模型和需要抉择要不要应用 Cirrus 作为 Serverless 机器学习的训练计划。

参考文献:

  • ucbrise/cirrus
  • [Cirrus: a Serverless Framework for End-to-end ML Workflows]https://people.eecs.berkeley….

第二个研究课题是对于机器学习作为容器即服务 (Kernel as a Service) 的。大家都晓得以后 FaaS 次要运行在 CPU 的硬件上,而在机器学习畛域,GPU 针对许多算法和工作流提供了十分重要的减速作用。因而 Berkeley 团队心愿提供一种计划,将 GPU 和 Serverless 计算更好地联合在一起。

因为老本 / 价格起因,目前商业化的云函数服务不提供 GPU 函数。因为 GPU 服务器价格昂扬,须要针对机器利用率做进一步优化后能力真正进行商业化应用。因而,咱们提出了 KaaS 容器即服务的概念,和 FaaS 的 Node.js 和 Python 等运行时一样,只不过 KaaS 中运行时反对的是面向 GPU 的语言如 CUDA 或 OpenCL。但以后钻研的挑战在于,是否能够齐全通过纯 GPU 语言来编写 KaaS 服务,齐全解脱对 CPU 代码的依赖呢?

下图能够进一步解释这个理念,一种形式是在函数平台中同时提供 CPU 和 GPU 的反对,即每个函数的底层架构中既有 CPU、内存卡,也有 GPU 加速器。

然而有挑战的中央在于,是否能够像下图一样,提供一个 GPU-only 的纯 GPU 底层来运行函数呢?这样能够彻底辨别 CPU/ 内存型函数和 GPU 型函数,因为以后从通信模式上还比拟难将 CPU 和 GPU 从硬件上彻底离开,这将是钻研中比拟大的一个挑战。

参考文献:PyPlover: A System for GPU-enabled Serverless Instances

第三个研究课题次要是 Serverless 文件系统 —— 状态性方面的优化,也是十分有价值的一个方向。见下篇:《权威指南:Serverless 将来十年倒退解读 — 伯克利分校实验室分享(下)》

One More Thing

立刻体验腾讯云 Serverless Demo,支付 Serverless 新用户礼包 ???? serverless/start

欢送拜访:Serverless 中文网!

正文完
 0