之前写过一篇文章：Serverless架构与资源评估：性能与成本探索
是关于性能和成本的探索，探索之后，就不得不引出一个新的问题：我们在使用Serverless架构的时候，要如何来设置自己的运行内存和超时时间呢？
其实评估的方法有很多，但是今天我想分享一下我的评估方法。
首先，我会将我的函数上线，选择一个稍微大一点的内存，例如，我将我的函数执行一次：
image
得到这样的结果，我就将我的函数设置为128M或者256M，超时时间设置成3S。
然后我让我的函数跑一段时间，例如我这个接口每天触发次数大约为4000+次：
image
我就将这个函数的日志捞出来，写成一脚本，做统计：
import json, time, numpy, base64
import matplotlib.pyplot as plt
from matplotlib import font_manager
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException
from tencentcloud.scf.v20180416 import scf_client, models
secretId = ""
secretKey = ""
region = "ap-guangzhou"
namespace = "default"
functionName = "course"
font = font_manager.FontProperties(fname="./fdbsjw.ttf")
try:
cred = credential.Credential(secretId, secretKey)
httpProfile = HttpProfile()
httpProfile.endpoint = "scf.tencentcloudapi.com"
clientProfile = ClientProfile()
clientProfile.httpProfile = httpProfile
client = scf_client.ScfClient(cred, region, clientProfile)
req = models.GetFunctionLogsRequest()
strTimeNow = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(time.time())))
strTimeLast = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(time.time()) - 86400))
params = {
"FunctionName": functionName,
"Limit": 500,
"StartTime": strTimeLast,
"EndTime": strTimeNow,
"Namespace": namespace
}
req.from_json_string(json.dumps(params))
resp = client.GetFunctionLogs(req)
durationList = []
memUsageList = []
for eveItem in json.loads(resp.to_json_string())["Data"]:
durationList.append(eveItem['Duration'])
memUsageList.append(eveItem['MemUsage'] / 1024 / 1024)
durationDict = {
"min": min(durationList), # 运行最小时间
"max": max(durationList), # 运行最大时间
"mean": numpy.mean(durationList) # 运行平均时间
}
memUsageDict = {
"min": min(memUsageList), # 内存最小使用
"max": max(memUsageList), # 内存最大使用
"mean": numpy.mean(memUsageList) # 内存平均使用
}
plt.figure(figsize=(10, 15))
plt.subplot(4, 1, 1)
plt.title('运行次数与运行时间图', fontproperties=font)
x_data = range(0, len(durationList))
plt.plot(x_data, durationList)
plt.subplot(4, 1, 2)
plt.title('运行时间直方分布图', fontproperties=font)
plt.hist(durationList, bins=20)
plt.subplot(4, 1, 3)
plt.title('运行次数与内存使用图', fontproperties=font)
x_data = range(0, len(memUsageList))
plt.plot(x_data, memUsageList)
plt.subplot(4, 1, 4)
plt.title('内存使用直方分布图', fontproperties=font)
plt.hist(memUsageList, bins=20)
with open("/tmp/result.png", "rb") as f:
base64_data = base64.b64encode(f.read())
print("-" * 10 + "运行时间相关数据" + "-" * 10)
print("运行最小时间:\t", durationDict["min"], "ms")
print("运行最大时间:\t", durationDict["max"], "ms")
print("运行平均时间:\t", durationDict["mean"], "ms")
print("\n")
print("-" * 10 + "内存使用相关数据" + "-" * 10)
print("内存最小使用:\t", memUsageDict["min"], "MB")
print("内存最大使用:\t", memUsageDict["max"], "MB")
print("内存平均使用:\t", memUsageDict["mean"], "MB")
print("\n")
plt.show(dpi=200)
except TencentCloudSDKException as err:
print(err)
运行结果：
----------运行时间相关数据----------
运行最小时间: 6.02 ms
运行最大时间: 211.22 ms
运行平均时间: 54.79572 ms
----------内存使用相关数据----------
内存最小使用: 17.94921875 MB
内存最大使用: 37.21875190734863 MB
内存平均使用: 24.83201559448242 MB
image
通过这样一个结果，可以清楚看出，近500次，每次函数的时间消耗和内存使用。
可以看到时间消耗，基本在1S以下，所以此处超时时间设置成1S基本就是合理的，而内存使用基本是64M以下，所以此时内存设置成64M就可以。
我还有另一个函数：
----------运行时间相关数据----------
运行最小时间: 63445.13 ms
运行最大时间: 442629.12 ms
运行平均时间: 91032.31301886792 ms
----------内存使用相关数据----------
内存最小使用: 26.875 MB
内存最大使用: 58.69140625 MB
内存平均使用: 36.270415755937684 MB
image
如果上一个函数，是一个非常平稳和光滑的函数，很容易预估资源使用率，那么这个函数则可以很明显看出波动，运行时间层面，可以看到绝大部分在150S以下，部分不到200S，最高峰值近450S，所以这个时候，我们就可以根据我们的业务需求来判定，这个突然之间增加到450S的请求，是否可以被中止，此时，我推荐将这个函数的超时时间设置为200S，至于内存部分，可以看到绝大部分都是40MB以内，部分出现在45-55MB，最高未超过60MB，所以此时可以推荐这个函数设置为64MB。
其实目前来说，云函数在执行时，可能会有一定的波动，所以无论是内存使用还是超时时间，都可能会出现一定的波动，可以根据自身的业务需求来做一些舍弃，将我们的资源使用量压到最低，节约成本。
我的做法基本就是分为两步走：
- 简单运行两次，评估一下基础资源使用量，然后设置一个稍微偏高的值；
- 函数运行一段时间，得到一定的样本值，在进行数据可视化和基本的数据分析，得到一个相对稳定权威的数据；
image
