我是如何为Serverless配置内存和超时时间的

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：

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：

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

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

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；

---