Serverless 的内存配置与超时时间

当我们使用 Serverless 架构的时候，如何设置运行内存和超时时间呢？

在上一篇文章《 Serverless 的资源评估与成本探索》中，我们对性能和成本探索进行了些思考，在此就引出一个新的问题：当我们使用 Serverless 架构的时候，如何设置运行内存和超时时间呢？这里分享下我的评估方法供大家参考。

首先在函数上线时，选择一个稍微大一点的内存。例如，这里执行一次函数，得到下图结果：

那么将我的函数设置为 128M 或者 256M，超时时间设置成 3S。

让函数跑一段时间，例如该接口每天触发约为 4000 次：

将这个函数的日志捞出来写成脚本，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

通过该结果可以清楚看出，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 比较合理；而内存使用基本是 64M 以下，所以此时内存设置成 64M 就可以。

再举个例子，对于另外一个函数：

    ----------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

假如说上一个函数，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。

运行时间绝大部分在 150S 以下，部分不到 200S，最高峰值近 450S。这个时候，我们就可以业务需求来判定，450S 的请求波峰是否可以被中止。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在 40MB 以内，部分出现在 45-55MB，最高未超过 60MB，所以此时可以将函数设置为 64MB。

就目前来说，云函数在执行时可能会有一定的波动。因此内存使用或超时时间在范围内波动是很正常的，我们可以根据业务需求来做一些设置，将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：

1. 简单运行两次，评估一下基础资源使用量，然后设置一个较高的值；
2. 函数运行一段时间后，获取样本，再进行基本的数据分析和数据可视化，优化得到一个相对稳定的新数值。

传送门：

• GitHub: github.com/serverless
• 官网：serverless.com

欢迎访问：Serverless 中文网，您可以在 最佳实践 里体验更多关于 Serverless 应用的开发！