前言概述

本文介紹了使用函數(shù)計算部署深度學(xué)習(xí) AI 推理的最佳實(shí)踐, 其中包括使用 FUN 工具一鍵部署安裝第三方依賴、一鍵部署、本地調(diào)試以及壓測評估， 全方位展現(xiàn)函數(shù)計算的開發(fā)敏捷特性、自動彈性伸縮能力、免運(yùn)維和完善的監(jiān)控設(shè)施。

1.1 DEMO 概述

通過上傳一個貓或者狗的照片， 識別出這個照片里面的動物是貓還是狗

• DEMO 示例效果入口：?http://sz.mofangdegisn.cn
• DEMO 示例工程地址：?https://github.com/awesome-fc/cat-dog-classify

1.2 解決方案

如上圖所示， 當(dāng)多個用戶通過對外提供的 url 訪問推理服務(wù)時候，每秒的請求幾百上千都沒有關(guān)系， 函數(shù)計算平臺會自動伸縮， 提供足夠的執(zhí)行實(shí)例來響應(yīng)用戶的請求， 同時函數(shù)計算提供了完善的監(jiān)控設(shè)施來監(jiān)控您的函數(shù)運(yùn)行情況。

1.3. Serverless 方案與傳統(tǒng)自建服務(wù)方案對比

1.3.1 卓越的工程效率

?自建服務(wù)函數(shù)計算 Serverless

基礎(chǔ)設(shè)施	需要用戶采購和管理	無
開發(fā)效率	除了必要的業(yè)務(wù)邏輯開發(fā),需要自己建立相同線上運(yùn)行環(huán)境， 包括相關(guān)軟件的安裝、服務(wù)配置、安全更新等一系列問題	只需要專注業(yè)務(wù)邏輯的開發(fā), 配合 FUN 工具一鍵資源編排和部署
學(xué)習(xí)上手成本	可能使用 K8S 或彈性伸縮( ESS )，需要了解更多的產(chǎn)品、名詞和參數(shù)的意義	會編寫對應(yīng)的語言的函數(shù)代碼即可

1.3.2 彈性伸縮免運(yùn)維

?自建服務(wù)函數(shù)計算 Serverless

彈性高可用	需要自建負(fù)載均衡 (SLB)，彈性伸縮，擴(kuò)容縮容速度較 FC 慢	FC系統(tǒng)固有毫秒級別彈性伸縮，快速實(shí)現(xiàn)底層擴(kuò)容以應(yīng)對峰值壓力，免運(yùn)維
監(jiān)控報警查詢	ECS 級別的 metrics	提供更細(xì)粒度的函數(shù)執(zhí)行情況，每次訪問函數(shù)執(zhí)行的 latency 和日志等， 更加完善的報警監(jiān)控機(jī)制

1.3.3 更低的成本

• 函數(shù)計算 (FC) 固有自動伸縮和負(fù)載均衡功能，用戶不需要購買負(fù)載均衡 (SLB) 和彈性伸縮。
• 具有明顯波峰波谷的用戶訪問場景(比如只有部分時間段有請求，其他時間甚至沒有請求)，選擇按需付費(fèi)，只需為實(shí)際使用的計算資源付費(fèi)。

對于明顯波峰波谷或者稀疏調(diào)用具有低成本優(yōu)勢， 同時還保持了彈性能力，以后業(yè)務(wù)規(guī)模做大以后并沒有技術(shù)切換成本，同時財務(wù)成本增長配合預(yù)付費(fèi)也能保持平滑。

• 部分請求持續(xù)平穩(wěn)的場景下,可以配合預(yù)付費(fèi)解決按需付費(fèi)較高單價問題。函數(shù)計算成本優(yōu)化最佳實(shí)踐文檔。

假設(shè)有一個在線計算服務(wù)，由于是CPU 密集型計算， 因此在這里我們將平均 CPU 利用率作為核心參考指標(biāo)對成本，以一個月為周期，10臺 C5 ECS 的總計算力為例，總的計算量約為 30% 場景下， 各解決方案 CPU 資源利用率使用情況示意圖大致如下:

由上圖預(yù)估出如下計費(fèi)模型：

• 函數(shù)計算預(yù)付費(fèi) 3CU 一個月: 246.27 元， 計算能力等價于 ECS 計算型 C5
• ECS 計算型 C5 (2vCPU,4GB)+云盤: 包月219 元，按量: 446.4 元
• 包月10 Mbps 的 SLB: 526.52 元(這里做了一定的流量假設(shè))， 彈性伸縮免費(fèi)
• 飽和使用下，函數(shù)計算按量付費(fèi)的一臺機(jī)器成本約為按量付費(fèi) C5 ECS 的2 倍

?平均CPU利用率計算費(fèi)用SLB 總計

函數(shù)計算組合付費(fèi)	>=80%	738+X（246.27*3+X）	無	<= 738+X
按峰值預(yù)留ECS	<=30%	2190（10*219）	526.52	>=2716.52
彈性伸縮延遲敏感	<=50%	1314（102193/5）	526.52	>= 1840.52
彈性伸縮成本敏感	<=70%	938.57 (102193/7)	526.52	>= 1465.09

注：

這里假設(shè)函數(shù)邏輯沒有公網(wǎng)公網(wǎng)下行流量費(fèi)用， 即使有也是一致的， 這里成本比較暫不參與

延時敏感，當(dāng) CPU 利用率小于等于 50% 就需要開始進(jìn)行擴(kuò)容，不然更來不及應(yīng)對峰值

成本敏感，當(dāng) CPU 利用率大約 80% 即開始進(jìn)行擴(kuò)容， 能容受一定幾率的超時或者5XX

上表中， 其中函數(shù)計算組合付費(fèi)中的 X 為按需付費(fèi)的成本價，假設(shè)按需付費(fèi)的計算量占整個計算量的 10%，假設(shè) CPU 利用率為100%, 對應(yīng)上表，那么需要 3 臺 ECS 的計算能力即可。因此 FC 按量付費(fèi)的成本 X = 3?219?10% * 2 = 131.4 （ FC 按量付費(fèi)是按量 ECS 的2倍），這個時候函數(shù)計算組合付費(fèi)總計 869.4 元。 在這個模型預(yù)估里面， 只要FC 按量付費(fèi)占整個計算量小于 20%， 即使不考慮 SLB, 單純考慮計算成本， 都是有一定優(yōu)勢的。

1.3.4. 小結(jié)

基于函數(shù)計算進(jìn)行 AI 推理等 CPU 密集型的主要優(yōu)勢：

上手簡單， 只專注業(yè)務(wù)邏輯開發(fā)， 極大提高工程開發(fā)效率。

• 自建方案有太多學(xué)習(xí)和配置成本，如針對不同場景，ESS 需要做各種不同的參數(shù)配置
• 系統(tǒng)環(huán)境的維護(hù)升級等

免運(yùn)維，函數(shù)執(zhí)行級別粒度的監(jiān)控和告警。

毫秒級彈性擴(kuò)容，保證彈性高可用，同時能覆蓋延遲敏感和成本敏感類型。

在 CPU 密集型的計算場景下， 通過設(shè)置合理的組合計費(fèi)模式， 在如下場景中具有成本優(yōu)勢：

• 請求訪問具有明顯波峰波谷， 其他時間甚至沒有請求
• 有一定穩(wěn)定的負(fù)載請求， 但是有部分時間段請求量突變劇烈

打包代碼ZIP包和部署函數(shù)

FUN 操作簡明視頻教程

2.1 安裝第三方包到本地并上傳到NAS

2.1.1 安裝最新的Fun

• 安裝版本為8.x 最新版或者10.x 、12.x?nodejs
• 安裝?funcraf

2.1.2 Clone 工程 & Fun 一鍵安裝第三方庫到本地

• git clone https://github.com/awesome-fc/cat-dog-classify.git
• 復(fù)制 .env_example 文件為 .env, 并且修改 .env 中的信息為自己的信息

• 執(zhí)行?fun install -v, fun 會根據(jù) Funfile 中定義的邏輯安裝相關(guān)的依賴包

  root@66fb3ad27a4c: ls .fun/nas/auto-default/classify model python root@66fb3ad27a4c: du -sm .fun 697 .fun

根據(jù) Funfile 的定義：

• 將第三方庫下載到?.fun/nas/auto-default/classify/python?目錄下
• 本地 model 目錄移到?.fun/nas/auto-default/model?目錄下

安裝完成后，從這里我們看出， 函數(shù)計算引用的代碼包解壓之后已經(jīng)達(dá)到了 670 M, 遠(yuǎn)超過 50M 代碼包限制, 解決方案是 NAS 詳情可以參考: 掛載NAS訪問，幸運(yùn)的是 FUN 工具一鍵解決了 nas 的配置和文件上傳問題。

2.1.3. 將下載的依賴的第三方代碼包上傳到 NAS

fun nas init fun nas info fun nas sync fun nas ls nas://classify:/mnt/auto/

依次執(zhí)行這些命令，就將本地中的 .fun/nas/auto-default 中的第三方代碼包和模型文件傳到 NAS 中, 依次看下這幾個命令的做了什么事情:

• fun nas init: 初始化 NAS, 基于您的 .env 中的信息獲取(已有滿足條件的nas)或創(chuàng)建一個同region可用的nas
• fun nas info: 可以查看本地 NAS 的目錄位置, 對于此工程是 $(pwd)/.fun/nas/auto-default/classify
• fun nas sync: 將本地 NAS 中的內(nèi)容（.fun/nas/auto-default/classify）上傳到 NAS 中的 classify 目錄
• fun nas ls nas://classify:/mnt/auto/: 查看我們是否已經(jīng)正確將文件上傳到了 NAS

登錄 NAS 控制臺?https://nas.console.aliyun.com?和 VPC 控制臺?https://vpc.console.aliyun.com
可以觀察到在指定的 region 上有 NAS 和 相應(yīng)的 vpc 創(chuàng)建成功

2.2 本地調(diào)試函數(shù)

在 template.yml 中， 指定了這個函數(shù)是 http 類型的函數(shù)， 所以根據(jù) fun 的提示:

Tips for next step ====================== * Invoke Event Function: fun local invoke * Invoke Http Function: fun local start * Build Http Function: fun build * Deploy Resources: fun deploy

執(zhí)行?fun local start, 本地就會啟動一個 http server 來模擬函數(shù)的執(zhí)行， 然后我們 client 端可以使用 postman， curl 或者瀏覽器， 比如對于本例：

?

2.3 部署函數(shù)到FC平臺

本地調(diào)試OK 后，我們接下來將函數(shù)部署到云平臺：

修改 template.yml LogConfig 中的 Project, 任意取一個不會重復(fù)的名字即可， 然后執(zhí)行

fun deploy

注意: template.yml 注釋的部分為自定義域名的配置, 如果想在 fun deploy 中完成這個部署工作:

• 先去域名解析, 比如在示例中, 將域名 sz.mofangdegisn.cn 解析到 123456.cn-hangzhou.fc.aliyuncs.com, 對應(yīng)的域名、accountId 和 region 修改成自己的
• 去掉 template.yml 中的注釋, 修改成自己的域名
• 執(zhí)行?fun deploy

這個時候如果沒有自定義域名， 直接通過瀏覽器訪問訪問http trigger 的url， 比如?https://123456.cn-shenzhen.fc.aliyuncs.com/2016-08-15/proxy/classify/cat-dog/?會被強(qiáng)制下載.

原因:https://help.aliyun.com/knowledge_detail/56103.html#HTTP-Trigger-compulsory-header

登錄控制臺https://fc.console.aliyun.com，可以看到service 和 函數(shù)已經(jīng)創(chuàng)建成功， 并且 service 也已經(jīng)正確配置。

在這里，我們發(fā)現(xiàn)第一次打開頁面訪問函數(shù)的時候，執(zhí)行環(huán)境實(shí)例冷啟動時間非常長， 如果是一個在線AI推理服務(wù)，對響應(yīng)時間非常敏感，冷啟動引起的毛刺對于這種類型的服務(wù)是不可接受的，接下來，本文講解如何利用函數(shù)計算的預(yù)留模式來消除冷啟動帶來的負(fù)面影響。

使用預(yù)留模式消除冷啟動毛刺

函數(shù)計算具有動態(tài)伸縮的特性， 根據(jù)并發(fā)請求量，自動彈性擴(kuò)容出執(zhí)行環(huán)境來執(zhí)行環(huán)境，在這個典型的深度學(xué)習(xí)示例中，import keras 消耗的時間很長 ， 在我們設(shè)置的 1 G 規(guī)格的函數(shù)中， 并發(fā)訪問的時候耗時10s左右， 有時甚至20s+

start = time.time() from keras.models import model_from_json print("import keras time = ", time.time()-start)

3.1 函數(shù)計算設(shè)置預(yù)留

預(yù)留操作簡明視頻教程

• 在?FC 控制臺，發(fā)布版本，并且基于該版本創(chuàng)建別名 prod，并且基于別名 prod 設(shè)置預(yù)留, 操作過程請參考：https://help.aliyun.com/document_detail/138103.html
• 將該函數(shù)的 http trigger 和 自定義域名的設(shè)置執(zhí)行 prod 版本

?

一次壓測結(jié)果

從上面圖中我們可以看出，當(dāng)函數(shù)執(zhí)行的請求到來時，優(yōu)先被調(diào)度到預(yù)留的實(shí)例中被執(zhí)行， 這個時候是沒有冷啟動的，所以請求是沒有毛刺的， 后面隨著測試的壓力不斷增大(峰值TPS 達(dá)到 1184), 預(yù)留的實(shí)例不能滿足調(diào)用函數(shù)的請求， 這個時候函數(shù)計算就自動進(jìn)行按需擴(kuò)容實(shí)例供函數(shù)執(zhí)行，此時的調(diào)用就有冷啟動的過程， 從上面我們可以看出，函數(shù)的最大 latency 時間甚至達(dá)到了 32s，如果這個web AP是延時敏感的，這個latency是可接受的。

總結(jié)

• 函數(shù)計算具有快速自動伸縮擴(kuò)容能力
• 預(yù)留模式很好地解決了冷啟動中的毛刺問題
• 開發(fā)簡單易上手，只需要關(guān)注具體的代碼邏輯， Fun 工具助您一鍵式部署運(yùn)用
• 函數(shù)計算具有很好監(jiān)控設(shè)施, 您可以可視化觀察您函數(shù)運(yùn)行情況， 執(zhí)行時間、內(nèi)存等信息

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的基于函数计算的 Serverless AI 推理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。