Serverless並不神秘，用一個簡單的例子就可講明。我們設計了一個AI應用，可以識別出圖片中人物的人種，我們把它作為一種SaaS服務架設在公共雲上提供給客戶使用，其典型的後端架構設計如下：
在該架構中，我們購買的雲主機上運行了Tomcat Web Server，用於承載Java編寫的AI應用。用戶通過API上傳圖片。受限於雲主機的本地存儲空間，為了滿足大量客戶同時上傳圖片，AI應用實現了一個存儲網關將圖片導入公共雲的對象存儲。圖片導入完成後，AI應用從對象存儲讀入圖片進行識別，並將結果存入公共雲的數據庫中（例如RDS），用戶使用API查詢結果。 AI應用上線一段時間後受到了用戶的歡迎，越來越多的公司開始使用該服務。根據統計數據，大多數公司在上午9點~11點、下午2點~5點集中上傳圖片，為了滿足該時間段的突發訪問量，我們設置了公共雲的 Auto-Scaling策略，在訪問增加時動態創建更多的雲主機來響應客戶。AI應用的架構演化成：
- 在這個架構中，我們需要做如下事情：
- 管理雲主機。我們要關心CPU數量、內存大小、IP地址等等系統級的配置。同時還要關心雲主機的操作系統，為部署AI應用擬定策略。操作系統和Tomcat的安全補丁也不能忽視，否則競爭對手可能僱傭黑客來攻擊我們的系統。
- 配置公共雲的Auto-Scaling的策略，應對高峰期突發訪問量。
- 使用公共雲的對象存儲和數據庫。
- 編寫AI應用。 要完成這些工作，我們既要開發AI應用，又要營運支撐業務（例如管理雲主機生命週期、管理操作系統）。這是當前架構的現實：為20%的核心業務營運80%的支撐業務。
- 下面用Serverless架構改寫AI應用：
- 多個運行AI應用代碼的進程被啟動，併發處理用戶上傳的圖片。
- 在Serverless架構的AI應用中，我們只需要做兩件事情：
- 使用公共雲的對象存儲和數據庫。
- 用公共雲的Serverless框架編寫AI應用。
與之前的架構相比，我們不再營運雲主機、操作系統、Tomcat，同時也不需要配置Auto-Scaling Group，公共雲的Serverless框架會在每個圖片上傳完成後啟動一個進程運行AI應用，自動實現水平擴展。我們終於只需要關心核心業務了，用Serverless框架支持的語言（例如AWS Lambda就支持Java, Python和JVM系語言）編寫AI應用，一切非核心業務都外包給了公共雲營運商。
我們的Serverless AI應用用到了兩種技術。首先使用了公共雲提供的對象存儲和數據庫服務，統稱為BaaS（Backend as a Service，後端即服務）。其次用了Lambda框架，稱為FaaS(Functions as a Service，函數即服務)。
使用BaaS和FaaS是Serverless應用的基本特徵，符合這兩個基本特徵的應用可稱為Serverless應用。
是BaaS，不是PaaS
AI應用用到了對象存儲和數據庫，將來或許還會用到消息隊列。直觀感覺是在使用PaaS，為什麼還要造一個新詞BaaS？技術圈有太多令人混淆的術語了。
BaaS並非PaaS，它們的區別在於：PaaS需要參與應用的生命週期管理，BaaS則僅僅提供應用依賴的第三方服務。典型的PaaS平臺需要提供手段讓開發者部署和配置應用，例如自動將應用部署到Tomcat容器中，並管理應用的生命週期。BaaS不包含這些內容，BaaS只以API的方式提供應用依賴的後端服務，例如數據庫和對象存儲。BaaS可以是公共雲服務商提供的，也可以是第三方廠商提供的，例如Facebook收購的Parse就是著名的MBaaS提供商（Mobile Backend as a Service）。從功能上講，BaaS可以看作PaaS的一個子集，即提供第三方依賴組件的部分。
FaaS是Serverless的核心
AI應用最初是一個典型Java程序，它可能使用Spring這樣的技術，因為我們需要一個框架確保程序的各個組件能夠被正確加載，需要MVC來保證REST API被正確的Controller處理。AI應用部署在Tomcat容器中，運行在雲主機上，7 x 24小時運行，我們提供不間斷的服務。在夜裡12點到早晨8點，幾乎沒有用戶使用，但我們還得讓它待在那裡，防止深夜偶爾使用的用戶得到一個503錯誤而誤會AI服務不穩定。我們為購買的雲主機付錢，儘管一半的時間它的CPU使用率幾乎為0，但沒有公共雲是按CPU使用率計費的，不工作的時間也得付錢。我們必須關心Auto-Scaling Group的配置，如何準確的配置Auto-Scaling策略是一個技術活，需要長期的經驗積累，在早期我們不得不多部署一些空閒的雲主機以保證服務不會因Auto-Scaling的配置不當而擁塞。
用Serverless架構改寫了AI應用後，這些痛苦就通通消失了。Spring框架和Tomcat去掉了，用Lambda的Java SDK，只需要實現一個Function Handler處理圖片上傳完成這個事件，這跟寫一個Callback一樣簡單。在Function Handler中調用圖片識別的相關邏輯，然後調用數據庫的REST API存儲結果。也不用構建MVC，不用配置Tomcat的XML文件，我們將存儲網關這個功能完全去除掉了，因為用戶可以直接上傳圖片到對象存儲。
AI應用不用7 x 24小時運行了，沒有用戶上傳圖片時它只是一份編譯好的代碼。當用戶圖片上傳完成時，FaaS會為AI應用啟動一個新的進程執行代碼。該進程在代碼執行完成後自動銷燬。我們只需為代碼執行的這幾十秒鐘付錢，節省了很多開支。
最後我們無需操心Auto-Scaling的問題，FaaS會在需要的時候自動擴展。
- 這些就是FaaS的核心，從上面的例子裡面可以歸納出它的特點：
- FaaS運行的是後端代碼而不是整個後端程序。例如AI應用僅僅包含處理圖片上傳完成這個事件的邏輯，並不是一個完整的後端程序，而是一段後端代碼。
- 代碼通過事件觸發。由於不再有一個長期運行的進程等待或輪詢用戶請求，代碼只能通過特殊的事件觸發。這些事件由FaaS框架定義，例如上傳文件到對象存儲、消息隊列收到一條新的消息、API Gateway收到一個新的API請求等。
- 代碼的生命週期很短。例如我們的AI應用，從收到事件後Function Handler被調用開始，到調用返回結束，不會有常駐內存的進程運行。此外公共雲提供商還會限制代碼執行的時間，超出時間後執行代碼的進程會被強行銷燬。例如AWS的Lambda可執行的最長時間為5分鐘。
- 代碼必須做到徹底無狀態，兩次調用間不能共享內存狀態。我們的AI應用最早使用了一個全局變量統計處理的圖片數，每處理完一張圖片該計數器就加一。使用FaaS後我們不能再用任何全局變量或內存數據結構（例如Hashmap）在調用間共享數據，因為代碼運行在獨立的進程中，無法訪問對方的內存地址空間。於是我們對代碼進行了改造，將全局計數器放到了公共雲的Redis服務中，這為代碼增加了額外的複雜性。
- 水平擴展不再是需要擔心的問題，FaaS會為每個事件和請求運行一份新的代碼。
- 應用的部署方式從上傳、配置整個程序變成上傳一份打包代碼的文件（例如Jar文件或一個Zip文件）。
Serverless為我們帶來了什麼
對比傳統架構，用Serverless架構改寫的AI應用具有顯著的優勢。我們不再運維任何雲主機和操作系統，甚至不再運維Tomcat這樣的Web容器，只需要專注於代碼本身，所有配置、應用生命週期管理的工作都由FaaS框架負責。公共雲的出現讓我們從物理硬件管理中解放出來，Serverless架構讓我們進一步從操作系統管理中解放出來，第一次真正專注於核心業務。
業務也變得更加敏捷了。我們只需要編寫核心業務相關的代碼，例如AI應用中圖像識別的部分。無需編寫任何加載、部署、配置應用的代碼，例如不再需要配置systemd在系統啟動時加載應用。
水平擴展也不是問題。正如前面反覆提及的，FaaS框架會為每一個事件、每一個API請求都啟動一份新的進程執行代碼。這跟傳統應用的線程池方式類似，每個請求都在一個單獨的線程中執行，區別在於線程之間共享同一內存地址空間，FaaS的進程間不共享任何內存。與線程池有最大線程數限制類似，FaaS框架通常也限制了最大進程數，例如AWS Lambda在一個Region默認能執行的最大併發調用是600，也就是說我們的AI應用最多能在600個進程中同時執行。
最後，也是最重要的，Serverless架構為我們節省了大量開支。我們只需為AI應用運行的時間付錢，無需為應用等待請求的時間付錢。水平擴展的粒度從原來的雲主機細化到進程，節省了額外的開支，不用再購買閒置的雲主機來抵消Auto-Scaling的配置不精確帶來的影響。業務的敏捷性提高也降低了營運成本，我們不再需要精通操作系統配置和管理的營運人員，不僅節省了人力成本，也節省了應用從開發到上線的時間。
Serverless不是銀子彈，是後端小程序的未來
serverless架構在某些應用場景的優勢如此明顯，有些支持者已經開始炒作它會成為顛覆性的雲計算新架構了。技術圈向來如此，一些人總在孜孜不倦的尋找包治百病的靈藥，和解決一切問題的銀子彈。“All design is about tradeoff”，Serverless也不是銀子彈，它有獨特的優勢，而這些優勢也帶來了不可避免的侷限。
為每個事件/請求啟動一個全新的進程運行代碼是FaaS的核心，進程的啟動延時是Serverless面臨的第一個問題。取決於編寫應用的語言，啟動延時可以是10毫秒（如簡單的Python應用），也可以是1分鐘（複雜的Java應用）。這樣的延時對於realtime的程序是難以接受的。目前Serverless應用通常運行在公共雲的多租戶環境中，啟動延時還受系統負載影響，很難保證應用在規定時間內被運行。公共雲提供商目前沒有對Serverless提供相應的SLA保證，筆者寫這篇文章的時候，AWS Lambda還沒有相關的SLA條款。
Serverless無法用於高併發應用，為每個請求啟動一個進程開銷太高。例如雙十一支付寶高峰期每秒處理的交易數為8.59萬筆，如果使用Serverless架構，意味著我們的系統內每秒有8.59萬個進程被創建又被銷燬，這是難以負擔的開銷。
Serverless應用無法常駐內存，運行的時間是受限的。如果你的應用無法在數分鐘內完成的工作，那Serverless不是你的選擇，例如AWS Lambda給予進程的最長運行時間是5分鐘，超時後進程將被強制終止。這對程序設計提出了挑戰，例如我們的AI應用必須優化到在5分鐘內完成複雜圖像的識別。我們也不能編寫執行長時間IO操作的應用，例如對對象存儲中1T的數據進行復雜編碼。
Serverless調用之間不能共享狀態讓編寫複雜程序變得極度困難。無狀態是互連網應用追求的目標，例如滿足“12要素”的應用。但Serverless將無狀態進行的更加徹底，在不同的調用之間無法共享內存狀態，例如使用hashmap。我們的AI應用中統計已處理圖片總數的全局計數器在傳統架構中只是一個全局變量，但在Serverless架構中它變成存儲在內存數據庫（Redis）中的一條記錄，更新成本、保證原子性等因素讓我們的編碼變得數倍複雜。對於大多雲原生的互聯網應用來說，這種徹底的無狀態架構是一個巨大的挑戰，而對於動輒有幾十萬、上百萬行代碼的、充滿了狀態的企業應用來說，Serverless的無狀態改造幾乎是一個無法完成的任務。
熟練的微服務的架構師，對將業務拆分成一個個單獨的服務非常熟悉，也有不少的經典書籍（例如《Building Microservices: Designing Fine-Grained Systems》）指導我們如何做。但即使是他們，在面對Serverless架構時也會感到頭痛，如何將業務拆分成成百上千個運行在獨立進程、運行時間受限的函數是巨大的挑戰。而是否需要如此細粒度的拆分是需要回答的第一個問題。有些問題或許變成無解難題又或成本極高，例如分佈式數據庫事務。
上面都是Serverless架構的一些固有侷限，它們源於Serverless架構的特點，很難隨著時間的推移、技術的完善而解決。除此之外，作為一個新的技術，Serverless還面臨著集成測試困難、Vendor Lock-in、調試監控困難、版本控制等諸多不足，每一項都會成為採用Serverless架構的阻礙。
由於這些侷限性，Serverless架構不會成為複雜應用的架構首選，相反，它應該是後端小程序的未來。
雲端的應用有大量的小程序場景，例如識別一張圖片、對一段音頻/視頻進行編解碼、對IOT設備的請求返回一小段數據、將客戶提交的工單通過郵件通知客服人員等等。這些基於事件觸發的小程序在傳統架構中實現起來是相對複雜的，你往往需要為20%的核心業務運營80%的支撐業務。Serverless完美的解決了這些問題，它可以成為複雜應用的一種補充架構。我們可以將無狀態的、事件觸發的業務拆分成Serverless應用，讓整個架構變得更加的簡潔和高效。
Serverless也在不斷演變，例如AWS最近引入的Step Functions就嘗試解決調用間共享狀態的問題，其效果有待觀察。
Serverless不是傳統的PaaS
Serverless跟PaaS之間的界線比較模糊，很多人認為Serverless是PaaS的一種，筆者也傾向於認為Serverless是特殊的PaaS形態。
Serverless由BaaS和FaaS兩部分構成，BaaS負責提供業務的依賴服務，FaaS負責業務的部署和生命週期管理，從這個意義上來看，Serverless的角色跟PaaS一樣。與傳統PaaS的區別在於，傳統PaaS是以程序為粒度管理應用的生命週期，而Serverless是以函數粒度管理應用生命週期。傳統PaaS中的應用為常駐內存的進程，而Serverless應用運行完即銷燬。此外，使用傳統PaaS，用戶仍需要關心水平擴展，例如如何配置Auto-Scaling Group，但Serverless沒有這個問題，水平擴展是架構天然自帶的功能。
Serverless和微服務
Serverless和微服務沒有直接關係，但兩者有相似之處，例如都需要做業務拆分、強調無狀態、具有敏捷特性等。Serverless在很多方面比微服務粒度更細，要求也更嚴格。例如微服務以服務為邊界拆分業務，Serverless以函數為邊界拆分業務；微服務可以有跨調用的內存狀態共享，Serverless要求調用徹底無狀態。此外，Serverless依賴BaaS提供第三方依賴，而微服務可以自由選擇第三方依賴來源，例如使用本地搭建的傳統中間件棧（如本地MySql和消息總線）。
Serverless和容器
Serverless和容器是蘋果和桔子的比較，不在一個平面上。Serverless是一種軟件設計架構，容器是軟件架構的承載者。雖然沒有公開資料，但我們可以推測類似於AWS Lambda這樣的Serverless框架使用了某種程度的容器技術，否者難以實現語言無關和毫秒級的啟動。儘管已經有一些開源項目使用Docker實現Serverless中的FaaS部分，筆者不認為AWS Lambda這樣的公共Serverless框架直接使用了Docker，一定是一種更為輕量級、體積更小的容器技術，我們或許可以將它稱為Nano-Container。
Serverless對私有云有意義嗎？
對於私有云來說，現在將業務遷往Serverless架構還為時過早。首先Serverless是從公共雲中演化出來的新型架構，適用於運行在公共雲上的小程序。而私有云更多承載的是老而笨重的傳統業務，難以用Serverless架構改造。其次Serverless依賴BaaS，在私有云中搭建和運維BaaS成本都不低，使用公共BaaS服務又受限於網絡帶寬和延時，容易導致系統不穩定。
隨著企業應用的進一步雲化、開源Serverless框架的成熟，私有云的Devops場景也可以採用Serverless作CI/CD，例如目前Jenkins承擔的大部分工作都可以用Serverless替代，如用FaaS框架對應Jenkins本身，上傳的代碼對應Jenkins Job中的Bash腳本，將原來的Jenkins API觸發Job改為觸發FaaS中的代碼。
總結
Serverless作為一種全新的架構，是雲計算發展演化的必然結果。追求更細粒度的計費單元，更加專注於核心業務、將支撐業務外包給基礎設施提供商是雲計算的趨勢。Serverless架構的特點，讓編寫事件觸發的後端小程序變得更加容易。同時它也有自身內在的侷限性，並不適合複雜的應用架構。從目前的情況看，部分採用Serverless的混合架構對公共雲應用是個不錯的選擇，私有應用採用Serverless還為時過早。雲計算技術正在飛速發展，未來還有無限可能。
閱讀更多 sandag 的文章
