Serverless 概念
Serverless 是一个架构上的概念，从字面上理解就是无服务器架构。
最初是用于描述依赖第三方服务实现对逻辑和状态进行管理的应用，典型的例子是单页 Web 和移动 App 这种富客户端应用，他们一般都使用基于云端的数据库 (例如 Parse、Firebase)，认证服务 (Auth0、AWS congnito) 等。这些第三方服务通常称为 BaaS(Backend as a Service) 。
Serverless 的第二种含义，是用来描述这样一种应用架构：除了使用第三方 BaaS 服务外，一部分服务端逻辑仍然由应用的研发人员实现，但是跟传统架构不同在于，这部分服务端代码运行于无状态的容器中，可以由事件触发，短暂的，完全被第三方管理。
业界对 Serverless 的热议，大部分集中在第二种，因为第二种形式代码托管代表技术更新，以 FaaS(Function as a Service) 而闻名。根据第二种场景，有一个最新的定义是：Serverless 架构是基于互联网的系统，其中应用开发不使用常规的服务进程。
相反，它们仅依赖于第三方服务 (例如 AWS Lambda 服务)，客户端逻辑和服务托管远程过程调用的组合。后面叙述都是基于第二种定义来进行，也就是基于 FaaS 函数计算服务来实现的 Serverless 应用架构，在这个定义上可以简单把 Serverless 等同于 FaaS。
Serverless 和 PaaS 的关系
FaaS 与 PaaS 的概念在某些方面有许多相似的地方。人们甚至认为 FaaS 就是另一种形式的 PaaS，但是 Intent Media 的工程副总裁 Mike Roberts 提出一个微妙的差别：“大部分 PaaS 应用无法针对每个请求启动和停止整个应用程序，而 FaaS 平台生来就是为了实现这样的目的。”
AWS 云架构战略副总裁 Adrian Cockcroft 曾经针对两者的界定给出了一个简单的方法：“如果你的 PaaS 能够有效地在 20 毫秒内启动实例并运行半秒，那么就可以称之为 Serverless”。
我理解他们的意思，都是认为传统的 PaaS 和 FaaS 的抽象层次不一样，PaaS 是对整个应用的抽象，FaaS 是对应用逻辑的单位 (函数) 的抽象。
举例来说，PaaS 不是针对每个请求来拉起一个服务，它是常驻的服务，而 FaaS 是根据每个请求来拉起一个容器来执行，属于更细粒度的拆分。也就是说 PaaS 托管的是整个应用，而 FaaS 托管应用的某个碎片化的逻辑代码，从资源使用率和成本角度更具优势。
Serverless 和 BaaS 的关系
BaaS 和 Serverless 的区别主要在于，BaaS 一般是第三方提供的后端服务，例如 AWS 提供的 Congito 就是典型的 BaaS 服务，业界比较成功的 BaaS 服务几乎都是为移动开发的后端云服务，例如 Facebook 的 Parese, Google 的 Firebase, 国内 LeandCloud 提供的功能大同小异，都是实时数据库，消息推送等等。
BaaS 的粒度介乎 PaaS 和 FaaS, PaaS 是提供了应用运行环境，而是 BaaS 将特定应用变成一个云服务。而应用想实施 Serverless 架构，还是需要自己的服务代码来组合这些 BaaS 服务来满足自己的业务逻辑，而且服务代码要通过 FaaS 来管理。
用两张图说明两者区别，两个图都是实现一个广告点击行为数据处理，Click Processor 是实际处理动作的服务。第一张图 Click Processor 是一个 BaaS 服务，进程常驻，每次都由这个进程处理。第二张图把它改造成 Serverless 架构，每次点击拉起一个进程执行一个函数，函数托管在 FaaS 服务中。
与 Serverless 的第一次接触
想象一下，你是一名 Web 开发工程师，你接到一个需求需要做一个单页面应用，上传一张图并在几秒后获得一张梵高风格化的图，像这样：
遇到这种情况，一般…嗯…先 Google 一下，找到了：
alexjc/neural-doodle
它的效果大概是这样：
先过一遍步骤：
1. 浏览器发请求给服务端，body 是一张图片的二进制数据；
2. 服务端从 body 中取出二进制数据，转成图片，调用 doodle.py 中的方法，转换风格存储之并返回存储位置；
3. 浏览器按位置请求图片并展示之。
但是有几个问题，如果这个 SPA 出乎意料的受欢迎，接口负载过高呢？是不是要升级，加机器，加负载均衡？如果来了一个新需求或者简单的 bug fix，是不是又涉及到批量更新节点，这还是没有考虑日志，运维，监控等运营方面的工作量。
根据前面对 Serverless 的介绍，这个场景很适合用 Serverless 产品来解决，这是一个典型的无状态服务 + 计算的自动扩展，这些问题交给 Serverless 服务提供方即可。下面我选择 UCloud 的 Serverless 产品 UGC 来搭建这个服务，并测试一下效果，看是否能满足我的需求。
试用 Serverless 产品（UCloud UGC）
UCloud 通用计算（UCloud General Compute）是分布式大规模并行计算服务, 可提供数万核级的并发计算能力，系统自动完成任务调度，并按实际使用量计费。
UGC 充分利用一个区域内的多个可用区计算资源，提供了基于云平台的跨可用区级别的高可用性、高安全性和高并发性。UGC 可满足图片处理、机器学习、大数据处理、生物数据分析等领域的计算需求。
下图是其中一个使用场景：
UCloud 基于 UGC 的高效并行计算能力搭建的对象存储（UFile）图片处理服务，得以轻松支持用户每天千万级别的图片处理请求，满足用户对高时效的需求。
很适合我们本次梵高风格化图片的需求。下面是我这次搭建服务过程：
1. 创建私有仓库（WEB 界面）；
2. 登录镜像仓库（cli）；
3. 制作梵高风格转换镜像（cli）（如果你认真看文档，你会发现其实 alexjc/neural-doodle 其实是有直接提供镜像的）；
4. 上传镜像（cli）；
5. 查看镜像详情（Web 界面）；
6. 告警模板配置（Web 界面）；
7. 使用 SDK 提交任务（Python SDK）；
8. 查看任务执行统计 Web 界面）；
9. 查看监控（Web 界面）。
下面是详细的操作步骤：
创建私有仓库
下载梵高风格转换镜像
镜像介绍页面，我们直接从 Docker 官方下载它：
docker pull alexjc/neural-doodle
修改镜像名称
docker tag alexjc/neural-doodle cn-bj2.ugchub.service.ucloud.cn/kevingao/neural-doodle:first
上传镜像
将我们刚下载的镜像上传到 UCloud 镜像仓库。
docker push cn-bj2.ugchub.service.ucloud.cn/kevingao/neural-doodle:first
查看镜像信息
告警模板配置
目前包含超时与失败两个模板可以直接使用。
使用 SDK 提交风格转换任务
在 Python SDK 中配置自己账号的公私钥和 Docker image 路径，然后使用 Web 后端调用，发布风格转换任务。至此我们风格转换接口就就绪了，使用相同的方法搞定打水印的镜像，我们先使用脚本测试一下接口，然后通过 UCloud UGC 服务后台来查看执行的情况。
查看任务执行统计
包含调用次数、成功率、结果、花费 CPU 时间等信息。
下面我们就要开始前端的制作了。
前端交互
Web App 有两个功能，打水印和梵高风格转换，它们的交互基本是一致的，这里我用截图打水印的页面来做演示：
第一步：选择图片
第二步：上传图片 (也可以直接使用 UGC 对象存储功能)
第三步：输入要打的水印（镜像需要的参数）
第四步：返回结果展示
第五步：统计任务执行结果
如上文所见，这个简单的 Web APP 完成了『图片梵高风格化』和『图片打水印』两个功能，这里它体现了 UGC 的两大优点：
1. 计算能力自动扩展，处理一张照片与处理 100 张照片的时间花费是一样的；
2. 高并发，UGC 拥有多节点数万核的资源支持可以轻松支持高并发的请求。
本文转载自公众号 UCloud 技术（ID：ucloud_tech）。
原文链接：
评论