一次 Serverless 架构改造实践：基因样本比对

Serverless 是一种新兴的无服务器架构，使用它，开发者只需专注于代码，无需关心运维、资源交付或者部署。

本文将从代码的角度，通过改造一个 Python 应用来帮助读者从侧面理解 Serverless，让应用继承 Serverless 架构的优点。

现有资源：

1. 一个成熟的基因对比算法（ Python 实现，运行一次的时间花费为 2 秒）
2. 2020 个基因样本文件（每个文件的大小为 2M，可以直接作为算法的输入）
3. 一台 8 核心云主机

基因检测服务

我们使用上面的资源来对比两个人的基因样本并 print 对比结果（如：有直系血缘关系的概率）

我们构造目录结构如下：

.
├── relation.py
└── samples
    ├── one.sample
    └── two.sample

relations.py 代码如下：

import sys

def relationship_algorithm(human_sample_one, human_sample_two):
    # it's a secret
    return result

if __name__ == "__main__":
    length = len(sys.argv)
    # sys.argv is a list, the first element always be the script's name
    if length != 3:
        sys.stderr.write("Need two samples")
    else:
        # read the first sample
        with open(sys.argv[1], "r") as sample_one:
            sample_one_list = sample_one.readlines()
        # read the second sample
        with open(sys.argv[2], "r") as sample_two:
            sample_two_list = sample_two.readlines()
        # run the algorithm
        print relationship_algirithm(sample_one_list, sample_two_list)

使用方法如下：

➜ python relation.py ./samples/one.sample ./samples/two.sample
➜ 0.054

流程比较简单，从本地磁盘读取两个代表基因序列的文件，经过算法计算，最后返回结果

我们接到了如下业务需求

假设有 2000 人寻找自己的孩子，20 人寻找自己的父亲

首先收集唾液样本经过专业仪器分析后，然后生成样本文件并上传到我们的主机上，一共 2020 个样本文件，最后我们需要运行上面的算法

2000 * 20 = 40000 （次）

才可完成需求，我们计算一下总花费的时间：

40000 （次） * 2 （秒）= 80000 （秒）
80000 （秒）/ 60.0 / 60.0 ≈ 22.2 （小时）

串行需要花费 22 小时才能算完，太慢了，不过我们的机器是 8 核心的，开 8 个进程一起算：

22.2 / 8 ≈ 2.76 （小时）

也要快 3 个小时，还是太慢，假设 8 核算力已经到极限了，接下来如何优化呢？

介绍一种 Serverless 产品：UGC

UCloud General Compute

与 AWS 的 lambda 不同，UGC 允许你将计算密集型算法封装为 Docker Image （后文统称为「算法镜像」），只需将算法镜像 push 到指定的算法仓库中，UGC 会将算法镜像预先 pull 到一部分计算节点上，当你使用以下两种形式：

• 算法镜像的名字和一些验证信息通过 querystring 的形式 （例如： http://api.ugc.service.ucloud.cn?ImageName=relation&Token=!Q@W#E ）
• 算法镜像所需的数据通过 HTTP body 的形式

特别构造的 HTTP 请求发送到 UGC 的 API 服务时，「任务调度器」会帮你挑选已经 pull 成功算法镜像的节点，并将请求调度过去，然后启动此算法镜像「容器」将此请求的 HTTP body 以标准输入 stdin 的形式传到容器中，经过算法计算，再把算法的标准输出 stdout 和标准错误 stderr 打成一个 tar 包，以 HTTP body 的形式返回给你，你只需要把返回的 body 当做 tar 包来解压即可得到本次算法运行的结果。

讲了这么多，这个产品使你可以把密集的计算放到了数万的计算节点上，而不是我们小小的 8 核心机器，有数万核心可供使用，那么如何使用如此海量的计算资源呢，程序需要小小的改造一下

针对此 Serverless 架构的改造

两部分：

1. 改造算法中元数据从「文件输入」改为「标准输入」，输出改为「标准输出」
2. 开发客户端构造 HTTP 请求，并提高并发

1. 改造算法输入输出

① 改造输入为 stdin

cat ./samples/one.sample ./samples/two.sample | python relation.py

这样把内容通过管道交给 relation.py 的 stdin，然后在 relation.py 中通过以下方式拿到：

import sys

mystdin = sys.stdin.read()
# 这里的 mystdin 包含 ./samples/one.sample ./samples/two.sample 的全部内容，无分隔，实际使用可以自己设定分隔符来拆分

② 将算法的输出数据写入 stdout

# 把标准输入拆分为两个 sample
sample_one, sample_two = separate(mystdin)

# 改造算法的输出为 STDOUT
def relationship_algorithm(sample_one, sample_two)
    # 改造前
    return result
    # 改造后
    sys.stdout.write(result)

到此就改造完了，很快吧

2. 客户端与并发

刚才我们改造了算法镜像的逻辑（任务的执行），现在我们来看一下任务的提交：

构造 HTTP 请求并读取返回结果

imageName = "cn-bj2.ugchub.service.ucloud.cn/testbucket/relationship:0.1"
token = tokenManager.getToken() # SDK 有现成的

# summitTask 构造 HTTP 请求并将镜像的 STDOUT 打成 tar 包返回
response = submitTask(imageName, token, data)

它也支持异步请求

之前提到，此 Serverless 产品会将算法的标准输出打成 tar 包放到 HTTP body 中返回给客户端，所以我们准备此解包函数：

import tarfile
import io

def untar(data):
    tar = tarfile.open(fileobj=io.BytesIO(data))
    for member in tar.getmembers():
        f = tar.extractfile(member)
        with open('result.txt','a') as resultf:
            strs = f.read()
            resultf.write(strs)

解开 tar 包，并将结果写入 result.txt 文件

假设我们 2200 个样本文件的绝对路径列表可以通过 get_sample_list 方法拿到

sample_2000_list, sample_20_list = get_sample_list()

计算 2000 个样本与 20 个样本的笛卡尔积，我们可以直接使用 itertools.product

import itertools

all = list(itertools.product(sample_2000_list, sample_20_list))

assert len(all) == 40000

结合上面的代码段，我们封装一个方法：

def worker(two_file_tuple):
    sample_one_dir, sample_two_dir = two_file_tuple

    with open(sample_one_dir) as onef:
        one_data = onef.read()
    with open(samle_two_dir) as twof:
        two_data = twof.read()
    
    data = one_data + two_data
    response = summitTask(imageName, token, data)
    untar(response)

因为构造 HTTP 请求提交是 I/O 密集型而非计算密集型，所以我们使用协程池处理是非常高效的：

import gevent.pool
import gevent.monkey
gevent.monkey.patch_all() # 猴子补丁

pool = gevent.pool.Pool(200)
pool.map(worker, all)

只是提交任务 200 并发很轻松

全部改造完成，我们来简单分析一下：

之前是 8 个进程跑计算密集型算法，现在我们把计算密集型算法放到了 Serverless 产品中，因为客户端是 I/O 密集型的，单机使用协程可以开很高的并发，我们不贪心，按 200 并发来算：

进阶阅读：上面这种情况下带宽反而有可能成为瓶颈，我们可以使用 gzip 来压缩 HTTP body，这是一个计算比较密集的操作，为了 8 核心算力的高效利用，可以将样本数据分为 8 份，启动 8 个进程，进程中再使用协程去提交任务就好了。

40000 * 2 = 80000 （秒）
80000 / 200 = 400 （秒）

也就是说进行一组检测只需要 400 秒，从之前的 7 天提高到 400 秒，成果斐然，图表更直观：

而且算力瓶颈还远未达到，任务提交的并发数还可以提升，再给我们一台机器提交任务，便可以缩短到 200 秒，4 台 100 秒，8 台 50 秒...

最重要的是改造后的架构还继承了 Serverless 架构的优点：

• 免运维
• 高可用
• 按需付费
• 发布简单

1. 免运维 -- 因为你没有服务器了...

2. 高可用 -- Serverless 服务一般依托云计算的强大基础设施，任何模块都不会只有单点，都尽可能做到跨可用区，或者跨交换机容灾，而且本次使用的服务有一个有趣的机制：同一个任务，你提交一次，会被多个节点执行，如果一个计算节点挂了，其他节点还可以正常返回，哪个先执行完，先返回哪个。

3. 按需付费 -- 文中说每个算法执行一次花费单核心 CPU 时间 2 秒，我们直接算一下花费

2000 * 20 * 2 = 80000 （秒）
80000 / 60 / 60 / 24.0 = .93 （小时）
.93 （小时） * .09 （元） * 1 （核心） ~= .08 （元）

每核时 0.09 元（即单核心 CPU 时间 1 小时，计费 9 分钱）

1. 发布简单 -- 因为使用 Docker 作为载体，所以它是语言无关的，而且发布也很快，代码写好直接上传镜像就好了，至于灰度，客户端 imageName 指定不同版本即可区分不同代码了

不同的 Serverless 产品可能有不同的改造方法，作为工程师，我比较喜欢这种方式，改造成本低，灵活性高，你觉得呢？如果对 Serverless 架构或者 UGC 感兴趣的话可以添加 u_nknow 微信拉你进交流群哦