王希维

这篇论文的核心思想是对serverless的负载特征进行分析，并提出了一种自适应资源管理策略来降低冷启动和资源浪费。

对于serverless云平台来说，一直以来的目标都是寻求以尽可能低的资源成本实现高的函数性能。函数执行的速度和消耗的资源主要取决于三个方面。首先，函数执行需要在内存中有必须的代码(例如，用户代码、语言运行库)。当代码已经在内存中(热启动)并且不需要从持久存储中(冷启动)导入时，可以快速启动函数。第二，对于平台方来说，将所有函数所需的资源始终保存在内存中可能非常昂贵，特别是在函数执行时间短且执行频率不高的情况下。第三，不同的函数可能有多种多样的资源需求和多触发器的调用频率。这些特征使得通过预测来减少资源使用变得非常复杂。以上几点清楚地表明，以低成本提供高函数性能要求深刻分析FaaS工作负载的特征。

  针对于serverless的负载，作者收集了Microsoft Azure整个基础架构中的函数调用的数据，并从函数和应用程序的关系、函数调用的触发器、函数调用模式、函数到达间隔时间、函数执行时间、函数内存使用情况等方面进行了详尽的分析。从对workload负载的分析中，我们可以总结出三个主要的结论：首先，绝大多数函数都是在几秒钟内执行的，它们中75%的最大执行时间为10秒——而冷启动所需的时间差不多也是几秒钟。因此，提高函数性能的关键是要减少冷启动的次数或者减少冷启动的时间。其次，绝大多数应用程序的调用频率都很低——81%的应用程序平均每分钟最多调用一次。因此，就内存使用而言，将低频函数始终驻留在内存中是一种非常大的开销。最后，许多函数表现出很大的可变性，其中40%的函数的到达间隔时间的变异系数值高于1，因此预测下一次函数调用的时间是一个非常具有挑战性的工作，特别是对于那些不经常调用的函数来说。

  针对于FaaS的工作负载，作者设计了一种自适应资源管理策略，称为混合直方图策略。该策略的目标是用最小的资源浪费来减少冷启动调用的数量。这种策略主要通过控制函数的两个参数来实现，一个是 Pre-warming窗口，一个是 Keep-alive窗口。所谓的 Pre-warming窗口就是策略从最后一次执行开始，在加载应用程序镜像以期待下一次调用之前等待的时间。所谓的Keep-alive窗口就是应用程序的镜像在被加载到内存后保持活动状态的时间。只要控制好Pre-warming和 Keep-alive这两个窗口，让函数在Keep-alive窗口到达，就可以避免冷启动。混合直方图策略总共包括三个部分：首先是捕获每一个函数“空闲”时间的范围特征的有限的直方图；其次，是当有大量的调用超出直方图范围时，一个时间序列预测分析方法；最后，当直方图不具有代表性时，还有一个保守的标准 Keep-alive方法。所以，整个流程就是 每当一个新的调用到来，首先更新直方图。然后，判断是否有大量的调用超出直方图范围，如果是，那么就使用时间序列预测分析方法，否则，判断直方图是否具有代表性，如果是，就根据这方图控制Pre-warming和 Keep-alive这两个窗口，否则，就使用保守的标准Keep-alive方法

      最后，就是论文的实验部分。作者使用了19台虚拟机进行实验，一个拥有8个核心和8GB内存的虚拟机作为控制器和其他主要组件(包括Nginx和Kafka)托管容器。剩下的18个虚拟机有2个cpu核心和4GB内存，托管一个调用程序来实际运行Docker容器中的函数。作者设计实验分析了keep-alive窗口的大小、直方图中截断百分位数值大小、直方图中数据的变异系数的大小、时间序列分析方法等等因素对冷启动以及内存使用量的影响，证明了所提出的混合直方图策略可以减少冷启动次数并降低资源消