faasphp技巧_百度搜索中台新一代内容架构FaaS化和智能化实战

导读：百度搜索中台内容打算架构为在线供应了数十亿的异构且有丰富特色和旗子暗记的优质原材料。
我们以 Serverless 理念为指引，通过FaaS化和智能化的系统性培植，构建了新一代内容数据打算系统，实现了业务研发效率、资源本钱和架构稳定性掩护性的显著提升。
本文从搜索中台内容架构演进过程中碰着的问题入手, 剖析系统设计思路，然后详细先容详细实践方案。

全文10719字，估量阅读韶光7分钟

二、思路与目标

业界对付Serverless的大规模实践紧张是聚焦于Web端运用，中后台的实践相对少一些。
我们面对的场景是搜索中台数据的实时打算，而搜索本身又是非常繁芜的业务。
但是通过对我们场景的抽象与剖析，我们具备了在中后台繁芜场景实践Serverless/FaaS的可行性：

一方面，虽然业务开拓的功能需求千差万别，实质上仍旧有很多通用共性的地方。
对付业务特定化的处理逻辑都可以将逻辑转化成一个一个的函数。
而共性的功能可以通过抽象成通用组件。
通过函数的编排和组件的复用可以乐高式搭建出适宜业务的搜索数据打算系统。
同时业务完备聚焦于业务自身逻辑中去，高可用、高并发、高扩展这些用户都不须要关注, 极大的简化的业务接入本钱。

另一方面，由于业务流量的波峰波谷非常明显，通过深入业务层的智能化调度的实现，不仅可以提升业务在流量峰值的扩展能力，而且通过调度可以实现资源的充分利用，节约大量的资源本钱。
同时，针对越来越繁芜的的系统，一定导致问题的排查规复的本钱也越来越高，通过智能化掌握系统的引入，实时创造剖析处理非常问题，使得全体系统更稳定更有韧性。

结合业务痛点，总结起来紧张是两方面的事情：

通过FaaS化培植，业务从聚焦于做事研发转变为聚焦于函数开拓，全面的提升业务的开拓效率。
这里的FaaS化改造不仅仅说的是技能底座的变革，更是全部系全流程整体的业务效率的提升。

通过智能化培植，让架构系统根据做事的容量和状态进行动态调度，使得可以在追求更低资源本钱的同时供应更高质量做事。
智能化培植即包括从0到n极致化的智能伸缩调度，还包括根据系统的多维度实时状态信息进行智能剖析自愈的智能掌握系统。

三、FaaS化改造: 追求业务明显感知的卓越效能

FaaS的极简化的思维从直不雅观的角度上来说本身就会给业务带来巨大的人效的提升，如下图所示：

如上图所示业务在过去的普通云化做事中须要关注内容较多：从运用程序本身、组件和数据，以及做事的运行时环境，到末了的做事容器等根本举动步伐的管理都须要业务方去关注。

当业务转变到FaaS化的思维中，业务须要开拓处理的只是业务的一段逻辑表达，这里因此Function的办法表示， 其他部分(包括组件、数据、运行时环境和根本举动步伐等一系列成分，业务乃至连原来运用程序本身)都不须要管理。

搜索中台内容打算在FaaS化方面紧张进行两部分事情，其一是核心框架，其二是业务全流程系统培植，终极担保业务的开拓效率与现在比较有根本性的转变。

3.1 核心框架: 业务抽象与能力复用

核心框架是我们全体系统改造的基石，对业务来说紧张包含两部分:

极致抽象的业务框架：是核心框架根本中的根本，供应新的开拓范式同时，为后续智能调度奠定良好根本

高度复用的根本做事：强大丰富的后端做事能力封装，支持业务低本钱复用，降落开拓本钱同时提升稳定性。
同时系统还供应强大的编排能力，低本钱支持业务从大略到繁芜的发展

极致抽象的业务框架

业务框架作为FaaS层和业务代码的载体，是全体业务逻辑的代码框架。
框架本身掩护数据流语义，面向有向无环图（DAG）的数据流，调用业务函数代码。
业务框架是面向有向无环图的数据流实时打算，支持完备的流式打算语义：

业务端利用开拓本钱低的脚本措辞进行开拓（例如Python），根本做事框架利用C++实现，通过架构层面的优化策略来达到做事性能和开拓本钱的平衡。

根本框架的发展本身经历了两个阶段：

阶段1:根本框架引擎利用C++实现(原来业务框架阶段基于脚本措辞实现)，架构代码与业务代码的充分解耦，直接调用业务函数代码，业务开拓效率已经有了质的飞跃。

阶段2:为了规避脚本措辞在进程中只能利用单核（如Python、Php、JS等）特点，让业务函数具备容器内利用多核的能力，为后续支持极速扩容奠定根本。

下面就来看下整体框架的构成办法， 看上图右侧部分:

流式打算框架: 我这边是直接基于百度StreamCompute流式打算框架开拓，该框架原生支持根本流式打算数据流语义、支持拓扑函数的编排描述，为全体FaaS供应坚实的根本底座。
大家实际利用过程中可以选取得当的流式打算框架开拓。

数据预处理: 这里包含的功能比较多，从大体上协议解析、性能优化和数据不雅观测等三个方面的事情

协议解析: 这里紧张解释的框架的根本通信协议的定义解析，为了各业务数据通用性定义为 入参 和 出参均为原始字符串；

性能优化: 接入数据流框架本身，通过批量顺序读写、数据压缩的办法提高数据穿入过程中的做事吞吐；

数据不雅观测: 进行根本指标申报请示包括QPS、延时、内部队列等一系列信息，和异步的Trace信息(进入到Kafka中)。

进程管理&做事管理: 并不在数据的主通道上，紧张是应对全体容器内部进程和做事的管理。

进程管理: 伴生做事，卖力启动、掩护、销毁全体子进程的生命周期。

做事管理: 伴生做事，卖力初始化并且掩护远真个rpc 的client，修正访问参数，如超时、重试、下贱访问策略等。
卖力新进程的创建、回收，以及进程间交互信息的掩护。

进程通信异步数据分发: 这里有三个关键点: 数据不丢 、非常健全 和支持下贱竞争消费。
调研了包括数据管道通信、共享内存、系统行列步队和RPC等操作办法，考虑到稳定性、扩展性和实现本钱等成分选择基于Baidu-RPC框架实现进程异步数据分发；

单进程模式： 当进程个数为1的时候则跳过进程通信，直接在本进程内部进行方法调用；

多进程模式：每个进程完备独立启动,业务视角隔离，但是公用一套业务代码环境。
子进程处理完成后将要求结果反馈给父进程。

业务逻辑处理: 紧张包括校验解析&函数调用&本地优化加速几部分，如上图左边便是业务逻辑处理的展开图。

解析&校验&优化: 每个线程内会进行参数解析协议校验，为了方便老业务迁移，支持多用户协议解析，线程并发优化；

实行引擎: 函数接口是真正函数调用地方，支持不同措辞的调用引擎。
eg: 如果业务利用Python，利用pybind。

数据提交: 实行完成后会统一推送到本地输出行列步队，本地行列步队里面的信息会异步提交到远真个行列步队里面给后续算子消费。

高度复用的根本做事

业务依赖的后端做事，包括多媒体长留做事，数据存储做事，策略打算等十项做事能力，所有的做事架构的支持目标都是通过大略配置、少量代码的办法进行做事接入。

架构通用能力：包括索引算分(倒排、正排、向量索引)，数据审核(政治敏感数据/色情数据识别&过滤)，多路分发、数据建库等能力；

与业务联合研发的能力：数据的低质过滤能力(实现数据洗濯/归一化/数据去重/类目拼接)，数据多元领悟，数据质量打分打算(质量打分/作弊识别/物料打分)

基于公司强大根本能力: 多媒体处理做事(外链转内链/OCR/水印打算/重复图打算/主体识别/视频转储等)，自然措辞处理做事,数据沉淀做事

支持的BaaS做事紧张是两个特点: 大略稳定 & 充分集成公司内其他优质能力。
用户通过SDK调用、算子复用和数据流复用等办法直接进行能力复用，完备不须要进行做事的支配和管理，做事易用性、稳定性由搜索中台来处理。
利用任何做事后端都可以收口在一个地方，避免业务频繁跟多个做事团队进行互换处理，极大降落业务利用本钱。

业务最开始接入常日只须要大略的少数功能（例如，修正部分字段的信息)，多数业务直接用我们供应的平台化的开拓模板即可完成开拓。
但是随着业务的逐步深耕,业务逐步利用，业务会向繁芜逐步过渡，例如搜索中台某业务通过复用超过8种能力的组合利用，培植出具有深度定制的数据系统。

3.2 全流程效能提升: 供应极简的用户利用体验

如3.1中提到的核心框架是FaaS化的根本但并不是全部。
由于改造的底层逻辑是让业务聚焦于开拓业务逻辑。
这个过程不仅仅包括代码的开拓阶段，而是包括从接入、开拓、调试测试、上线掩护的全流程阶段，因此我们须要对付系统进行全流程效能提升，才能终极担保业务的全面效率提升：

快速接入:权限申请到数据接入的全面简化。
简化的培植紧张是两方面思路：其一是流程上的简化（例如: 权限申请流程无需架构同学参与，组内同学就可以审批处理）；其二开拓过程的简化，对付常见的流式数据系统(公司其他中台或者官方数据系统) & 通用存储(常用的公司数据存储 eg Mysql、Mongo、公司内部的表格存储乃至原生FTP本地文件) 支持配置化的批量导入。
同时我们也提自定义(完美适配Docker)的任务系统供应做够的灵巧性担保业务的低本钱接入；

极速开拓:平台完善函数内容。
我们这边开拓有两种模式，一种适宜初学者的Air模式，一种是适宜高端玩家的Pro模式；针对付Air模式本身，用户可以直接在平台完成代码的提交和调试功能，完备一键处理；

快速调试&测试:业务可以根据自己实际的须要可以通过平台化的办法调试通用的模板函数， 也可以通过线下集成调试环境一体化的对全体系统进行调试。
针对付测试供应了平台化的测试方案，业务可以默认0配置的情形下进行做事性能和实行数据结果的DIFF；

问题定位: 这部分对付业务问题办理尤为主要。
紧张包括监控报警和云日志两部分功能(详细架构设计在2.1可不雅观测性培植 中有详细的描述)：

监控报警：包含两部分信息通用部分和业务自定义两部分。
个中通用部分供应 包括算子总体堆积程度，每个算子的处理的信息，app 实例状态 等等20多项常用数据指标，直接集成到管理平台内部，可以不需配置直策应用。
而自定义部分供应了根本的SDK函数装饰器，可以极低本钱给监控自定义代码段的成功率，延时等信息；

云日志：包含数据Trace(数据流向)、日志Trace以及干系的数据报表做事,业务都可以极低本钱进行做事接入。

通过的FaaS化培植，业务接入、开拓、迭代、掩护等全流程阶段的效率都有了巨大的提升, 达到了10倍人效提升。

四、智能化:追求更低本钱、更高质量的做事

通过上一部分提到的FaaS化改造，业务的全流程做事效率问题得到巨大的改进。
接下来通过智能化改造的事情在避免大量资源摧残浪费蹂躏、降落资源本钱的同时，提高业务的做事质量。
智能化的事情紧张包括两部分：

通过智能化的资源调度方案，极大的节约用户的资源本钱，真正做到按需利用，而且可以有效处理流量洪峰，提高系统稳定性。

通过智能化的掌握架构，有效处理非常问题，做到问题主动感知、决策并且主动处理，提升系统韧性的同时降落大量的掩护人力本钱。

下面针对付这两部分系统设计进行详细阐述。

4.1 智能调度: 极致化弹性伸缩

过去，业务的app紧张配置固定容量配置，我们多数的业务流量都有明显的潮汐式，大量业务天级别只有1个小时，乃至几分钟的流量，这样就造成了大量资源摧残浪费蹂躏。

智能调度的核心浸染便是实现业务的资源的按需分配, 实现从0→n的资源知足，详细上来讲紧张有如下功能：

自动伸缩：根据当前做事流量的颠簸情形自动分配出来对应可以知足整体实例消费情形的实例数进行消费,包含纵向本地扩容+容器横向伸缩的办法相结合多阶段扩容；

做事资源回收&冷启动：担保永劫光没流量的做事容器，资源完备被回收，不占用任何做事资源，当新流量资源到来的时候，做事接着过去资源的数据消费，担保数据生效稳定性的同时，使得业务完备做到按需利用；

非常实例迁移：紧张通过热点实例迁移，长尾实例迁移担保做事全局的正常运行；

容器资源自适应：紧张通过检测内存利用状态，对资源容器进行自适应的调度，担保容器资源在不摧残浪费蹂躏的同时，担保做事不会超限而造成做事的OOM。

个中自动伸缩是一个这个场景下最范例的调度场景，下面以自动伸缩为出发点从设计思路&核心架构两个方面来详细阐述。

设计思路：多阶段扩容的设计缘故原由

扩缩容最初只有传统意义上的横向扩缩容，在我们的业务场景下可以达到分钟级的是时效性，多数业务可以知足需求。
然而，针对付高时效业务，当流量高峰溘然到来的时候(例如3倍过去高峰流量)，分钟级的扩容速率业务无法接管。
为理解决这个问题一样平常只能给一定业务流量BUFFER(比如2倍流量)。
如果资源BUFFER充足，业务方则有大规模的的资源摧残浪费蹂躏，如果资源BUFFER不敷时效性依然没有完备办理。

实在业务的核心诉求是架构能否做到相对稳定的秒级伸缩。
可以快速缓解业务流量洪峰的压力，提高系统稳定性扩展性的同时达到最佳的资源利用。
通过剖析横向扩缩容底层现状我们创造:

启动韶光剖析: 容器的调度韶光+rumtime初始化韶光霸占了全体启动韶光的98%以上，一样平常须要5分钟，依赖于公司根本PaaS环境，优化本钱非常高；

开拓业务：业务都是通过脚本措辞开拓（常日是Python），受到阐明器限定极限只能用满CPU单核, 有时乃至由于业务代码逻辑问题远远无法达到；

资源占用：容器规格很小(CPU规格极小、容器内存资源充足)，多数机器上的剩余quota足够。

因此我们就想到利用，增加纵向本地扩容阶段：1. 通过Quota Resize 办理容器资源扩容问题；2.通过框架的多进程并发办理大容器下的业务能力上限问题。

结合3.1核心框架中提到的多进程框架的实现，实际扩容包含两个阶段：

纵向本地扩容阶段：可以知足在高时效业务场景下突发流量到来的极速资源知足速率，常日可以瞬间知足5~10倍的资源。
此外，扩容过程中是许可少数实例纵向扩容失落败的，通过流量均匀分发的能力，将纵向失落败的流量实例流量均摊到成功的实例上。

容器横向伸缩阶段：两种情形会进行横向扩容阶段：

其一，当高峰流量持续韶光较长(一样平常超过10分钟)时，会进行横向扩容实让做事容器分裂(例如：2个实例10进程 → 20个实例1进程)；

其二，纵向扩容后仍旧不能完备知足吞吐哀求(例如100倍的做事吞吐需求)，则会在纵向扩容后瞬间触发横向扩容，不过此时业务完备知足效率退化身分钟级。

以上描述的是扩容过程，缩容过程类似，优前辈行本地缩容。
这样担保容器的均匀分布，随时都能有本地扩容的能力。

核心实现: 调度核心架构

如下图是我们智能调度简化架构图:

紧张分成下面几个阶段:

采集层: 采集数据的根本信息，这里紧张须要集中类型的信息，尤其是扩缩容实在紧张关注两个行列步队信息:

数据流的行列步队信息

流式算子之间的行列步队信息

决策层: 根据历史调度信息和当前的实际状态信息进行决策，实现多阶段可变步长的扩容:

优前辈行本地扩容，根据当前容器的资源利用量最多须要均匀可以扩容5→20倍

永劫光当本地扩容到(或者靠近)极限，则会进行横向扩容，这个资源水平没有分外限定

多阶段: 本地扩容(纵向) + 横向扩容

可变步长: 数据堆积都有多个阈值，每个阈值关系到不同的步长(默认每个APP至少两个步长)。
eg: 政务业务的数据流堆积1000持续超过30s则触发扩容1倍，如果超过10000，则直接扩容到最大实例数

剖析层: 在整体资源低于阈值(默认85%)的时候默认是跳过该阶段；在整体资源超过阈值后，为了担保高优先级的资源进行优先级调度利用的，必要的时候会对低优任务进行淘汰

实行层: 根据决策剖析层供应的信息实行

本地扩容: 直接调度容器Quota信息的同时根本框架的进程管理启动做事的进程数来实现本地的极速扩容(比横向扩容快一个数量级)

横向扩容: 普通横向调度实例个数，由于涉及到资源调度，数据环境的初始化，须要的韶光周期是分钟级

过滤: 扩容生效都有一个韶光周期(本地扩容秒级，横向扩容分钟级)，每个决策后都有一个静默期(比如10分钟)从而避免重复决策实行

跳档: 过滤只针对付完备相同的操作拦截，针对付不同步长扩容不拦截，担保业务在流量洪峰下的感知实行速率

实行: 真正实行操作，例如扩缩容操作

关于本地打算扩容: 进程管理的时候每启动一个子进程，实际内存增加约60M，CPU极限增加1核心(10个实例资源只是600M内存，10个逻辑核心)，超过实例 90% 情形都可以实现本地极速扩容。

按需计费的实现考虑到不同业务有不同的调度逻辑和配置场景: 有的业务须要资源预留（担保最低实例数), 则这部分业务有最低资源霸占本钱；而多数业务没有特定的需求，一样平常冷启动延迟业务可以接管，则不须要担保最低实例数;有的业务须要时效性哀求比较高，扩容敏感度高，缩容敏感度低， 而对付普通扩容敏感度，乃至敏感度更低的业务，相同状况下扩容的资源数可能完善不一致;有的业务不须要容器自动适配，而多数业务须要在容器尤其是内存设置不合理的时候主动获取更大的容器。
业务实际上的收费便是按照业务不同的调度策略进行计费，真正做到不多不漏，合理计费。

通过智能调度做事实现了核心生产环境多数场景支持秒级自动伸缩， 支持0→n的极致扩容。
按需计费，整体资源节约87%。

4.2 智能掌握: 防止问题升级扩散，全自动实时处理

（图片来自网络侵删）

智能化调度实现了极致化的弹性伸缩，做到了资源的极大节省。
我们的全体系统也随着系统云原生化的改造下变得越来越繁芜，但是问题的排查本钱却越来越高。
因此问题的排查常日须要多个方向的同学配合尽力(或者依赖个别专家同学的定位)才能处理办理。
这不仅仅是对架构人力的巨大摧残浪费蹂躏，而且干预韶光常常不可控，对付线上有很大风险。
为理解决这个问题，搜索中台内容生效架构引入了智能掌握系统, 快速、准确的创造问题、处理问题并且全体过程是完备自动化的：

快速: 处理速率快，主动创造 与 关照相结合的办法，全面进行问题排查

准确: 历史涌现过的问题转化成系统规则，全体过程仿照专家进行处理办理。
只要规则合理，没有误操作，没有非预期行为

自动: 处理过程完备无需人工干预，全程自动化处理

智能掌握系统总体上因此可不雅观测为基石，以健全的自愈能力为手段，通过智能剖析引擎进行实时动态剖析决策，决策的结果会影响到不雅观测数据做下一轮的数据剖析。
它们的相互关系如下。

通过整体系统的实行自愈的连续迭代调度， 终极让系统调度到一个康健的状态。

完善可不雅观测系统(根本)

可不雅观测系统并非这次阐述的核心，但是它仍旧是智能掌握的根本。
没有完备的可不雅观测系统培植，统统有效的掌握系统都是空谈，如下图便是整体可不雅观测系统的概览:

根本采集层: 为所有的不雅观测系统的数据供应最原始的根本数据采集。
从数据类型来分紧张是三类:

流式数据: 须要记录每条数据的信息，紧张借助于Kafka的数据行列步队网络

指标数据: 对外申报请示每个实例的指标数据，对外exporter申报请示数，或者直接原始公司公司内的监控系统进行采集

自定义数据: 这种一样平常利用脚本以特定化的办法采集，作为根本指标采集的补充

数据处理层: 该层紧张是针对付流式原始数据的数据处理，从图中可以看到紧张是两部分数据，很多根本数据信息不须要额外聚合

指标聚合层: 紧张是供应于拓扑剖析系统，这里基于StatsD和Prometheus的转换接口，实现的指标动态分桶机制,极少资源完成大量数据信息

数据聚合层: 紧张供应于实时成功率监控系统，这里是基于数据的动态Hash和流式打算完成的

存储层: 该层是可不雅观测系统的中间核心，这里我们用到的数据存储既有开源的系统(包括ES/Prometheus/Mongo等)，也有公司内的监控系统(以复用为主)。
有两个大系统供应原始数据:

一方面，给上层运用系统供应数据展示的原始数据；

另一方面，给智能掌握供应决策的原始数据。

展现层: 用户直接访问的前端接口，这里有我们自定义的平台，也有直接借助开源系统Grafana和Skywalking之上进行培植

运用层: 用户或者是架构所需的对外查看的系统，有6大业务系统，包括:

Trace系统: 包括数据Trace 和 日志Trace，确认任意单条数据信息

指标系统: 最关键的根本数据信息，所有架构层和业务层的核心指标都收录于此

康健刻画系统: 通过当前全局的报警信息（报警级别、韶光、个数）刻画出整体当前系统的康健程度

拓扑剖析系统: 剖析业务侧面和架构侧数据流是否存在非常（数据流量变革，非常点剖析）

效果监控系统: 从数据生效结果监控，从架构效果端反推业务问题，比如 监控关键数据变更的韶光戳反推架构系统问题

实时成功率监控: 查看数据流整体端到真个实时成功率信息

通过一整套监控系统建让架构节制大量实时多维度的数据指标。
所有的系统的问题都会反应到一个（或者几个）指标数据的变革中去。
一方面，可以作为后续自动掌握的数据原材料；另一方面，架构通过将这些指标的分级(高中低)分通路(电话、短信、通信软件)的办法担保系统的人工兜底。

健全的自愈能力培植(手段)

完善可不雅观测性供应决策的数据源，它是智能掌握的根本。
而自愈能力的培植是自动化的掌握的主要手段，否则依赖纯人工干预（例如”手动删除一个实例” 或者 “线上修正一个配置”）的操作是没办法实现自动化和快速止损的。
自愈能力培植这里重点描述所覆盖的功能凑集，不仅仅包含我们传统意义上的容器管理功能(例如：实例重启、迁移等)，还有深入到业务系统架构中的做事管理类和通路掌握类的功能：

做事管理类: 紧张是基于资源&做事的管理，包括通路切换（主备切换，优先级切换）、数据拦截、数据回灌 和 做事降级 等

通路管理类: 紧张是基于供应根本组件的管理功能， 包括流量清理、查询拦截(非常查询&慢查询查杀)

自动化问题剖析引擎(核心): 规则+Function

自动化问题剖析引擎是全体智能掌握系统的大脑。
它上游吸收不雅观测供应的原始数据，进行自动的剖析决策后，通过系统供应的自愈能力处理。
自动化问题剖析引擎的核心思路: 只要历史上涌现过的问题，RD同学能找到问题和解决方案，就可以转化为系统规则和后置函数梳理。
那当下一次碰着问题则无需人工干预。
规则引擎的核心剖析过程是2段式的:

阶段1: 传统配置化的规则引擎的配置（上图中右上角黄色部分），配置多个采集指标项的逻辑关系（与或交非）， 这里紧张是针对问题的根本剖析功能,剖断规则是否触发。

阶段2: 基于这个根本剖析的结果，进行后置Function的实行剖析，这个紧张是针对繁芜问题的剖析补充， 终极实行引擎根据这个返回结果进行函数实行。

下面针对问题剖析引擎的实行结果如下:

条件: 开拓者须要配置好处理逻辑规则（以及规则依赖的数据项，必填） & 回调函数（选填）。

数据解析器: 数据解析器紧张承担的数据的原始抽取的事情，一共分成如下3步；

配置解析: 逻辑实行根据开拓者配置的数据信息解析；

数据抽取: 根据解析出来的配置通过数据接口进行获取，可以从统一接口根据配置的信息从不同的介质充抽取所需求的信息；

数据归一化: 将不同介质的原始数据归一化成为统一的数据格式供规则管理器利用。

规则管理器: 规则管理器紧张承担核心的逻辑剖析事情，一共分成如下几步:

规则解析: 根据开拓者配置的规则逻辑，将原始配置信息，阐明成原始的规则树；

实行打算: 根据数据解析器供应的数据结果和配置的函数规则分别实行打算。
实行打算过程中最主要的便是根本剖析器，整体供应了5大根本能力，数十种常见的逻辑打算来赞助规则配置。

规则逻辑运算: 根据上层解析出来的规则树 和 每个数据项实行完成的打算结果进行逻辑运算，并根据实行的结果确定是否进行高等数据剖析器，如果判断结果为真则根据所配置的后置函数进行处理；

高等数据剖析器: 如图所示有两种模式，对付大略根本剖析可以判断结果的，直接给默认的处理函数进行数据拓传；对付大略逻辑规则无法准确表达的，开拓者可以自定义后置剖析函数， 函数会将原始数据和根本打算的打算结果作为参数传出来，开拓者只须要通过处理后的数据描述清楚剖析逻辑即可；

动作实行器: 便是这个剖析器的真正的实行引擎，根据规则运算的结果中包含的参数进行动态调度。

通过智能掌握系统的培植，月级别剖析处理上万的非常问题，自动规复的比例占总数的96.72%，所有问题的规复韶光均匀在1.5分钟， 90分位小于3分钟， 核心故障同比减少60% （由于预处理防止普通问题恶化成严重问题）。

五、总结

整体的事情思路以Serverless为辅导思想，通过FaaS化 和 智能化两个维度的系统化培植，以技能手段系统性实现了降本、增效、提质：

通过FaaS化的培植，提升根本做事性能的同时全流程做事效率的提高， 详细来说包括两部分：

打造新一代的核心框架，供应强大的根本底座让业务核心关注点从原来的云化做事思维聚焦到逻辑实现，业务通过大略复用和编排实现繁芜的功能，让业务开拓更大略

供应一体化全流程系统培植，让业务从接入、开拓、调试测试到终极系统掩护全流程的流畅体验，助力业务更高效的交付

通过智能化培植，在稳定性有巨大提升的同时大幅度降落资源本钱和系统的掩护本钱，详细来说也包含两部分：

通过智能化调度, 实现业务的按需分配(0→n), 秒级应对突发流量, 节约大量的资源本钱；

通过智能化掌握，实现全部系绝大多数问题问题的自动感知、自动剖析、自动处理，提升稳定性的同时降落了系统的掩护本钱。

在Serverless上线之后，同时FaaS化和智能化的培植，业务真切感想熏染到降本增效的同时稳定性和架构掩护本钱也显著降落，让架构和业务同学都切实感想熏染到了新研发范式下的技能红利。
Serverless 带给我们的是一种新的研发范式，实现了业务创新能力的巨大提升，期待在越来越多的场景中，呈现更多的最佳实践。

五人根本架构组如何掌控千万DAU云原生架构

代码质量第4层——健壮的代码！

架构设计之道

版本不兼容Jar包冲突该如何是好？

手把手带你从0搭建一个Golang ORM框架（全）！

技能原创及架构实践文章，欢迎通过公众年夜众号菜单「联系我们」进行投稿。

高可用架构

改变互联网的构建办法

\"大众 data-from=\"大众0\"大众>

标签：业务数据