概覽
Lambda 的成本等於記憶體乘以執行時間,而兩者彼此相關:記憶體越多,CPU 也會等比例增加,因此規格較大的函式往往執行得夠快,反而更便宜。幾乎沒有任何環境是依實測結果配置規格的;函式沿用第一位開發者隨手填入的數值,整個環境就此固化。
挑戰
Lambda 帳單已成長為一筆可觀的支出項目,流量卻沒有相應增加。抽樣顯示:配置了大量記憶體的函式只用到其中一小部分;CPU 密集型函式在低記憶體設定下資源不足,執行時間遠超出必要;有些函式在等待同步下游呼叫時閒置,卻仍要為等待時間付費;還有一批排程函式頻繁執行,但大多數呼叫其實什麼都沒做。
環境
大型 AWS Lambda 環境,涵蓋以 API 為後端、事件驅動與排程型工作負載。AceMQ 針對客戶的函式設定與架構提供建議;平台本身由 AWS 營運。
做法
AceMQ 從平台指標擷取每個函式的記憶體使用率與執行時間分布,並針對支出最高的函式,在不同記憶體設定間進行受控的掃描測試,找出每個函式實際的成本最低點,而不是假設記憶體越少一定越便宜。架構層級的浪費與設定層級的浪費分開回報,因為兩者的修正方式不同。
解決方案
- 依實測的記憶體使用率與執行時間分布,建立每個函式的成本模型
- 對支出最高的函式進行記憶體掃描測試,找出各自真正的成本最低點
- 找出增加記憶體反而能降低總成本的 CPU 密集型函式
- 將因等待同步下游呼叫而被計費的函式,標示為非同步重新設計的候選項目
- 在來源支援的情況下,以事件驅動觸發取代高頻率的輪詢排程
- 交付依優先順序排列的變更清單,並列出每一項的預期節省金額與風險
成效
為支出最高的函式調整規格後,Lambda 支出明顯下降,且沒有造成任何延遲退化;數個 CPU 密集型函式在調高記憶體之後,更是變得既便宜又快速。