说说关系型数据库与Serverless

简介：看到如今Serverless在云计算行业喷薄欲出的态势，像极了《星星之火，可以燎原》中的描述：虽然不能预测未来的发展和变化，但对于云计算来说这是个相对确定的方向。本文从产业界和学术界出发，聊聊关系型数据库和serverless技术之间的林林总总。

它是站在海岸遥望海中已经看得见桅杆尖头了的一只航船，它是立于高山之巅远看东方已见光芒四射喷薄欲出的一轮朝日，它是躁动于母腹中的快要成熟了的一个婴儿。

-- 星星之火，可以燎原

一、关于Serverless

看到如今Serverless在云计算行业喷薄欲出的态势，像极了《星星之火，可以燎原》中的描述：虽然不能预测未来的发展和变化，但对于云计算来说这是个相对确定的方向。

从Google Trends的Serverless关键字的趋势可以看到，对于Serverless的搜素一直居高不下，并且在未来的一段时间内也会保持相当的热度。从2015年开始，以AWS为代表的国内外云计算大厂也在不断的布局Serverless相关的产品，AWS Lambda、Aliyun FAAS，数据库领域的Aurora Serverless、RedShift Serverless、Azure SQL Database等。

学术界对Serverless的研究热度也不亚于工业界对商业化方案的追求，文末列出了一些相关文章作为参考。对于云计算往Serverless演进的趋势，学术界也经历过一些质疑，2018年“Serverless Computing: One Step Forward, Two Steps Back”[3] 文章曾经对Serverless的发展给现在IT基础设施带来的冲击表示过担忧，但2019年同一拨人在这个方向上又表现出了支持和乐观的态度。从Serverless领域被引用次数较多的论文上看到，主流科研机构对Serverless的趋势和方向研究上趋于一致，研究重点也慢慢从“why”转变为“how”[6]。

何为Serverless？为什么Severless是个趋势？“Cloud Programming Simplified: A Berkeley View on Serverless Computing”[5] 这篇文章为代表做了一个比较全面的分析和预测。同样是Berkeley在2009年发表的另一篇文章“Above the Clouds: A Berkeley View of Cloud Computing”[7] 预测了云计算作为IAAS基础设施的观点。该篇文章延续了之前的风格，分析了现状和难点，预测了云计算2.0的形态Serverless作为下一代基础设施，也定义了Serverless的主要三个特征：

资源的解耦和服务化：弱化了存储和计算之间的联系。服务的储存和计算被分开部署和收费，存储不再是服务本身的一部分，而是演变成了独立的云服务。这使得计算变得无状态化，更容易调度和扩缩容，同时也降低了数据丢失的风险。

自动弹性伸缩：代码的执行不再需要手动分配资源。不需要为服务的运行指定需要的资源（比如使用几台机器、多大的带宽、多大的磁盘等），只需要提供一份代码，剩下的交由 Serverless 平台去处理就行了。当前阶段的实现平台分配资源时还需要用户方提供一些策略，例如单个实例的规格和最大并发数，单实例的最大 CPU 使用率。理想的情况是通过某些机器学习算法来进行完全自动的自适应分配。

按使用量计费：Serverless按照服务的使用量（调用次数、时长等）计费，而不是像传统的 Serverful 服务那样，按照使用的资源（ECS 实例、VM 的规格等）计费。

值得一提的是[5]这篇文章有众多云计算厂商的背书，包括AWS、Micorsoft、Google、Alibaba等，同时文章也直接以AWS Lambda服务作为样板去分析Serverless的问题。而结合AWS之后在Serverless方向上推出的各种服务上可以看出，这篇文章在事实上贴合了AWS在Serverless上的演进计划，这个后面会有具体分析。Serverless本身的技术难度，这篇文章罗列了多项内容，这里不做赘述，可以具体读一下文章。

关于Serverless的技术实现[3]给出了一个可行的系统实现方式，当然还是以FAAS为背景。其中提到Serverless关键技术路径包括：

统一的标准运行环境支持多语言的运行时统一管理
轻量级/蝇量级安全容器（在[4]中额外提到安全和隔离的重要性）
冷热容器池设计做极致的多租户复用能力
高效的函数调度能力

其中，函数计算的实现方式，却与数据库Serverless息息相关。

二、数据库的Serverless

数据库品类繁多，关系型数据库自1979年E. F. Codd对于关系模型的描述[7]开始，后来者大多只是模仿，而尚未在用户接受度和规模上有超越。

数据库不仅仅是一个“stateful”的应用，而且是一个“state-heavy”的应用。数据库是Serverless最不友好的应用之一，包括云原生基础设施kubernates对于stateful应用的支持，也是等到StatefulSet和operator之后才有一个比较好的解决方案。而在这之前数据库都是作为Serverless对状态做解耦和状态下沉的工具，也是全栈Serverless解决方案中最难攻坚的最后一个堡垒。

对于Serverless的定义，文章给出来一个公式：Serverless = FAAS+ BAAS。将FAAS（Functions as a Service）定义为事件、API、消息驱动的计算层；将BAAS（Backends as a Service ）定义为类似数据库、消息队列等后端服务。

“State-heavy applications will remain as BaaS”是目前对于数据库的一个基本认知，但这与数据库本身是否具备一定程度的Serveless能力其实是两回事。前者强调的是在应用向Serverless做架构转型的过程当中，数据库的大量状态存储做不到FAAS这样即开即用的能力，只能作为“+”来对接Serverless生态；后者说的是在某种程度上也能够满足“资源解耦”、“自动弹性”、“按使用量付费”的特点，某种程度上也可以认为是Serverless。

数据库Serverless的难点究竟在哪里？

数据库做Serverless有若干难点[4]，总结如下：

Serverless没有内置的持久化存储，需要依赖远端存储，这就会导致在延时上较高；
客户端是基于连接的方式访问数据库，在客户端往往会维护连接池的方式供应用访问，而函数计算往往具备飘忽不定的网络地址，与数据库传统的IP+User+password鉴权的方式迥异；
很多高性能的数据库使用共享内存技术，而FAAS本身不具备共享内存的能力，会使得计算和数据库之前的资源动态扩展能力不一致

其中尤其要注意的是第2点，在应用进FAAS之后，当前的数据库访问方式已经不适用于Serverless生态：

服务器与DB做连接保持，这就意味着访问状态是由客户端和数据库共同维护，而FAAS无法做到连接持续保持的能力；
服务器通过driver和连接池的方式访问数据库，每次的连接初始化相对较重，FAAS上无法承受如此重的连接初始化工作；
服务器访问鉴权通过user/password/ip的方式访问数据库，而FAAS多租户场景所有用户共享IP地址池，user/password内置到FAAS当中也暴露了极大的安全风险；

数据库需要一种新的访问方式，直接影响到数据库能否作为Serverless生态当中的一部分，直接影响到当前Serverless应用做全栈Serverless改造。其重要程度甚至大于数据库Serverless（资源解耦、极致弹性、按使用量付费等）本身。

当然数据库本身要做的事情远远不止如此，数据库本身要实现高效的弹升弹降，涉及到更多的管控和内核紧密的联动。

三、他山之石

行业翘楚AWS在Serverless相关的布局从2015年推出Lambda开始，引领着这个方向的发展。这里更多的关注在数据库方面，结合AWS在Aurora Serverless上的取舍，洞察AWS对于数据库Serverless的理解。

从Aurora Serverless V1发表于2018年，在Serverless的理念上做了大胆的创新，做了几件事情：

以ACU的方式去统一底层的资源，不再对上层暴露底层具体的机型和代数。1ACU“相当于”2GiB的RAM，统一对底层资源做了标准化和规范化的处理。这与Serverless理念中资源的解耦、以及对底层资源的屏蔽一致；
支持自动启停，在无负载的情况下支持将计算节点降低至“0”。将Serverless中按资源使用量付费体现到极致，但也带来了另外的问题。自动启停在一般场景下首次拉起需要30s左右，牺牲了部分auto scale的能力；
数据库弹性过程中内核相关buffer pool等参数随着资源配合的变化而发生变化，这也是数据库这种特殊的应用场景需要做的一些特殊处理；
2019年推出Data API功能，补全了数据库作为BAAS接入FAAS的能力，解决了前面提到的生态兼容的问题。

2020年发布的Aurora Serverless V2的介绍视频并提供内测申请，而在前不久V2也正式GA。从Aurora Serverless V2的能力来看，在Serverless能力上做了增强和取舍：

将V1中弹性能力继续提升至秒级，做极致快速的弹性。将V1中跨机升级的能力优化为本地升级的能力，保证业务在弹性过程中不受损。从Aurora Serverless只在3.0.2这一个版本上支持可以看出，内核层针对Serverless场景也做了大量的优化；
去除了V1中关于自动启停的能力，用户可以手动启停实例；更加关注实例的auto scale能力，最小资源降低至0.5ACU而非0，牺牲了部分按使用量付费的能力，这也是一种取舍；
将弹性缩容的策略做得更加保守，以保证业务压力情况下对业务的影响尽可能小。

从V1到V2的变化，对比V2和V1的User Case可以看出，Aurora Serverless V2主要解决的是从“开发测试环境”到有限场景下的生产环境的转变，至于底层的实现原理，可以从一丝丝蛛丝马迹中去探究。结合其他云的做法，Serverless的能力目前还是看重这个理念，各个厂商也在以自己的产品形态去向贴近这个理念，至于说一统行业标准的产品化方案，还为时过早，这一领域大有可为。

另外，AWS始终未在RDS上去实现Serverless能力。据内部人士透露，RDS MySQL的内核研发人数远远少于Aurora的内核研发人数，主要岗位还是以DBA为主。可以看出，在开源托管产品上要做到Serverless的能力，要比在云原生自研产品上的难度大很多。结合AWS本身产品策略，开源托管RDS的Serverless化我们或许永远也等不到那一天。

四、未来可期

从2009年开始，云的能力不断增强，云的本质是资源的池化，而这些资源不仅仅包含硬件资源，更包含专业的技术人才、以及核心的技术专利标准等。经过了十来年在规模和成本上的激烈竞争，IAAS资源也在不断的向Serverless的方向演进，以阿里云本身为例，包括弹性的存储AutoPL、弹性的容器ECI、Serverless服务引擎SAE。底层能力的增强也意味着上层PAAS层和SAAS服务有了更快的向Serverless演进的路径，阿里云数据库就是其中受益的一方PAAS。

从艾瑞2022年初对数据库云管平台的发展趋势预测[9]、以及结合云的趋势和Serverless本身，我们可以对Aurora Severless未来的发展方向做一些大胆的预测：

智能化加持：从re:Invent2021发布的Devops Guru产品上看到，AWS正在智能化场景下进行追赶。内置的智能化引擎对Serverless的场景可以做出更多的精准预测，让“响应式”扩容升级为“响应式兜底，智能化加持”的双引擎驱动；
资源解耦和极致的弹性：共享内存技术、Brust IO能力等会推着Serverless将更多的资源进行解耦，以及进行独立的升降配；
更多的Serverless手段：扩容是最有效直接应对数据库流量的方式，但是有了更多智能化的手段之后，单纯的“扩容”已经有更多选择，自动索引优化、智能调参会是很好的选项；
自动的横向扩展能力：scale out和scale up同样可以应对业务流量的变化，但scale out的复杂程度要远远高于scale out本身，也是个可能的选项；
低成本硬件大规模使用：ACU的单位定义屏蔽了底层资源属性，ARM、x86还是RISC-V已经不是那么重要，标准化归一化的算力能力让更多类型的硬件无缝无感的接入到Serverless当中。

阿里云 RDS MySQL 也在4月份推出了Serverless版本，我们将在后续的文章中做重点的介绍，我们会以一个标准的网站应用（前端页面+API服务器+数据库）为样板，介绍如何在FAAS+BAAS的架构下一步步做全栈Serverless的改造，真正做到“0”服务器。

参考文献

2016: "Emerging Technology Analysis: Serverless Computing and Function Platform as a Service", Gartner, Tech.
2017: "Serverless Computing: Current Trends and Open Problems", IBM Research
2017: "Serverless Computing:Design, Implementation, and Performance"，IEEE 2017 ICDCSW
2018: "Serverless Computing: One Step Forward, Two Steps Back ", CIDR 2019
2019: "Cloud Programming Simplified: A Berkeley View on Serverless Computing", EECS 2019
2020: "Serverless Applications: Why, When, and How?", IEEE Software
2009: "Above the Clouds: A Berkeley View of Cloud Computing"， EECS 2009
1970: "A relational model of data for large shared data banks", Commun. ACM 1970
2022: https://www.iresearch.com.cn/Detail/report?id=3922&isfree=0艾瑞咨询

原文链接：http://click.aliyun.com/m/1000348233/

本文为阿里云原创内容，未经允许不得转载。