Question

我告诉朋友，使用lambda函数运行负载的一个好处是，每个实例，以及每次执行，都会获得专用资源 - 内存和CPU（可能还有磁盘，网络......）但相关性较低）。然后我开始怀疑......

例如，如果您的某个功能具有多个租户使用的CPU密集型逻辑，那么一个执行应该永远不会受到另一个执行的影响。如果某些计算需要5秒钟才能执行，无论同时处理多少请求，总是需要5秒钟。

这对于内存来说似乎是不言而喻的，但对于CPU则不那么明显。从快速测试来看，我似乎得到了不同的结果。

那么，每个函数实例都有自己的CPU专用资源吗？

我的主要关注点是AWS Lambda，但同样的问题出现在Azure（我认为是消费计划）和Google上。

Answer 1

Lambda使用实例CPU的小数CPU分配，在与compute optimized EC2 instance相当的实例类型上运行。该CPU份额专用于Lambda，其分配基于amount of memory allocated to the function。

专用于函数的CPU份额基于分数每个核心分配的内存。例如，一个具有~3 GB内存的实例可用于lambda函数，其中每个都有功能最多可以有1 GB内存，最多可以使用〜 1/3 * 2核心= CPU的2/3。细节可能会重新审视将来

Lambda Function Configuration文档支持该解释，其中说明：

性能测试您的Lambda功能是确保的关键部分你选择了最佳的内存大小配置。 内存增加 size会触发相应的CPU可用量增加功能

所以，是的，根据您的内存分配和上面的公式，您可以获得实例总CPU的专用共享。

Answer 2

可能更清楚地表明我不是在寻找文件，而是在寻找事实。核心问题是我们是否可以假设一个执行永远不会受到另一个的影响。

正如我所说，第一次快速测试给了我不同的结果，所以我花时间深入研究。我创建了一个非常简单的lambda，在指定的秒数内生成并汇总随机数（代码here）：

while (process.hrtime(start)[0] < duration) {
  var nextRandom = randomizer();
  random = random + nextRandom - 0.5;
  rounds++;
}

现在，如果不同实例上的执行真的是独立的，那么执行这个lambda只需要一次或多次并行，所有其他因素都是相同的。

但数字显示不然。这是一张图表，显示了每秒实现的“回合数”。

每个数据点是具有相同并行请求数的10次迭代的平均值 - 这应该排除冷启动效应和其他变化。可以找到原始结果here。

结果看起来相当令人震惊：它们表明避免同一个lambda的并行执行几乎可以使性能提高一倍......？！

但坚持原来的问题：这看起来像'专用'lambda实例的CPU分数不固定，但取决于某些其他因素。

当然，我欢迎任何关于测试的评论，当然还有对观察到的行为的解释！