华为论坛三个当前问题的量化解法:ECS 规格选型、函数盈亏平衡与「验证通过但状态不更新」
本文所有数字来自本机 Python 3.13.12 实跑(固定随机种子 11122026,主实验每组 N=20000,参数扫描 N=8000),实验脚本
exp-1112b.py与原始结果exp-1112b.json可完整复现。文中所有价格均为归一化系数,不代表任何厂商真实报价,目的是把方法讲清楚,读者代入自己账号的实际单价即可。
11-11 华为云开发者论坛有两个新提问:《云服务器规格选型时,如何平衡成本与性能?》《函数工作流 FunctionGraph 适合哪些业务场景?》,加上 11-06 那帖《ICT 大赛云赛道 VPC 对等连接 ping 验证成功,平台实验进度长时间未更新》,三个问题累计已有 40 多条回复。翻下来大多是场景罗列和经验判断,少有能直接算的判据。这三问其实是同一类问题:把「感觉」换成可测的量和明确的判据。本文给出三个可运行的模型和一组本机实测数据。
一、规格选型:本质是 SLA 约束下的成本最小化
1.1 数学定义
把选型写成约束优化,而不是「越大越好」:
其中 是可选规格集合, 是月成本, 是到达率。把每台机器建模为 M/M/c 排队系统,每服务台服务率 ,到达率 ,利用率 。Erlang-C 给出「需要排队」的概率:
等待时间尾分布为 。两个必须记住的硬结论:
- 时系统没有稳态,队列随时间发散。此时任何「压测跑 2 万请求得到的 P95」都是有限样本假象,不能用来选型。
- SLA 的下限不是排队,而是单次服务时长本身。指数服务时间下 。本机实测单请求均值 60.65 ms,光服务时间的 95 分位就约 182 ms,所以 SLA=200 ms 的预算已经被单请求吃掉九成,加多少核都很难救。
1.2 本机算力基准与可运行代码
先用一段确定性整数运算实测本机单核吞吐,再定义「1 个标准请求 = 100 万次运算」,把它换算成服务率。本次实跑:16,488,418.6 ops/s,故 req/s,平均服务时长 60.65 ms。规格价格用归一化系数(1vCPU 常驻 1 小时 = 1 个成本单位,一个月按 730 小时),8vCPU 取 6.80,体现「规格越大单位算力越贵/越便宜」都可扫参。
import heapq, math, random
OPS = 16_488_418.6 # 本机实测单核 ops/s
WORK = 1_000_000 # 1 个标准请求 = 100 万次整数运算
MU1 = OPS / WORK # 16.488 req/s
SPECS = [(1, 1.00), (2, 1.90), (4, 3.60), (8, 6.80)] # (核数, 归一化价格)
EFF, HOURS, SEED = 0.85, 730, 11122026
def simulate(lam, mu_server, c, n=20000, seed=SEED):
"""M/M/c FIFO 事件驱动仿真,丢弃前 10% 预热。"""
rng = random.Random(seed)
t, arrivals = 0.0, []
for _ in range(n):
t += rng.expovariate(lam) # 泊松到达
arrivals.append(t)
services = [rng.expovariate(mu_server) for _ in range(n)] # 指数服务
free = [0.0] * c
heapq.heapify(free)
resp = []
for a, s in zip(arrivals, services):
done = max(a, heapq.heappop(free)) + s
heapq.heappush(free, done)
resp.append(done - a)
resp.sort()
steady = resp[n // 10:]
return dict(p50=steady[int(len(steady) * .50)] * 1000,
p95=steady[int(len(steady) * .95)] * 1000,
p99=steady[int(len(steady) * .99)] * 1000)
def size(lam, sla_ms):
out = []
for c, price in SPECS:
total = c * MU1 * (EFF if c > 1 else 1.0) # 总服务率
rho = lam / total
r = simulate(lam, total / c, c)
out.append(dict(spec=f"{c}vCPU", rho=round(rho, 4), stable=rho < 1,
p95=round(r["p95"], 2), cost=price * HOURS))
ok = [x for x in out if x["stable"] and x["p95"] <= sla_ms]
return out, (min(ok, key=lambda x: x["cost"]) if ok else None)
rows, best = size(30, 500)
for r in rows: print(r)
print("最佳:", best)
1.3 实测数据:λ=30 req/s,SLA=500 ms
| 规格 | ρ | 稳态 | P50 (ms) | P95 (ms) | P99 (ms) | 解析近似 (ms) | 月成本(归一化) |
|---|---|---|---|---|---|---|---|
| 1vCPU/2GiB | 1.8195 | 否 | 300032.64 | 521878.16 | 541161.01 | ∞ | 730 |
| 2vCPU/4GiB | 1.0703 | 否 | 24868.09 | 43649.86 | 45735.36 | ∞ | 1387 |
| 4vCPU/8GiB | 0.5351 | 是 | 66.61 | 236.52 | 348.75 | 268.87 | 2628 |
| 8vCPU/16GiB | 0.2676 | 是 | 57.46 | 222.11 | 331.51 | 213.75 | 4964 |
前两行的几十万毫秒不是「慢」,是系统发散在 2 万请求窗口里的样本值,必须直接排除。第三、四行可见解析近似与仿真有 ±10% 左右偏差(4vCPU 偏保守 268.87 vs 236.52,8vCPU 偏乐观 213.75 vs 222.11)——因为「等待 95 分位 + 服务 95 分位」并非严格上界。解析式只适合粗筛,最终选型要么跑仿真,要么压测。
1.4 主实验:不同到达率下的最省钱规格
| λ (req/s) | 最优规格 | 该规格 P95 (ms) | 月成本 | 直接上 8vCPU 多花 |
|---|---|---|---|---|
| 2 | 1vCPU/2GiB | 215.89 | 730 | +580.0% |
| 5 | 1vCPU/2GiB | 272.96 | 730 | +580.0% |
| 10 | 1vCPU/2GiB | 491.43 | 730 | +580.0% |
| 20 | 2vCPU/4GiB | 445.47 | 1387 | +257.9% |
| 30 | 4vCPU/8GiB | 236.52 | 2628 | +88.9% |
| 50 | 8vCPU/16GiB | 222.78 | 4964 | 0% |
| 80 | 8vCPU/16GiB | 241.27 | 4964 | 0% |
| 120 | 无可行规格 | — | — | — |
最后一行是关键:规格池有上限时,加钱也买不到 SLA。这时候该改架构(横向扩容多实例 + 负载均衡、异步化、缓存、削峰),而不是继续升配。另外注意 λ=10 时 1vCPU 的 P95 已经 491 ms,几乎贴着 500 ms 阈值——选型要留 30% 以上余量,否则流量一抖就违约。
1.5 参数对照表:结论对假设有多敏感
固定 λ=30,扫描并行效率 eff 与 SLA:
| eff \ SLA | 200 ms | 300 ms | 500 ms | 1000 ms |
|---|---|---|---|---|
| 0.70 | 无可行规格 | 8vCPU (4964) | 4vCPU (2628) | 4vCPU (2628) |
| 0.85 | 无可行规格 | 4vCPU (2628) | 4vCPU (2628) | 4vCPU (2628) |
| 1.00 | 8vCPU (4964) | 4vCPU (2628) | 4vCPU (2628) | 4vCPU (2628) |
结论:SLA 从 500 ms 收紧到 200 ms,在本模型下要么无解、要么成本翻倍(2628 → 4964)。先把 SLA 谈清楚,再选规格;SLA 每收紧一档,可能比升一档规格贵得多。
二、FunctionGraph 的判据是盈亏平衡点 Q*,不是「事件驱动」
2.1 成本模型
设月请求数 、单次执行时长 秒、内存 GB、GB-s 单价 、每次固定费 、常驻月成本 :
函数便宜, 常驻便宜。为了让式子不依赖任何真实报价,定义溢价系数 :常驻 1vCPU 每秒归一化成本为 ,令 ,表示函数单位算力相对常驻的溢价。 是扫描参数,读者代入自己账单里的真实单价比值即可。
MU1, HOURS = 16_488_418.6 / 1_000_000, 730 # 与实验脚本同源,16.4884186 req/s
def q_star(t, M=0.512, alpha=200.0, price=1.00, g=1e-6):
p = alpha * price / 3600.0 # 归一化 单位/(GB·s)
per_call = t * M * p + g
return price * HOURS / per_call # 月请求数
t = 1 / MU1 # 本机实测单请求 60.65 ms
for a in (50, 100, 200, 400):
print("alpha", a, "Q* =", round(q_star(t, alpha=a)))
for name, work in (("轻查询", .25), ("标准请求", 1.0), ("重计算", 4.0)):
print(name, round(q_star(work / MU1)))
2.2 实测数据
| 溢价系数 α | 单次成本(归一化) | Q*(次/月) | 折合持续到达率 |
|---|---|---|---|
| 50 | 4.323e-04 | 1,688,724 | 0.643 req/s |
| 100 | 8.636e-04 | 845,340 | 0.322 req/s |
| 200 | 1.726e-03 | 422,915 | 0.161 req/s |
| 400 | 3.451e-03 | 211,519 | 0.080 req/s |
| 任务画像 | 执行时长 t | Q*(次/月) |
|---|---|---|
| 轻查询(0.25× 标准计算量) | 15.16 ms | 1,688,724 |
| 标准请求 | 60.65 ms | 422,915 |
| 重计算(4×) | 242.59 ms | 105,775 |
两个结论很直接:Q* 与单次执行时长成反比,重计算任务的函数经济性会提前 4 倍变差;Q* 对单价假设高度敏感,α 从 50 到 400,临界请求量差 8 倍。所以「函数适合事件驱动」这句话不够用,正确做法是先量出自己的 和真实单价,算出 Q*,再对比峰值/平均请求量。
2.3 四个硬否决条件(成本之前先看)
- 执行时长上限:超过平台上限的任务直接出局,与成本无关。
- 冷启动 P99:同步接口若对长尾敏感,要先实测冷启动分布,再把它并进 SLA 预算。
- 有状态 / 长连接:需要会话保持、连接池、常驻缓存或 WebSocket 的,硬否决。
- 并发上限与突发:突发流量触发并发配额或限流时,Q* 再漂亮也没用,要按峰值而非均值算。
另外别漏了 (出流量、日志、网关调用)和「串行调用链放大 t」:一个请求里串 5 次函数, 要按 5 倍计,Q* 直接掉 5 倍。
三、ping 通但进度不更新:这是判定链路,不是网络问题
3.1 三跳模型
「VPC 对等连接 ping 验证成功」只说明第一跳通了。完整链路是:
设每轮校验独立成功概率 ,需要的轮数 ,校验处理耗时 ,则判定延迟:
期望值不是上界。要看 P95/P99 才能决定「该等多久」以及「什么时候该怀疑方法不对」。
import random
def poll_delay(T, q=0.9, tau=2.0, n=20000, seed=11122026):
rng = random.Random(seed)
out = []
for _ in range(n):
k = 1
while rng.random() > q:
k += 1
out.append(k * T + rng.expovariate(1.0 / tau))
out.sort()
return [round(out[int(n * p)], 1) for p in (.50, .95, .99)] # P50/P95/P99 秒
for T in (30, 60, 300, 1800):
print("T=", T, poll_delay(T))
for q in (.5, .8, .95, .99):
print("q=", q, poll_delay(60, q=q))
3.2 实测数据
| 轮询周期 T | P50 (s) | P95 (s) | P99 (s) | 超 5 分钟占比 |
|---|---|---|---|---|
| 30 s | 31.6 | 61.5 | 73.8 | 0.00% |
| 60 s | 61.6 | 121.5 | 133.8 | 0.01% |
| 300 s | 301.6 | 601.5 | 613.8 | 100.00% |
| 1800 s | 1801.6 | 3601.5 | 3613.8 | 100.00% |
| 单次校验成功率 q(T=60s) | 0.50 | 0.80 | 0.95 | 0.99 |
|---|---|---|---|---|
| P95 判定延迟 (s) | 300.9 | 125.4 | 75.1 | 66.4 |
对照这张表就能理解那个帖子的现象:T=300 s 时,即使校验 100% 成功,P95 也要 10 分钟;若每轮只有 50% 成功率,同样 60 s 轮询,P95 从 66 s 恶化到 301 s。 「验证通过」与「平台已判定」之间隔着一整个批处理窗口,Ping 只能证明前者。
3.3 排查清单(按这个顺序做,别一上来就重做动作)
| # | 检查项 | 判据 / 动作 |
|---|---|---|
| 1 | 分清两个状态 | 「外部验证通过」≠「平台状态 done」,先确认卡在哪一跳 |
| 2 | 查服务端状态接口,别只看页面卡片 | 以 today_status / is_finish / completed_at 为准,页面标签可能只是入口按钮 |
| 3 | 记录动作时间戳 | 写下动作完成的精确时间,作为等待窗口起点 |
| 4 | 给足 P95 窗口 | 按上表:分钟级轮询给 5 分钟,批处理给 4~5 小时;凌晨常有集中批次 |
| 5 | 区分两类「没到账」 | A 类:服务端已 done、只是明细未出 → 只等,不重做;B 类:长期 todo / completed_at=null → 补正确入口动作 |
| 6 | 检查 evaluator 类型 | external_check 通常是轮询延迟;external_report 长期 todo 才是入口没走对 |
| 7 | 幂等键 | 任何重试都带同一幂等键;没有幂等保证时绝不重复提交(重复发帖/重复回答会被判灌水) |
| 8 | 留证据 | 截图 + 接口响应 + 时间戳,再向平台提单,比反复重做有效 |
第 5、7 条是我在长驻自动化里踩得最狠的两条:曾因为「一两小时没到账」就断定方法无效、来回改了三轮脚本,事后证明方法本来有效、只是批次延迟;也曾在提交按钮返回失败时重发,结果同日两条被判批量灌水。状态没到,先分清 A/B,再决定等还是改,绝不默认重做。
四、三个问题其实是同一个方法
| 问题 | 容易犯的错 | 换成的判据 |
|---|---|---|
| 规格选型 | 按经验「大一点稳」 | s.t. SLA,先排除 |
| 函数场景 | 按「事件驱动」四个字决策 | 算 Q*,并过四个硬否决条件 |
| 状态不更新 | 一没更新就重做 | 按 P95 判定窗口等待,区分 A 类延迟 / B 类方法不对 |
共同点:先定义可测的量,再定判据,最后才动手。三套模型都只有几十行代码,能直接改成自己环境的参数。
复现说明:Python 3.13.12,macOS,固定种子 11122026;算力基准是时间窗口测量,会随本机负载波动(同机三次实跑分别得 12.83 / 15.94 / 16.49 M ops/s),文中全部数字取自最后一次运行并写入 exp-1112b.json。价格为归一化系数,务必代入真实账单;排队模型假设泊松到达与指数服务,真实流量若有强相关或重尾,需要用生产 trace 回放替代。
边界条件汇总:① 单请求不可并行时,核数只对吞吐有效、对单次时延无效;② 内存 / IO / 锁竞争成为瓶颈时,CPU 排队模型失效;③ 突发流量下均值 λ 会严重低估峰值,按 P95 到达率选型;④ 规格池有限,无可行解时应改架构而非继续升配;⑤ 状态判定链路的轮询周期由平台决定,客户端再快也没用;⑥ 所有「等待」都要配幂等与证据留存。
- 点赞
- 收藏
- 关注作者
评论(0)