从零入门 Serverless | 函数计算的可观测性

可观测性是 Serverless 架构中保障系统稳定运行的核心能力，尤其在函数计算场景下，通过 Logging（日志）、Metrics（指标）、Tracing（链路追踪）三大支柱，开发者可以快速定位问题、优化性能并预测风险。以下从基础概念、函数计算中的实现方式及典型问题排查场景展开介绍。

一、可观测性基础概念

可观测性通过外部表现判断系统内部状态，在函数计算中主要体现在以下三方面：

• Logging（日志）记录函数运行时的离散事件信息，如错误堆栈、关键变量值等。日志是问题定位的直接依据，例如通过错误日志与代码行号匹配可快速定位异常原因。

• Metrics（指标）聚合数据以图表形式展示，反映系统整体健康度。核心指标包括：

  调用次数（Invocations）

  错误率（Error Rate）

  平均执行时间（Avg Duration）

  并发度（Concurrency）指标可用于趋势分析，例如并发度持续上升可能预示业务规模扩张，需提前扩容。

• Tracing（链路追踪）追踪请求在分布式系统中的完整路径，记录各环节耗时。例如：

  函数冷启动时间

  数据库查询延迟

  依赖服务调用耗时通过时延瀑布图可直观分析性能瓶颈。

二、函数计算中的可观测性实现

• 配置方式函数计算与日志服务（SLS）深度集成，开发者需在服务配置中指定 Log Project 和 Logstore，所有函数日志将自动收集至此。

• 日志记录

  各语言标准输出（stdout）均可被捕获，例如：

  Node.js：console.log()

  Python：print()

  Go：fmt.Println()

  每条日志自动附加请求 ID（RequestID），便于关联同一请求的多条日志。

• 查看方式

  函数计算控制台：

  简单查询：按 RequestID 筛选日志。

  高级查询：支持 SQL 语句分析日志（如统计错误类型分布）。

  日志服务控制台：提供更复杂的查询与分析能力。

示例代码（Node.js）：

• 系统指标函数计算控制台默认提供以下指标：

  调用次数、错误率、平均耗时

  并发度、冷启动次数

  内存/CPU 使用率（按实例维度）

• 自定义指标通过日志服务关联业务日志生成自定义指标，例如：

  统计特定接口的调用量

  计算订单处理成功率

• 查看方式

  函数详情页的“监控”标签页直接查看系统指标。

  在日志服务中配置仪表盘，整合系统与业务指标。

• 自动追踪函数计算作为链路中的一环，默认上报以下时延：

  系统冷启动时间

  函数执行时间

  FC SDK 调用耗时（如调用其他函数或 API）

• 手动埋点在代码中手动记录外部服务调用耗时，例如：

  const start = Date.now();await db.query('SELECT * FROM users');console.log(`DB query took ${Date.now() - start}ms`);

• 查看方式在链路追踪服务控制台查看时延瀑布图，分析各环节耗时占比。

三、典型问题排查场景

1. 现象：监控指标显示错误率从 0.1% 突增至 5%。
2. 排查步骤：

   立即回滚版本，避免故障扩大。

   在日志服务中筛选新版本发布后的错误日志，定位异常代码路径。

   修复问题后重新发布，持续观察指标确认恢复。

1. 现象：部分请求因超时失败（默认超时时间 3 秒）。
2. 排查步骤：

   开启链路追踪，查看时延瀑布图。

   发现数据库查询耗时占比过高（如 2.5 秒）。

   优化 SQL 或添加缓存，将耗时降至 500ms 以内。

1. 现象：并发度指标持续上升至 80%（假设上限为 100）。
2. 排查步骤：

   结合业务数据确认是否因推广活动导致流量激增。

   提前在函数计算控制台调整并发度上限至 200。

   监控指标确认扩容后系统稳定运行。

四、总结与建议

• 日志、指标、追踪需结合使用：日志定位具体错误，指标反映整体趋势，追踪分析性能瓶颈。
• 提前配置告警规则：对错误率、并发度等关键指标设置阈值告警，避免被动响应故障。
• 利用自动化工具：通过函数计算的日志分析、指标仪表盘等功能减少人工排查成本。

通过系统化的可观测性建设，开发者可以更高效地管理 Serverless 应用，将精力从“救火”转向业务创新。如需深入学习，可参考阿里云 Serverless 公开课：