函数计算是基于Serverless架构思想的新型计算服务平台,在Serverless架构中用户无需关注底层云资源,只需要关注业务代码实现。函数计算平台能力可以让用户直接在平台提交代码,平台将自动编译镜像并初始化容器运行。没有请求调用函数时,函数所在的实例将会被释放。只有函数被调用时才会运行实例并响应,极大降低了闲置资源的浪费。流量高峰时,函数实例会自动进行弹性伸缩,不需要人工进行机器扩容和负载均衡等配置。然而函数计算平台一直存在冷启动问题,这是因为Serverless架构下的函数面临流量突增时,如果函数的容器规模不足以承受流量请求,平台会重新创建相应数量的实例来响应请求。创建实例的过程通常耗时过长,函数请求在这个时刻需要先等待实例初始化后再被响应,这个可能会带来数十秒的请求延迟的过程就被称为冷启动。本文提出了一种函数智能弹性伸缩的方案,该方案通过预测函数请求时间序列来动态调整容器数量,达到规避函数冷启动的效果。首先本文分析了 Serverless架构下函数平台的需求和架构,实现了一个基于Kubernetes和Knative的函数计算云平台,采用微服务架构提供了函数发布、函数构建和自动扩缩容等能力。然后本文通过分析平台架构以及对Knative弹性扩缩容的机制,结合函数计算平台的高并发请求和稀疏时间序列这两个主流业务场景的分析,从实际场景需求出发解决问题。针对函数的高并发场景下,本文提出了一种基于自注意力模型的时间序列预测方法,通过对函数调用的预测分析,构建基于预测信息的智能弹性伸缩模型。模型通过函数请求并发数据提前进行扩缩容准备,很好解决了 Knative自动扩缩容机制中面临请求突发的延迟扩容所带来的函数冷启动问题。针对函数的稀疏请求场景下,由于长尾分布的函数请求非常稀疏,时间序列分析收益较低,本文构建了基于统计模型的容器预热、留存机制。该模型对比Knative的默认容器留存策略和业界主流的常驻预留实例策略,有效提高了资源利用率和降低了函数冷启动率。最后通过真实生产数据的实验验证,本文提出方法具备有效性;对比原始架构和主流的优化方法,本文方法显著降低了函数冷启动率和资源损耗情况。本文提出的函数计算平台也通过设计的系统功能测试,验证了系统的基础功能完备性和可用性。