Serverless computing paradigm has become more ingrained into industry, as it offers a cheap alternative for application development and deployment. This new paradigm has also created new kinds of problems for the developer, who needs to tune memory parameters balancing cost and performance. Many researchers have addressed the issue of minimizing cost and meeting Service Level Objective (SLO) requirements for a single cloud function, but there has been a gap for solving the same problem for an application consisting of many cloud functions, which create a complicated tree of function calls. In this work, we designed a python based tool called SLAM to address the issue. SLAM uses distributed tracing to detect the relationship among the cloud functions within a serverless application and by modeling each of them, it estimates the duration for an application call at different memory configurations. Using these estimations SLAM uses different optimizers to find the best configuration given the optimization constraint (SLO, minimal cost, or overall execution time). We demonstrate the functioning of our tool on AWS Lambda by testing on multiple applications. Our results have shown that the suggested memory configurations guarantee that more than 95% of requests are completed within the predefined SLO. Index Terms— serverless, cost optimization, memory optimization, SLO, serverless applications.     «

Serverless computing paradigm has become more ingrained into industry, as it offers a cheap alternative for application development and deployment. This new paradigm has also created new kinds of problems for the developer, who needs to tune memory parameters balancing cost and performance. Many researchers have addressed the issue of minimizing cost and meeting Service Level Objective (SLO) requirements for a single cloud function, but there has been a gap for solving the same problem for an ap...     »

Das Paradigma des Serverless Computing hat sich in der Industrie zunehmend durchgesetzt, da es eine kostengünstige Alternative für die Anwendungsentwicklung und -bereitstellung bietet. Dieses neue Paradigma hat auch neue Probleme für Entwickler geschaffen, welche die Speicherparameter zwischen Kosten und Leistung abstimmen müssen. Viele Forscher haben sich mit der Kostenminimierung und dem Einhalten der Anforderungen des Service Level Objectives (SLO) für eine einzelne Cloud-Funktion beschäftigt, bei der Lösung desselben Problems für eine Anwendung, die aus vielen Cloud-Funktionen mit einem komplexen Baum von Funktionsaufrufen besteht, existiert jedoch eine Forschungslücke. In dieser Arbeit haben wir ein Python-basiertes Tool namens SLAM entwickelt, um dieses Problem zu lösen. SLAM verwendet verteiltes Tracing, um die Beziehung zwischen den Cloud-Funktionen innerhalb einer serverlosen Anwendung und durch die Modellierung jeder dieser Funktionen die Dauer für einen Anwendungsaufruf bei verschiedenen Speicherkonfigurationen zu erkennen. Anhand dieser Schätzungen verwendet SLAM verschiedene Optimierer, um die beste Konfiguration für die jeweilige Optimierungsaufgabe (SLO, minimale Kosten oder Gesamtausführungszeit) zu finden. Wir demonstrieren die Funktionsweise unseres Tools auf AWS Lambda durch Tests mit mehreren Anwendungen. Die Ergebnisse zeigen, dass die vorgeschlagenen Speicherkonfigurationen garantieren, dass mehr als 95 der Anfragen innerhalb der vordefinierten SLO abgeschlossen werden.     «

Das Paradigma des Serverless Computing hat sich in der Industrie zunehmend durchgesetzt, da es eine kostengünstige Alternative für die Anwendungsentwicklung und -bereitstellung bietet. Dieses neue Paradigma hat auch neue Probleme für Entwickler geschaffen, welche die Speicherparameter zwischen Kosten und Leistung abstimmen müssen. Viele Forscher haben sich mit der Kostenminimierung und dem Einhalten der Anforderungen des Service Level Objectives (SLO) für eine einzelne Cloud-Funktion beschäftigt...     »