Serverless云平台的高弹性给基础设施带来压力和挑战，阿里云容器服务联合多个产品，提供以ECI为例的数据访问优化方案。本文介绍Serverless数据访问面临的挑战以及数据访问优化方案。
Serverless数据访问面临的挑战
Serverless云平台为用户提供秒级弹性的核心能力，包括资源和应用（业务）等的秒级弹性，即用户开始扩容到应用真正就绪提供服务的端到端时间。计算资源能够实现秒级，甚至毫秒级弹性扩容，因此相关基础设施面临巨大的压力。存储是最常见的基础设施，如果存储系统的IO吞吐能力达不到实例变化的速度，例如对于业务来说，容器实例2秒完成了扩容，但还需要花几十秒甚至几分钟等待从存储下载数据，则无法满足秒级弹性的需求。
Serverless容器化技术对传统存储系统提出了新的挑战：
高密访问：计算资源无存储能力，数据完全依赖存储系统，导致并发访问压力增加，影响系统稳定性和带宽利用率。
网络延时：计算存储分离架构增加了存储访问链路的延迟。
IO吞吐能力的弹性伸缩：传统存储带宽与数据容量成正比，但大量容器并发访问会触发限流，造成计算资源弹性与存储带宽之间的矛盾。
数据访问优化方案
为了支持Serverless场景，阿里云容器服务团队联合基础软件和操作系统团队、弹性计算ECI团队和数据湖存储团队，提供了以ECI为例的数据访问优化方案。该方案遵循以下原则：
沿用已有标准保障用户一致性体验，例如通过Kubernetes中Sidecar、Device Plugin等标准作为开放接口。
精细化Linux特权控制。
内核及容器底层修改与社区保持同步，按照与社区一致的原则进行设计。
Fluid在Serverless场景的架构包括数据平面（Data Plane）和控制平面（Control Plane）。
数据平面：由不同Runtime对应的Fuse Container组成，Fuse Container以Sidecar的形式和应用一起部署，Sidecar负责接管应用访问数据的功能。
控制平面：由Injector、Cache Runtime Controller和Application Controller三部分组成。
Injector：负责将不同数据访问、Runtime实现信息转换为Sidecar可以识别的信息，注入到读取数据的应用中，同时控制应用中容器的启动顺序。该功能不限于Pod，还包括类似Spark、TFJob、MPIJob等大数据AI场景下常见的工作负载。
Cache Runtime Controller：结合Fuse Sidecar中的数据吞吐效果控制数据缓存弹性，同时管理数据访问权限。
Application Controller：对于类似BatchJob、TFJob、SparkJob等任务类型负载，当其中的用户任务容器退出后，需要同一个Pod内的Fuse container也可以自动退出。