使用容器镜像交付是云原生时代的重要特征，这不仅体现在企业内部应用中，也体现在公有云的 serverless 函数中。腾讯云 serverless 函数日前上线了容器镜像交付的功能，相较于传统 serverless，容器镜像交付有着明显的好处：它解决了环境依赖的问题，使 serverless 更加通用，拓展了 serverless 的能力。
具体来说，容器镜像使得 serverless 函数不但能支持预设的 nodejs、Python 这些 runtimes，而且也能支持机器码二进制程序（Native Client or NaCl），或者 WebAssembly 字节码程序。NaCl 与 WebAssembly 对执行环境要求复杂，但是执行性能与效率会比 Nodejs 与 Python 高很多。
放眼未来，我们认为 WebAssembly runtime 是一个可以在很多场景替代 Docker 的轻量级软件容器。WebAssembly 在速度（尤其是冷启动）与资源占用上大大优于 Docker（上百倍的改进）。但是，罗马不是一天建成的。今天腾讯云支持的容器镜像只有 Docker 镜像一种，我们暂时必须在 Docker 里面运行 WebAssembly。
那么，现阶段在 Docker 容器内部运行 WebAssembly 函数相比于 NaCl 有什么好处呢？WebAssembly 拥有 Docker 的安全隔离、跨平台可移植、可编排等优点，从应用的颗粒度下沉到函数的颗粒度，为开发者带来了很大便利。具体来说，
- WebAssembly 函数可以实现接近机器语言的性能。
- 与 NaCl 函数不同，WebAssembly 函数是跨平台的。允许开发者在自己的电脑上测试函数，然后部署在任何服务器，硬件架构，公共云，或者容器上。
- WebAssembly 函数可以简单地被打包，部署，更新升级，编排。远比 NaCl 动态库容易管理。
- WebAssembly 比 NaCl 函数更安全，因为 WebAssembly 提供了一个安全隔离的沙箱。
另外，CNCF 的 WebAssembly 项目 WasmEdge 为 Rust 开发者提供了最友好的 API 来高效安全地执行 Tensorflow 模型。这比任何其他基于 C、C++、Rust 的 NaCl tensorflow API 都简单好用很多。值得你来学习！
快速开发的模板
在这里，我们提供了一个模板，可以快速上手进行开发。
在这个 repo 里，我们有两个完整的 WebAssembly 函数应用：一个是 main branch 里的图像处理函数，实现的功能是将图片变灰；另外一个在 tensorflow branch 里的 AI 推理函数，实现的功能是用 AI 推理识别图片中最主要的物体。
这两个函数都是使用 Rust 编写的，因此我们需要安装 Rust 编译器。安装好之后，按照下面的方法安装 wasm32-wasi 编译器目标，以生成 WebAssembly 字节码。
$ rustup target add wasm32-wasi
这两个应用模板的前端使用 next.js 编写，在这两个示例中，我们将其前端 web UI 部署到了 GitHub Pages 上，但是你可以将其部署到任何一个支持静态网站的托管平台，比如腾讯的网站托管服务。具体如何部署，可以参考模板 github repo 的 README — 前端的 web UI。
示例1：图像处理
在这个模板中，我们有一个已经编译好的 WebAssembly 函数放在 ·api/grayscale.wasm文件里。这个函数的 Rust 源代码在 api/functions/image-grayscale里面。
Rust 函数读入一个图片，然后输出这个图片的黑白版。从 STDIN 读入上传的图片，然后把黑白图片从 STDOUT 输出。其输入与输出都是二进制数组。
use std::io::{self, Read, Write};
use image::{ImageOutputFormat, ImageFormat};
fn main() {
let mut buf = Vec::new();
io::stdin().read_to_end(&mut buf).unwrap();
let image_format_detected: ImageFormat = image::guess_format(&buf).unwrap();
let img = image::load_from_memory(&buf).unwrap();
let filtered = img.grayscale();
let mut buf = vec![];
match image_format_detected {
ImageFormat::Gif => {
filtered.write_to(&mut buf, ImageOutputFormat::Gif).unwrap();
},
_ => {
filtered.write_to(&mut buf, ImageOutputFormat::Png).unwrap();
},
};
io::stdout().write_all(&buf).unwrap();
io::stdout().flush().unwrap();
}
你可以根据你的业务需求，更改 Rust 代码，比如将图片水平翻转、裁剪图片大小。改动 Rust 代码之后，需要用 cargo 命令就可以编译出新的 WebAssembly 文件 api/grayscale.wasm。
$ cd api/functions/image-grayscale/
$ cargo build --release --target wasm32-wasi
$ cp target/wasm32-wasi/release/grayscale.wasm ../../
api/server.js 这个脚本从 Web 函数的网关获得 HTTP request 的数据，传给 grayscale.wasm 函数执行，再把执行结果返回给 HTTP response。
说明：WasmEdge 支持 AOT 编译，大幅提升了应用的性能，因此在这里，我们使用 WasmEdge AOT 编译器在 Docker 环境内生成的 grayscale.so 文件，
app.post('/func', (req, res) => {
const wasmedge = spawn(path.join(__dirname, 'wasmedge'), [path.join(__dirname, 'grayscale.so')]);
let d = [];
wasmedge.stdout.on('data', (data) => {
d.push(data);
为了将这个函数部署为 serverless 函数，我们需要将 grayscale.wasm 与 server.js 以及 WasmEdge 的执行环境一起封装在一个容器镜像里面。
$ cd api
$ docker build -t hkccr.ccs.tencentyun.com/secondstate/grayscale:0.1 ./
... ...
Successfully tagged hkccr.ccs.tencentyun.com/secondstate/grayscale:0.1
这里的
hkccr.ccs.tencentyun.com/secondstate/grayscale是在腾讯云的容器服务上建立一个容器镜像后获得的，具体可以参考我们的 README — 准备工作。
然后将这个容器镜像发布在腾讯云容器镜像仓库里。
$ docker push hkccr.ccs.tencentyun.com/secondstate/grayscale:0.1
The push refers to repository [hkccr.ccs.tencentyun.com/secondstate/grayscale]
... ...
0.1: digest: sha256:... size: 3246
到这一步，我们的 WebAssembly 与 Rust 函数就构建好了，接下来就是将其部署到腾讯云 serverless 上。具体的步骤与截屏可以参考这个模板项目的 README。
示例2：图像识别
在 TensorFlow 分支，我们有一个更复杂的 serverless 函数。它展示了如何用 Tensorflow 进行 AI 推理。Rust 与 WebAssembly 让我们可以在几毫秒之内用深度学习识别输入图片上的物体。
下面这个Rust 程序从 STDIN 读取图像数据，然后将文本输出输出到 STDOUT。 它用 WasmEdge Tensorflow API 来运行 AI 推理。
pub fn main() {
// Step 1: Load the TFLite model
let model_data: &[u8] = include_bytes!("models/mobilenet_v1_1.0_224/mobilenet_v1_1.0_224_quant.tflite");
let labels = include_str!("models/mobilenet_v1_1.0_224/labels_mobilenet_quant_v1_224.txt");
// Step 2: Read image from STDIN
let mut buf = Vec::new();
io::stdin().read_to_end(&mut buf).unwrap();
// Step 3: Resize the input image for the tensorflow model
let flat_img = wasmedge_tensorflow_interface::load_jpg_image_to_rgb8(&buf, 224, 224);
// Step 4: AI inference
let mut session = wasmedge_tensorflow_interface::Session::new(&model_data, wasmedge_tensorflow_interface::ModelType::TensorFlowLite);
session.add_input("input", &flat_img, &[1, 224, 224, 3])
.run();
let res_vec: Vec<u8> = session.get_output("MobilenetV1/Predictions/Reshape_1");
// Step 5: Find the food label that responds to the highest probability in res_vec
// ... ...
let mut label_lines = labels.lines();
for _i in 0..max_index {
label_lines.next();
}
// Step 6: Generate the output text
let class_name = label_lines.next().unwrap().to_string();
if max_value > 50 {
println!("It {} a <a href='https://www.google.com/search?q={}'>{}</a> in the picture", confidence.to_string(), class_name, class_name);
} else {
println!("It does not appears to be any food item in the picture.");
}
}
上文提到过模板项目中的 api/server.js 将 HTTP request 与 response 与 WasmEdge 联接起来。如果我们更改了 Rust 函数的输入与输出，可能也需要改动 api/server.js 里面的胶水代码。
app.post('/func', (req, res) => {
const wasmedge = spawn(
path.join(__dirname, 'wasmedge-tensorflow-lite'),
[path.join(__dirname, 'classify.so')],
{env: {'LD_LIBRARY_PATH': __dirname}}
);
修改了 Rust 函数与 api/server.js 之后，按照上文所说的方法，重新创建与部署 Docker 镜像，新的函数就可以用了！
完整的部署请参考模板项目的 README，期待你的 Rust 函数！
下一步
目前，我们仍然把 WasmEdge 放在腾讯云 serverless 的 Docker 镜像里面运行。这虽然已经带来了巨大的好处，但是还没有完全发挥 WebAssembly 的优势。WasmEdge 可以作为一个 Docker 的替代，直接运行函数，而不是在 Docker 之中运行函数。从而大幅提高 serverless 函数的性能，降低 infrastructure 的成本！目前已经能够从 Docker 与 k8s 的管理编排工具里面启动与管理 WasmEdge 应用程序。
另外，虽然 Rust 非常适合写高性能的 serverless 函数，但 Rust 确实有着比较陡峭的学习路线，这对于 serverless 开发者来说体验并不好。我们将推出一种“低代码”的解决方案，为具体应用设计“低代码”语言（DSL or Domain Specific Language）。WebAssembly 对语言编译器与解释器的广泛支持，使其特别适合运行各行各业的 DSL。敬请期待。
