作为云时代领先的计算范式,Serverless在移动应用、游戏等场景已实现规模化应用,助力开发者聚焦应用创新,简化开发与运维。
2021年8月,HUAWEI AppGallery Connect发布了涵盖认证服务、云函数、云数据库、云存储、云托管等整套的Serverless服务,其凭借“无服务器构建应用”、“多账号统一登录”以及“一键部署网站”等优势,吸引了全球应用开发者的目光。
场景化解决方案,加码应用开发
近日,HUAWEI AppGallery Connect“Serverless模板”重磅上线,持续赋能开发者。
Serverless模板是基于Serverless服务构建的场景化解决方案,提供了应用生态常见场景的代码实现,目前支持抽奖活动、游戏排行榜、图片尺寸调整、用户数据删除、数据库记录数限制、短URL生成等场景。开发者可将所需能力一键部署并快速集成到应用,有效降低了开发门槛,提高交付效率,能更直观地感受Serverless带来的增效价值。

以“抽奖活动”模板为例,众所周知,抽奖,是应用拉新促活常用的营销策略之一,但从设计、开发、运维各阶段投入的人力成本,到运营一个抽奖系统所需要的推广成本,以及最终营销效果是否符合预期,都需要多方位考量。
而Serverless“抽奖活动”模板,提供九宫格、大转盘等多种抽奖方式。开发者仅需如下图所示,将其一键部署到自己的项目,通过简单的配置开发,短短几小时便能集成到自己的应用,快速上线抽奖活动,有效降低了前期设计、开发、运维各阶段的成本。

丰富的模板,适配多元化需求
“抽奖活动”之外,Serverless模板还将陆续上线更多场景化解决方案,以适配开发者多元化需求。
1-游戏排行榜
对于游戏开发者而言,游戏榜单可以激发玩家的竞争兴趣,提升参与感,从而促进游戏的活跃度。但怎样能更方便地制定游戏内榜单?
参照下图指南,只要部署“游戏排行榜”模板,便能快速搭建游戏榜单,如日榜、周榜、月榜和总榜。只要在游戏中上报玩家分数,即可获得期望的榜单。

2-图片尺寸调整
支持调整上传到云存储中的图片尺寸。例如社交软件类应用,不同终端可能对用户帐号头像的尺寸有不同要求。部署了该模板后,当有头像图片上传到云存储时,系统按照配置对图片进行缩放并把调整尺寸后的图片上传到云存储的指定目录。不仅用户可以轻松地上传社交应用中的头像图片,也减轻了后端开发中一一调配的工作量。
3-用户数据删除
针对认证服务中销户的用户,模板提供云存储和云数据库中的用户数据清理的功能。部署该模板后,当有用户销户时,开发者无需手动在服务管理页面上删除已销户的用户数据,系统可自动清理该销户用户在云存储和云数据库中的数据。
4-数据库记录数限制
支持设置云数据库中记录总数的最大值。若指定云数据库中的记录数超过阈值,模板将首先删除最早的记录,直到剩余记录数达到最大计数。
5-短URL生成
“短URL生成”模板支持将保存到云数据库中的长URL转换成短URL。在应用运营推广时,开发者时常遇到因URL跳链过长被某些渠道屏蔽的情况,无奈地丢失了流量,而手动转换成短URL耗时耗力。
部署该模板后,当保存长URL到云数据库指定字段时,系统会自动将转换后的短URL写入到数据库的对应字段中,避免了逐个处理长URL的烦恼。
Serverless模板,囊括一键部署、快速集成、弹性伸缩、免运维等优势,让开发者摆脱了基础设施的困扰,快速对接集成所需能力,助推应用开发降本增效。
目前,上述模板已在HUAWEI AppGallery Connect陆续上线,访问路径(如下图)快捷方便,诚邀您来体验!

好文章,需要你的鼓励
研究通过Android Auto平台收集的急刹车事件数据,与实际道路交通事故率建立了显著正相关关系。分析加州和弗吉尼亚州10年公共事故数据发现,急刹车事件覆盖的路段数量是报告事故路段的18倍,能够提供连续的高密度安全信号。研究验证了急刹车事件作为交通安全领域"领先指标"的有效性,为道路风险评估提供了新的数据驱动方法。
加州大学伯克利分校研究团队开发的Pillar-0是一个突破性的医学影像AI系统,能够同时处理CT和MRI等多种影像类型的366项诊断任务。该系统采用创新的多窗技术和Atlas架构,在四种主要影像检查中准确率达86-90分,显著超越谷歌、微软等竞争对手。研究团队还开源了完整系统,为全球医学AI发展提供强大基础。
在AI竞赛中,Bose将所有AI技术投入自适应降噪功能。与苹果AirPods Pro 2相比,Bose QuietComfort Ultra Earbuds 2的ActiveSense模式响应更快、更平滑。该技术能无缝识别环境变化,自动调节降噪强度,无压迫感且自然过渡。相比花哨的翻译或聊天功能,这种日常实用的AI降噪技术更具价值。
马里兰大学研究团队开发MASS系统,通过空间时间感知技术让AI具备物理学家般的视频理解能力。该系统创建了包含8361个问答对的MASS-Bench基准,将视频中的运动轨迹转换为AI可理解的语言描述,并使用强化学习训练模型的物理推理能力。实验显示经过训练的模型性能提升6-8.7%,在物理异常检测任务上甚至超越商业顶级产品,为AI视频内容审核、教育和科研应用开辟新方向。