{
  "id": "serverless-computing",
  "title": "无服务器计算",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "无服务器计算将基础设施管理和资源分配交由平台负责，通过托管且自动扩缩容的服务运行应用。",
  "category": "computer-science",
  "subcategory": "software",
  "type": "concept",
  "aliases": [
    "无服务计算",
    "无服务器运算",
    "Serverless 计算"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/serverless-computing/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/serverless-computing/",
      "json": "https://aiwiki.page/en/serverless-computing.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "无服务器计算是一种云计算模式，由服务提供商管理执行应用代码或提供应用功能所需的基础设施，用户则主要通过较高层次的接口开展工作，而不必直接操作单台服务器。服务器依然存在：“无服务器”描述的是运维职责的划分，而非计算硬件的缺失。其典型特征包括由提供商控制资源分配、自动扩缩容以及按计量用量收费，不过，不同服务实现这些特征的方式各不相同。\n\n最广为人知的形式是函数即服务（FaaS），开发者部署的函数会响应请求或事件而执行。无服务器计算这一更广泛的类别还涵盖托管数据库、消息系统、工作流引擎和应用平台；这些服务将底层容量管理的大部分细节对用户隐藏起来。无服务器计算的重要性在于，它改变了部署单元、间歇性工作负载的成本结构，以及应用开发者与基础设施运维人员之间的职责分工。\n\n它的优势与局限源于同一种抽象机制。自动资源分配可以减少闲置容量和日常管理工作，但应用必须适应平台调度、分布式状态、服务配额以及随用量变化的成本。因此，要理解无服务器系统，不仅需要关注函数执行，还需要关注事件投递、数据管理、安全、故障恢复，以及提供商的控制边界。"
    },
    {
      "heading": "范畴与服务模型",
      "text": "无服务器计算并没有一个普遍公认且具有约束力的技术定义。通常，区分它与其他计算模式的关键在于，基础设施配置和容量管理在多大程度上由平台负责。用户一般只需部署应用程序代码、选择策略或资源限制，然后调用服务，而不必创建规模固定的机器集群。提供商决定代码在何处执行，并随需求变化调整底层资源分配。这与租用虚拟机不同：租用虚拟机时，客户通常仍需自行选择实例数量、维护客户机环境并规划容量。\n\n函数即服务（FaaS）是最具代表性的无服务器执行模型。函数接收输入，执行范围有限的计算，然后返回结果或对外部系统产生影响。触发调用的来源可以是应用程序编程接口网关、上传的对象、队列消息、定时器或数据库变更。这里的函数是部署和扩缩容的单位，不一定是数学意义上的函数：它们可以读取持久化数据、发送消息或调用其他服务。有些平台允许单个执行实例同时处理多个请求，因此，不应直接将一次函数调用等同于一个独立的进程或一台独立的机器。\n\n另一类重要模型是后端即服务（BaaS），通过受管接口提供身份验证、存储、同步或消息传递等能力。因此，即使不运行多少自定义函数代码，应用程序也可以在很大程度上采用无服务器模式。例如，浏览器应用程序可以使用受管身份服务，并通过经过授权的 API 访问数据库。实践中，无服务器架构往往将 BaaS 组件与 FaaS 代码结合起来，后者用于实现自定义校验、系统集成或业务规则。两者的区别在于所提供的内容：BaaS 提供应用功能，而 FaaS 提供执行环境。\n\n无服务器计算与平台即服务（PaaS）也有重叠，但两者并不相同。传统 PaaS 产品通常屏蔽了操作系统管理细节，但仍要求用户选择持续运行的应用程序实例或容量档位。无服务器服务则倾向于按请求、事件或作业分配资源，或根据用量自动调整资源分配。两者之间并没有截然分明的界限：同一平台既可能支持持续运行的实例，也可能支持缩容至零的运行方式。\n\n因此，与其说“无服务器”描述的是某种特定的封装技术，不如说它更准确地描述了一组运维特征。如果平台负责管理运行应用程序的实例集群，那么基于容器的应用程序也可以是无服务器的；反之，在人工运维的集群上运行函数框架，并不会免除集群运维人员对基础设施的管理责任。并非所有以“无服务器”为卖点的产品都支持细粒度计费或缩容至零。"
    },
    {
      "heading": "历史发展",
      "text": "无服务器计算源于早期将应用开发与机器管理相分离的探索。共享主机、托管应用运行环境、分布式作业系统和效用计算，都为这一模式提供了部分要素。这些先行模式表明，用户无需控制具体由哪台机器执行处理，就能提交代码或请求。后来，无服务器平台的独特之处在于，将面向开发者的部署接口、事件集成、快速资源分配和按用量计费的商业服务结合在了一起。\n\n2008 年推出的 Google App Engine 是一个重要的先驱。它提供了支持自动扩缩容的托管应用环境，并施加了一些限制，旨在让应用能够在提供商的基础设施中迁移。开发者以让渡对本地执行和系统接口的部分控制权为代价，减轻了自身的运维责任。App Engine 说明，无服务器计算的历史不能简单归结为函数调用机制的发明：早在函数即服务（FaaS）成为这一模式最广为人知的形态之前，自动管理的应用平台就已经存在。\n\n亚马逊云科技于 2014 年 11 月推出 AWS Lambda，使事件触发的函数执行成为一项备受关注的云服务。Lambda 与存储及其他云服务的集成，推动了一种应用模式的确立：将应用逻辑拆成小段进行部署，并在事件发生时运行。Microsoft Azure Functions 随后于 2016 年推出。Google Cloud Functions 于 2017 年进入公开测试阶段，并于 2018 年正式可用。这些服务在支持的语言、调用机制、资源模型和生态系统集成方面各有不同，但共同确立了 FaaS 作为一种主要云编程模型的地位。\n\n配套基础设施也在不断演进。早期，较短的执行时限、受限的运行环境和部署包约束，在很大程度上决定了应用的设计方式。后来的服务逐步增加或增强了对容器镜像、可配置资源、长时间运行任务以及预初始化容量的支持。这些变化模糊了函数、托管容器与传统应用托管之间的界限，也表明无服务器计算并非天然只能用于极小的程序，尽管短小的事件处理程序仍是其核心用例。\n\n开源软件提供了替代实现和通用基础设施。Apache OpenWhisk、OpenFaaS 和 Knative 分别代表了部署事件驱动型工作负载或自动扩缩容工作负载的不同方法。2018 年发布的 Knative 围绕 Kubernetes 构建了应用服务和事件处理功能。AWS 也于 2018 年开源了 Firecracker 虚拟化技术，提出了一种适合承载大量工作负载的轻量级隔离方案。\n\n这些发展确立了无服务器计算两种相互关联但又有所区别的含义：一是供应用团队使用的托管服务，二是基础设施运维人员可以自行实现的一组执行与调度技术。自行运营平台的组织可以在内部提供无服务器体验，即使在这一接口之下，仍然需要进行大量服务器管理工作。"
    },
    {
      "heading": "执行架构与隔离",
      "text": "无服务器函数通常以包含代码和依赖项的部署制品为起点，并附带描述其入口点、资源需求、权限及调用来源的配置。平台将这些信息记录在控制平面中。当请求或事件到达时，数据平面组件会将其路由到可用的执行环境，或请求创建新环境。大型平台会将这些职责分散到多个服务中，而不是全部交由单一调度器实现。\n\n执行环境可以采用操作系统进程、容器、轻量级虚拟机或其他隔离机制。容器将应用程序打包，通常共享宿主机内核；虚拟机则引入独立的虚拟化机器边界。有些服务会结合多种技术，将语言运行时或容器置于小型虚拟机内。这样做的目的是在启动速度、内存开销、工作负载密度和客户之间的隔离性之间取得平衡。“无服务器”本身并不规定必须采用哪种机制。\n\n一次典型调用的生命周期包括环境分配、运行时启动、应用程序初始化、处理函数执行以及完成状态上报。初始化过程可能会加载库、创建客户端对象，或初始化编程语言运行时。提供商可能在调用结束后保留环境，并将其复用于后续任务。通过这种复用，缓存的代码和已建立的连接可以降低后续开销。但这通常并不构成契约性保证，不能保证同一环境会持续可用、接收下一次请求，或无限期保留其本地状态。\n\n这一区别关系到应用程序的正确性。某个函数看起来可能在多次调用之间保留了全局变量，却在平台替换环境后丢失该变量。同样，临时文件可能在本地环境复用期间得以保留，但这并不意味着它们属于持久化存储。此外，由某次调用启动的后台活动，可能会按照平台特定的规则被暂停、终止或恢复。因此，正确的应用程序应区分持久性保证与环境复用偶然带来的特性。\n\n提供商还负责在其服务架构内，管理执行环境在物理主机和故障域之间的放置。放置决策可以考虑可用内存、处理器容量、镜像可用性、租户隔离及位置邻近性。用户通常不能选择具体的主机，但可以通过区域选择、网络配置、资源类别或专用硬件选项来影响放置结果。\n\n这种架构将许多与操作系统和数据中心相关的任务从应用团队转移给了提供商。但它并未消除所有配置工作：部署制品、依赖项兼容性、权限、网络可达性以及应用层面的资源使用仍然至关重要。因此，这种抽象更适合被理解为托管执行，而非不受限制的执行。"
    },
    {
      "heading": "弹性、冷启动与性能",
      "text": "自动扩缩容是无服务器计算的核心，但它既不是瞬时完成的，也不是没有限制的。平台会监测传入的工作负载，并在配额、调度策略、可用资源和下游约束的限制下分配执行容量。不同服务的扩缩容方式有所不同，可能增加执行环境的数量、调整分配给某个环境的资源，或将更多并发请求分配给现有实例。有些系统会在空闲时缩容至零；另一些则保留最低容量，或对显式预留的就绪容量收费。\n\n当一次调用需要使用尚未准备好运行应用程序的执行环境时，就会发生冷启动。其延迟可能包括调度、获取应用制品、启动运行时、加载依赖项和初始化应用程序所需的时间。热调用则复用已经准备就绪的环境，从而避免其中一部分开销。冷启动时长并不是无服务器计算的固定属性：它会随运行时、软件包大小、初始化行为、隔离机制、网络配置和平台实现而变化。无论最终使用的是冷环境还是热环境，请求都可能需要在队列中等待。\n\n工作负载与并发量之间的关系可以用利特尔定律近似描述。对于稳定的系统，正在接受处理的平均请求数近似为\n\n\\[L = \\lambda W,\\]\n\n其中，\\(\\lambda\\) 是平均完成速率，\\(W\\) 是平均处理时间。如果每秒有 200 个请求到达，每个请求占用一个执行槽位 0.25 秒，那么平均大约需要 50 个被占用的槽位。但仅凭这一计算不足以制定容量规划：流量的突发性、延迟波动、排队以及单个环境处理多个请求的能力，都可能显著改变实际需求。\n\n尾延迟往往比平均延迟更重要。偶尔出现的缓慢初始化可能对平均执行时间影响不大，却会显著影响高百分位响应时间。调用多个服务的工作流可能让用户承受叠加的延迟，在各阶段顺序执行时尤其如此。对于执行时间很短的处理函数，大型依赖包、反复初始化客户端以及远程数据访问所耗费的时间，都可能远超实际计算本身。反过来，在将内存与处理器资源挂钩的平台上，增加分配的内存可能带来更多可用的处理器资源，从而大幅缩短执行时间，进而同时改变延迟和成本。\n\n平台通过预热池、预置容量、运行时快照和缓存来降低启动开销。这些机制以额外的资源消耗或实现复杂度，换取更可预测的响应时间。它们也说明，“无服务器意味着只在应用代码运行时付费”这一说法并不完全准确：保持就绪本身也可能是一项收费服务。\n\n因此，性能评估需要区分初始化与执行，测量延迟分布而不只是平均值，并纳入符合实际情况的流量间歇和突发流量。持续调用一个已经预热的实例所得到的基准测试结果，只能反映生产环境行为中很有限的一部分。"
    },
    {
      "heading": "状态、事件与工作流协调",
      "text": "无服务器函数常被描述为无状态，但这通常意味着本地执行状态无法作为可靠的持久记录。应用仍会在数据库、对象存储、缓存、消息系统或工作流服务中维护状态。这种分离使执行环境能够独立替换和伸缩，却也将协调工作转移到了网络服务中。在单体程序中只需更新进程内数据结构的任务，在这里可能需要一次远程操作，而这类操作有其自身的延迟、访问控制和故障模式。\n\n事件投递进一步区分了接收任务与提交任务所产生的效果。许多消息集成机制提供至少一次投递，这意味着同一事件可能被投递多次。函数可能已成功更新记录，却在确认完成之前发生故障。重试该事件就可能重复执行更新。幂等性通过确保重复处理与仅处理一次产生相同的预期结果来解决这一问题。常见机制包括去重键、条件写入，以及将业务操作与其完成状态关联起来的记录。\n\n“恰好一次”行为必须在明确的边界内定义。平台可以确保某个工作流步骤在自身的状态机中只被记录一次，却未必能确保外部支付端点只收到一次有效请求。将去重记录与业务更新放在同一个数据库事务中，可以在该数据库内部提供强保证。若要将同样的保证扩展到彼此独立的服务之间，则需要额外的协议，或经过精心设计的应用语义。单凭调用次数，几乎无法判断实际发生了多少次业务效果。\n\n工作流编排服务通过记录进度、调度活动、应用重试规则以及在中断后恢复执行，来协调多步骤流程。这类服务能够支持持续时间很长的业务流程，而无须让某个函数始终保持运行。持久状态由编排器管理，函数则负责执行各项具体活动。有些系统使用显式的状态机定义；另一些系统则通过已记录的历史和重放来重建工作流的执行过程。基于重放的系统会限制非确定性操作，以确保重建出的决策与已记录的事件保持一致。\n\n另一种方案是事件协同，即各服务响应彼此的事件，而不依赖统一的中央流程定义。事件协同可以减少直接耦合，但也可能使端到端行为更难检查。例如，购买流程可能涉及相互独立的订单、库存和支付处理程序，而它们共同形成的整体行为仍须妥善处理重复事件、取消操作和部分失败。\n\n队列和消息代理可以缓冲突发流量，但无法让下游容量变得无限。背压机制、并发限制以及受控的消费速率，可以防止快速扩容的计算资源压垮数据库或外部 API。因此，状态管理并非无服务器设计中的边缘问题；许多核心的正确性约束恰恰在这里显现。"
    },
    {
      "heading": "定价、资源效率与工作负载适用性",
      "text": "无服务器计算通常同时按请求次数和实测的执行资源用量计费。在简化的函数模型中，执行成本可表示为\n\n\\[C = Np_r + \\sum_{i=1}^{N} m_i t_i p_c + C_{\\mathrm{other}},\\]\n\n其中，\\(N\\) 为计费调用次数，\\(p_r\\) 为每次调用的费用，\\(m_i\\) 为第 \\(i\\) 次调用的计费内存分配量，\\(t_i\\) 为该次调用的计费时长，\\(p_c\\) 为单位内存与时间乘积的价格。\\(C_{\\mathrm{other}}\\) 包括存储、网络、日志记录、编排和预置容量等服务的费用。实际产品也可能改为按处理器时间、活跃请求数、最低资源分配量，或这些指标的组合计费。\n\n这种模式可以降低间歇性工作负载的成本，因为应用在空闲期间不一定需要为专用执行实例付费。它还将部分容量规划风险转移给了服务提供商。例如，偶尔接收文档上传的服务可以仅在有新对象到达时启动处理。对于同样稀疏的工作负载，如果维持一个持续运行的工作进程，除非该进程还承担其他任务，否则就会产生闲置容量。\n\n对于稳定持续的工作负载，比较结果则有所不同。持续繁忙的函数，其成本可能高于利用率良好的预留容量或专用容量，具体取决于定价、运维人力、可靠性要求和资源效率。函数之间的边界也会引入开销。将一项操作拆分成许多小规模调用，可能增加请求费用、序列化工作、网络通信和工作流状态转换。反过来，将互不相关的活动合并在一起，可能削弱它们独立伸缩的能力，并使其中一个组件的资源需求决定所有组件的资源分配。\n\n资源调优还带来了另一种经济权衡。如果减少内存分配会显著延长运行时间，总成本就未必会降低。在处理器配额随内存增加而提高的平台上，分配更多资源可能使处理器密集型任务更快完成。成本最低的配置取决于应用对新增资源的响应、计费粒度以及初始化开销。等待远程服务时，即使本地几乎不进行计算，也仍可能计费，不过各产品的计费规则有所不同。\n\n总成本不仅包括执行费用。大量日志、跨区域传输、数据库操作、API 网关以及反复重试，都可能成为最终账单的主要组成部分。快速弹性伸缩可能使应用在流量激增、错误递归或滥用请求的情况下，产生超乎预期的大量资源消耗。因此，配额和并发控制既有技术作用，也有控制成本的作用。\n\n在基础设施层面，将需求模式不同的客户的工作负载汇集起来，可能提高资源利用率。不过，采用无服务器部署并不意味着能耗或环境影响必然更低。这些结果取决于硬件效率、利用率、地理位置、电力供应、数据传输以及整个应用的开销。"
    },
    {
      "heading": "可靠性、测试与可观测性",
      "text": "无服务器平台免去了一部分故障管理职责，同时也引入了更多服务边界。提供商通常负责主机替换以及运行时可用性的大部分保障工作，但应用仍然依赖于部署的正确性、权限、事件路由、外部服务和区域基础设施。函数执行成功并不一定意味着整个业务流程成功。评估可靠性时，必须考察从事件产生到结果持久化的完整路径。\n\n重试行为尤为重要。同步调用方、异步调用系统、队列消费者和工作流引擎可能各自采用不同的重试策略。如果多个层级独立重试，一个原始请求就可能引发大量尝试。采用带随机延迟的指数退避可以减少集中爆发的重试风暴，但重试仍须有明确的次数或时间限制，并且符合操作本身的语义。对于无效输入或授权被撤销等永久性故障，通常需要采取不同于服务暂时不可用时的处理方式。处理失败的事件可以保留在死信目标中，或通过其他恢复机制留存。\n\n可观测性通常结合日志、指标和分布式追踪来实现。日志记录单个事件；指标反映速率、耗时、错误、限流、队列深度和资源消耗；追踪则将跨越服务边界的处理过程串联起来。关联标识符有助于将传入请求与后续的函数、消息及数据库操作联系起来。异步处理使这种关联更加复杂，因为一个事件可能产生许多后续事件，而延迟消费的任务可能在原始请求结束后才开始运行。\n\n无法直接访问主机，改变了故障诊断的方式。开发者可能无法以交互方式检查持续运行的进程，也无法依赖本地诊断文件，而是需要依靠导出的遥测数据、运行时插桩和可复现的部署制品。指标也需要正确解读：函数错误率很低的同时，队列积压仍可能不断增加；平均延迟较低，也可能掩盖长尾延迟表现不佳的问题。函数级仪表板不能替代对用户操作完成情况的衡量。\n\n测试需要覆盖多个层面。单元测试可以使用模拟事件验证处理函数的逻辑，集成测试则检验实际的权限、路由、序列化和服务行为。本地模拟器很有用，但未必能够复现生产环境的调度、隔离、限制或故障语义。负载测试可以揭示普通功能测试无法发现的伸缩延迟和瓶颈。故障注入测试则可以考察应用在依赖项超时、事件重复，或执行在部分更新后终止等情况下的行为。\n\n部署实践仍是软件工程的一部分。版本化制品、分阶段流量切换、兼容性检查和自动回滚都可以降低发布风险。由于生产者与消费者可能各自独立变更，事件和模式的演进需要明确的兼容性规则。运维职责的重心由单台机器转向服务契约、部署流水线和端到端行为。"
    },
    {
      "heading": "安全与责任边界",
      "text": "无服务器计算改变的是安全工作的分工，而不是消除安全工作。提供商通常负责保护物理基础设施、宿主系统和托管执行平台。客户仍需对应用程序逻辑、权限、对外接口、依赖项选择以及数据处理负责。具体边界取决于所用服务：完全托管的运行时可能包含由提供商维护的语言组件，而客户自行提供容器镜像时，软件栈中可能有更多部分由客户掌控。\n\n执行隔离是核心问题之一。多个客户可能共享底层硬件，因此沙箱（计算机安全）和虚拟化成为重要的防护手段。平台必须限制工作负载对其他工作负载的访问，并保护自身的控制系统。隔离机制需要在性能、部署密度和抵御攻击的能力之间作出权衡；仅凭采用了某种容器或虚拟机技术，并不能证明整个服务是安全的。平台安全还取决于配置、补丁更新、身份验证与访问控制的落实，以及执行环境内部暴露的接口。\n\n与宿主机管理相比，权限在应用层面往往更为重要。函数通常以某个服务身份读取数据、发布消息或调用其他 API。最小权限原则要求仅授予必需的操作权限和资源访问权限，从而限制代码遭入侵后的影响。为互不相关的函数设置独立身份，可以避免某个组件获得整个应用程序的权限。反过来，身份划分得过于零碎也会增加策略审计的难度，因此函数数量本身并不能衡量安全性。\n\n事件输入和依赖项仍然是攻击面。存储事件、队列消息或 HTTP 请求可能包含不可信字段，而这些字段可能被传入数据库查询、命令执行或对外请求。函数打包时还会引入第三方库，即使宿主机由提供商托管，这些库的安全漏洞仍然构成风险。代码包体积小，并不意味着依赖关系图简单。嵌入程序包、配置文件或日志中的机密信息，可能脱离专用机密管理服务原本提供的保护范围。\n\n可用性和支出是相互关联的安全问题。攻击者可能触发成本高昂的调用，或使函数递归地产生更多事件。因此，拒绝服务攻击既可能造成服务中断，也可能带来经济损失风险。身份验证、请求限制、递归次数限制、并发策略和监控分别应对这一问题的不同方面；仅靠提供商的自动伸缩机制，无法区分正常需求与滥用行为。\n\n数据保护还取决于处理和存储发生的位置、访问授权方式，以及遥测系统记录了哪些内容。加密可以保护特定的数据传输路径和存储状态，但无法纠正权限过宽的问题，也无法防止日志中的意外泄露。因此，合规声明必须涵盖完整的应用程序及其运行安排，而不能仅以使用了某款无服务器产品为依据。"
    },
    {
      "heading": "应用模式与架构局限",
      "text": "无服务器计算非常适合需求多变、且执行过程能够拆分为可独立重试单元的事件驱动型任务。对象处理就是一个常见例子：上传操作触发元数据提取、缩略图生成、恶意软件扫描或格式转换。上传的对象提供持久保存的输入，处理产物则可单独写入。定时数据采集、通知发送、轻量级集成服务和管理自动化中也有类似的模式。\n\nWeb 后端是另一个主要应用领域。API 网关将通过身份验证的请求路由至函数，由函数验证输入、访问数据并返回响应。这种安排能够让各个端点独立伸缩，但其效果取决于配套服务。数千个函数实例连接到同一个关系数据库时，即便函数本身能够顺利扩容，也可能耗尽数据库的连接数配额。连接池、托管代理、并发控制或其他访问接口可能因此成为架构的一部分。瓶颈只是转移了，并未消失。\n\n数据处理既体现了这一模型的潜力，也揭示了它的边界。彼此独立的转换操作可以分配到大量函数调用中执行，这与 MapReduce编程模型 的某些方面相似。然而，涉及大量中间数据交换、频繁同步或紧密耦合计算的工作负载，可能产生显著的通信和存储开销。对于需要大量混洗操作的分析作业，不能仅凭单个函数的速度来评估其表现。数据局部性、总带宽、编排开销以及中间结果的成本，共同决定了整体运行表现。\n\n机器学习工作负载也需要区别对待。轻量级的神经网络推理可能适合请求驱动式执行，尤其是在模型能够快速加载，或可保留在已准备就绪的环境中的情况下。大型模型则会带来较高的内存需求、加速器要求和启动成本。长时间运行的训练作业通常需要持续分配硬件资源并协调通信，因此不太适合传统的函数执行方式。托管作业服务和加速器服务仍然可以提供类似无服务器计算的容量管理，而不必采用短生命周期函数的执行语义。\n\n长连接、持续运行的低延迟系统，以及需要特殊内核功能的工作负载，也可能与某些无服务器平台不兼容。这些是具体产品和工作负载带来的约束，而非普遍适用的禁令：托管容器服务和专用运行时能够提供某些 FaaS 产品不具备的能力。关键在于，服务约定的执行方式是否符合应用在时序、状态、资源和控制方面的要求。\n\n因此，混合架构十分常见。应用可以使用函数处理事件，使用常驻服务处理面向连接的流量，并使用专用集群执行持续性计算。微服务与无服务器计算是相互独立的概念：微服务可以运行在虚拟机上，一个无服务器函数也可以承担多项应用职责。架构边界仍然取决于设计选择，而不是由部署方式的标签决定。"
    },
    {
      "heading": "可移植性、标准与持续研究",
      "text": "无服务器计算的可移植性涉及多个层面。源代码可能采用广泛支持的语言，却仍依赖提供商特有的事件格式、身份系统、网络行为、存储接口和重试语义。迁移一个处理函数通常比迁移整个应用容易。基础设施定义、监控、工作流状态和运维流程，都可能像代码本身一样与平台紧密耦合。这种耦合通常被称为供应商锁定，但其实际代价会因架构以及托管集成所带来的价值而异。\n\n容器镜像提高了应用打包层面的可移植性，却并未统一执行行为。即便两个平台接受相同的镜像，它们在请求并发度、关闭信号、本地存储、最长执行时长、网络访问和计费方面也可能存在差异。同样，兼容某个函数签名并不意味着具有等价的交付语义或故障语义。因此，可移植性意味着在不同的服务约定下保持应用行为不变，而不只是让程序能在另一个地方启动。\n\n标准和开源实现解决了其中一部分问题。CloudEvents 定义了描述事件元数据的通用结构，使生产者和消费者能够通过更一致的封装格式交换事件。它既不规定应用的领域数据模式，也不保证特定的交付策略。Knative 在 Kubernetes 上提供服务运行和事件处理的抽象，而其他框架则提供函数部署与调用接口。这些工具可以减少某些特定依赖，但运行这些工具的组织也必须承担底层集群、升级和容量管理的责任。\n\n细粒度弹性伸缩与高效有状态计算之间的矛盾，仍是持续研究的课题。一个研究方向是通过快照、预初始化运行时和轻量级隔离来降低启动开销。另一个方向则研究将数据局部性、异构硬件、工作负载预测和租户间公平性纳入考量的调度策略。有状态无服务器系统探索如何让持久化数据靠近计算，同时保留二者独立伸缩或恢复的能力。每种方法都必须兼顾性能、一致性、隔离性和运行成本。\n\n基准测试仍然困难重重，因为无服务器计算的性能取决于用户无法完全观察或控制的条件。热运行环境的复用、后台需求、区域部署位置、伸缩限制以及提供商实现的变化，都可能影响测量结果。因此，可复现的研究需要明确说明工作负载、调用时序、资源设置和延迟分布。如果只比较公开标示的单位价格，或仅测量一次热调用，就会遗漏执行模型中的许多方面。\n\n无服务器计算研究也关注面向开发者的抽象：应用应当以独立函数、持久化对象、工作流，还是以数据为中心的操作形式对外呈现。这些方案将调度边界和状态边界设置在不同的位置。当应用在同一托管平台上结合交互式请求、后台处理和使用加速器的计算时，这些方案之间的技术差异就显得尤为重要。"
    }
  ],
  "links": [
    "cloud-computing",
    "virtual-machine",
    "application-programming-interface",
    "platform-as-a-service",
    "open-source-software",
    "programming-language",
    "operating-system",
    "data-center",
    "database",
    "idempotence",
    "database-transaction",
    "message-broker",
    "exponential-backoff",
    "software-engineering",
    "sandbox-computer-security",
    "virtualization",
    "security-vulnerability",
    "denial-of-service-attack",
    "encryption",
    "relational-database",
    "mapreduce",
    "machine-learning",
    "neural-network-inference",
    "vendor-lock-in"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}