在現(xiàn)收現(xiàn)付定價模式的背后，公有云中有最新最好的開發(fā)、devops 和 AI 工具，用于更快地構(gòu)建更好、更智能的應(yīng)用程序。

當我們想到公共云時，通常首先聯(lián)想到的是財務(wù)支出：將工作負載從接近容量的數(shù)據(jù)中心轉(zhuǎn)移到云會減少資本支出 (CapEx)，但會增加運營支出 (OpEx)。這對財務(wù)管理者的吸引力具有兩面性，但對于開發(fā)人員、運營人員或?qū)烧呓Y(jié)合為devops的人來說，其作用仍不容小覷。

對于這些人來說，云計算提供了許多在新軟件服務(wù)需要購買新的服務(wù)器硬件或企業(yè)軟件套件時根本無法獲得的機會。在本地部署需要六個月的時間，有時在云中只需要 10 分鐘。需要來自三個管理級別的簽名才能創(chuàng)建本地部署的費用可以從云中的賬單預(yù)算中扣除。

這不僅僅是時間和方便的問題。云還可以提高軟件開發(fā)的速度，這通常會縮短上市時間。云還可以允許更多的實驗，這通常會帶來更高的軟件質(zhì)量。

此外，云中有真正的創(chuàng)新可以提供直接的好處并解決本地計算長期存在的問題。下面為大家介紹16種備受關(guān)注的云功能。

1. 按需計算實例

如果要在本地服務(wù)器上安裝新數(shù)據(jù)庫，那么可能需要等待數(shù)月甚至數(shù)年。如果能夠使用本地虛擬機 (VM) 而不是物理服務(wù)器，并且企業(yè)使用 VMware 或類似技術(shù)，那么等待時間將會縮減至數(shù)周。

但是，如果想在公共云上創(chuàng)建一個服務(wù)器實例，企業(yè)可以在大約 15 分鐘內(nèi)配置并運行它，并且能夠根據(jù)需要調(diào)整它的大小，在不使用它時將其關(guān)閉。

2. 預(yù)建的虛擬機鏡像

使用企業(yè)選擇的操作系統(tǒng)啟動 VM 很方便，但仍然需要安裝和許可企業(yè)需要的應(yīng)用程序。能夠啟動一個帶有企業(yè)選擇的操作系統(tǒng)和應(yīng)用程序的虛擬機并準備好運行是十分珍貴的。

3. 無服務(wù)器服務(wù)

“無服務(wù)器”意味著一項服務(wù)或一段代碼將在短時間內(nèi)按需運行，通常是為了響應(yīng)事件，而不需要在其上運行的專用 VM。如果服務(wù)是無服務(wù)器的，那么根本不需要擔心底層服務(wù)器;資源是從云提供商維護的池中分配的。

目前在每個主要公共云上都可用的無服務(wù)器服務(wù)通常具有自動擴展、內(nèi)置高可用性和按價值付費的計費模式。如果企業(yè)想要一個不受任何特定公共云限制的無服務(wù)器應(yīng)用程序，可以使用供應(yīng)商中立的無服務(wù)器框架，例如Kubeless，它只需要一個Kubernetes集群。

4. 按需容器

容器是軟件的輕量級可執(zhí)行單元，比虛擬機輕得多。容器打包應(yīng)用程序代碼及其依賴項，例如庫。容器共享主機的操作系統(tǒng)內(nèi)核。

容器可以在Docker Engine或 Kubernetes 服務(wù)上運行。按需運行容器具有按需運行虛擬機的所有優(yōu)勢，以及需要更少資源和成本更低的額外優(yōu)勢。

5. 預(yù)建容器鏡像

Docker 容器是 Docker 鏡像的可執(zhí)行實例，由 Dockerfile 指定。Dockerfile 包含構(gòu)建映像的說明，并且通?；诹硪粋€映像。例如，包含 Apache HTTP Server 的映像可能基于 Ubuntu 映像。企業(yè)可以在 Docker 注冊表中找到預(yù)定義的 Dockerfile，也可以構(gòu)建自己的。還可以在本地安裝的 Docker 或任何支持容器的云中運行 Docker 映像。

與預(yù)先構(gòu)建的虛擬機映像一樣，Dockerfile 可以快速啟動完整的應(yīng)用程序，但與 VM 映像不同，Dockerfile 與供應(yīng)商無關(guān)。

6. Kubernetes 容器編排

Kubernetes (K8s) 是一個開源系統(tǒng)，用于自動部署、擴展和管理容器化應(yīng)用程序。K8s 基于谷歌內(nèi)部的“Borg”技術(shù)。K8s 集群由一組稱為節(jié)點的工作機器組成，它們運行容器化的應(yīng)用程序。

Worker 節(jié)點托管 Pod，其中包含應(yīng)用程序;控制平面管理工作節(jié)點和 Pod。K8s 可以在任何地方運行，并且可以無限擴展。各大公有云都有K8s服務(wù);企業(yè)也可以在自己的開發(fā)機器上運行 K8s。

7. 自動縮放服務(wù)器

企業(yè)不必將應(yīng)用程序容器化并在 Kubernetes 下運行它們以在云中自動擴展它們。大多數(shù)公共云允許用戶通過添加(或減少)實例或增加(或減少)實例大小來根據(jù)使用情況自動向上(或向下)擴展虛擬機和服務(wù)。

8. 行星數(shù)據(jù)庫

主要的公共云和幾家數(shù)據(jù)庫供應(yīng)商已經(jīng)實施了全球規(guī)模的分布式數(shù)據(jù)庫，這些數(shù)據(jù)庫具有數(shù)據(jù)結(jié)構(gòu)、冗余互連和分布式共識算法等基礎(chǔ)，使它們能夠高效工作并具有高達 5 個 9 的可靠性(99.999% 的正常運行時間)。

9. 混合服務(wù)

對數(shù)據(jù)中心進行大量投資的企業(yè)通常希望將其現(xiàn)有的應(yīng)用程序和服務(wù)擴展到云中，而不是用云服務(wù)取代它們。所有主要的云供應(yīng)商現(xiàn)在都提供了實現(xiàn)這一目標的方法，包括使用特定的混合服務(wù)(例如，可以跨越數(shù)據(jù)中心和云的數(shù)據(jù)庫)以及連接到公共云的本地服務(wù)器和邊緣云資源，通常稱為混合云。

10. 可擴展的機器學習訓(xùn)練和預(yù)測

機器學習訓(xùn)練，尤其是深度學習，通常需要數(shù)小時到數(shù)周的大量計算資源。另一方面，機器學習預(yù)測每次預(yù)測需要幾秒鐘的計算資源，除非正在進行批量預(yù)測。使用云資源通常是完成模型訓(xùn)練和預(yù)測的最便捷方式。

11. 云 GPU、TPU 和 FPGA

在 CPU 集群上，使用大型模型和非常大的數(shù)據(jù)集進行準確訓(xùn)練所需的深度學習通常需要超過一周的時間。GPU、TPU 和 FPGA 都可以顯著縮短訓(xùn)練時間，并且將它們放在云端可以在需要時輕松使用它們。

12. 預(yù)訓(xùn)練的 AI 服務(wù)

許多 AI 服務(wù)可以通過預(yù)訓(xùn)練模型很好地執(zhí)行，例如語言翻譯、文本到語音和圖像識別。所有主要的云服務(wù)都提供基于穩(wěn)健模型的預(yù)訓(xùn)練 AI 服務(wù)。

13. 可定制的人工智能服務(wù)

有時，預(yù)訓(xùn)練的 AI 服務(wù)并不能完全滿足企業(yè)的需求。遷移學習僅在現(xiàn)有模型之上訓(xùn)練幾個神經(jīng)網(wǎng)絡(luò)層，與從頭開始訓(xùn)練模型相比，它可以相對快速地為企業(yè)提供定制服務(wù)。同樣，所有主要的云服務(wù)提供商都提供遷移學習，盡管它們并不都使用相同的名稱。

14. 監(jiān)控服務(wù)

所有云都支持至少一種監(jiān)控服務(wù)，讓企業(yè)輕松配置云服務(wù)進行監(jiān)控。監(jiān)控服務(wù)通常會向使用者顯示一個圖形儀表板，并且可以配置為通知使用者異常和異常的性能指標。

15. 分布式服務(wù)

數(shù)據(jù)庫并不是唯一可以從以分布式方式運行中受益的服務(wù)。問題是延遲。如果計算資源遠離數(shù)據(jù)或管理的進程，則發(fā)送和接收指令和信息需要很長時間。如果反饋回路中的延遲太高，則回路很容易失控。

如果機器學習和數(shù)據(jù)之間的延遲太高，則執(zhí)行訓(xùn)練所需的時間可能會增加。為了解決這個問題，云服務(wù)提供商提供連接設(shè)備，可以將他們的服務(wù)擴展到客戶的數(shù)據(jù)中心(混合云)或客戶的生產(chǎn)空間附近(邊緣計算)。

16. 邊緣計算

將分析和機器學習在地理上靠近機器和其他現(xiàn)實世界對象(物聯(lián)網(wǎng)或物聯(lián)網(wǎng))的需求導(dǎo)致了專門的設(shè)備需求，例如帶有 GPU 和傳感器的微型計算設(shè)備，以及支持它們的架構(gòu)，例如作為邊緣服務(wù)器、自動化平臺和內(nèi)容交付網(wǎng)絡(luò)。最終，這些都連接回云端，但在邊緣執(zhí)行分析的能力可以大大減少發(fā)送到云端的數(shù)據(jù)量并減少延遲。

以上列舉的種種好處或許可以緩解企業(yè)對于云支出的焦慮，我們討論過的任何一項云創(chuàng)新都可以證明其使用是合理的。綜合而言，云計算提供好處將是推動企業(yè)發(fā)展的重要動力。