Serverless 架构下的容器化方案有哪些？

Serverless 和容器并不是对立的技术路线——将容器作为 Serverless 的运行载体，既能保留容器在打包、迁移上的灵活性，又能享受 Serverless 按需付费、免运维的弹性优势。下面从主流方案、选型逻辑到落地实践逐层展开。

主流 Serverless 容器化方案

AWS Fargate

Fargate 是 AWS 提供的无服务器计算引擎，可直接运行容器而无需管理 EC2 实例：

• 计费方式：按容器实际运行的 vCPU 和内存按秒计费
• 编排支持：兼容 ECS（自研调度）和 EKS（Kubernetes 调度）两种模式
• 典型场景：长时间运行的微服务、需要持久连接的 WebSocket 应用、流式数据处理

Fargate 的核心价值在于"零集群运维"——不需要选择实例类型、不需要打补丁、不需要操心节点扩缩容。但代价是单价高于自管 EC2，适合对运维成本敏感但对计算单价不敏感的场景。

Google Cloud Run

Cloud Run 基于 Knative 构建，是 GCP 的全托管 Serverless 容器平台：

• 计费方式：按请求处理的 CPU 和内存按毫秒计费，空闲时 CPU 不计费
• 自动扩缩：支持从零实例到数千实例的自动伸缩，冷启动通常在 1-2 秒
• 流量管理：原生支持灰度发布和流量拆分
• 典型场景：HTTP/HTTPS API 服务、事件驱动的异步任务、Web 前端托管

Cloud Run 的最大优势是开发体验极简——一个 gcloud run deploy 命令即可完成构建和部署，且支持接收来自 Pub/Sub、Cloud Storage 等 60+ 事件源的触发。

Azure Container Instances (ACI)

ACI 提供按秒计费的独立容器实例，是最轻量的 Serverless 容器方案：

• 计费方式：按容器组运行时长、CPU 核数和内存大小计费
• 编排集成：可单独使用，也可作为 AKS Virtual Node 的底层运行时
• 典型场景：CI/CD 构建任务、一次性批处理、快速原型验证

ACI 的优势在于上手门槛最低，但缺少内置的自动扩缩能力，需要配合 AKS 或 KEDA 才能实现弹性调度。

AWS Lambda 容器镜像

Lambda 支持使用高达 10GB 的容器镜像作为函数部署包：

• 核心价值：解决 Lambda 原生运行时对依赖大小（250MB 解压后）的限制
• 典型场景：依赖复杂的机器学习推理、需要自定义运行时的遗留应用迁移
• 限制：冷启动时间会随镜像增大而变长，最大执行时间仍为 15 分钟

需要特别注意，Lambda 容器镜像的本质仍然是函数模型——即使打包成容器，执行上仍受单次调用的时长和内存上限约束，不适合长时间运行的服务。

国内云厂商方案

国内市场同样有成熟的 Serverless 容器产品：

• 阿里云 ACK Serverless：基于弹性容器实例 ECI 运行，每个 Pod 通过轻量级虚拟化沙箱隔离，完全兼容 Kubernetes 生态，按实际使用的 CPU 和内存按需付费
• 腾讯云 Serverless 容器服务：以超级节点维度承载资源，支持 1 秒启动容器、数万 Pod 并发，适用于 AI 推理、离线数据处理和大规模弹性场景

选型逻辑：四个关键维度

执行时长

短时间任务（秒级到分钟级）优先选择函数型 Serverless（Lambda、Cloud Functions）；需要持续运行或执行时间超过函数限制的任务，应选择 Fargate、Cloud Run 等容器型方案。

启动延迟

对冷启动敏感的场景（如在线 API），传统函数的冷启动通常在百毫秒级；容器型方案的冷启动在 1-5 秒级别，可通过镜像预热和最小实例数来缓解。如果业务对延迟要求极低，需要评估是否适合走 Serverless 路线。

资源规模

轻量级任务用函数型即可；需要大内存、多核、GPU 的重量级任务，容器型方案是唯一选择——Fargate 支持最大 16 vCPU / 120GB 内存，Cloud Run 支持最大 8 vCPU / 32GB 内存。

生态锁定

Fargate 绑定 AWS 生态，Cloud Run 绑定 GCP 事件源，ACI 需要搭配 Azure 服务。如果多云可移植性是硬性要求，可以基于 Knative 自建 Serverless 容器平台，但需要承担额外的运维成本。

落地实践

镜像优化

使用多阶段构建（multi-stage build）将编译环境和运行环境分离，最终镜像只保留运行时依赖。Alpine 或 distroless 基础镜像可以将镜像体积压缩到 50MB 以下，直接缩短冷启动时间。

健康检查

为容器配置 liveness 和 readiness 探针，确保平台能准确判断实例状态，避免将请求路由到未就绪的实例上。Cloud Run 通过 PORT 环境变量自动探测，Fargate 需要在任务定义中显式配置。

资源配额

根据实际负载设置合理的 CPU 和内存 limit，避免因资源超限被 OOM Kill。建议先在负载测试中确定资源基线，再设置 limit = 基线 × 1.5 的余量。

可观测性

将容器日志统一输出到 stdout/stderr，由平台自动采集；配置结构化日志格式（JSON），便于后续检索和告警。同时接入分布式追踪（如 X-Ray、Cloud Trace），定位跨服务调用链中的性能瓶颈。

面试中被问到这道题时，核心回答逻辑是：先说清 Serverless 容器化的本质（用容器做运行载体 + Serverless 做调度和计费），再按云厂商分方案介绍特点，最后从执行时长、启动延迟、资源规模、生态锁定四个维度给出选型建议。