當我們想到公共云時，通常首先想到的是財務：將工作負載從數據中心轉移到云會減少資本支出 (CapEx)，但會增加運營支出 (OpEx)。??這對 CFO 可能來說可能會有吸引力，但對于開發人員、運營人員或者是對DevOps??的人來說，這并沒有與眾不同。

??云計算??對一些企業提供了許多傳統的方法無法實現的能力。在本地部署需要六個月的時間，在云中10 分鐘就可以完成；本地部署需要來自三個管理級別的簽名才能支出執行費用，而云只需要一步。

這不僅僅是時間和方便的問題。云還可以提高軟件開發的速度，大大縮短企業上市的時間。云還可以同時做實驗，保證更高的軟件質量。

此外，云技術中還有一些真正的創新，可以提供即時的好處，并解決本地計算的問題。本文詳細的講解了16種使用且大眾感興趣的云功能。

按需計算實例

還需要在自己的本地服務器上安裝新數據庫嗎？長時間的排隊，幾個月或者是幾年。如果可以容忍使用本地虛擬機 (VM) 而不是物理服務器，公司使用 VMware 或類似技術，那么等待的時間將會大大縮短。但是，如果想在公共云上創建一個服務器實例，只需15 分鐘內配置并根據需要調整，就可以運行，并且可以隨時使用隨時關閉。

預建的虛擬機鏡像

使用操作系統啟動 VM 很方便，但仍然需要安裝和許可應用程序。能夠啟動一個將選擇的操作系統和應用程序的虛擬機運行起來是難能可貴的。

無服務器服務

“??無服務器??”意味著一項服務或一段代碼將在短時間內按需運行，通常是是響應一個事件，而不需要一個專用的VM來運行。如果服務是無服務器的，那么就不需要擔心底層服務器；資源是從云提供商維護的池中分配的。

無服務器服務，目前在每個主要的公共云上都可用，通常具有自動擴展、內置高可用性和按價值付費的計費模式。如果想要一個無服務器應用程序，而不被鎖定在任何特定的公共云中，可以使用與供應商無關的無服務器框架，例如??Kubeless??，它只需要一個??Kubernetes??集群（可作為云服務提供；見下文）。

按需容器

容器是軟件的輕量級可執行單元，比虛擬機輕得多。容器將應用程序代碼及其依賴項（例如庫）進行打包，容器共享主機的操作系統內核。容器可以在??Docker 引擎??或 Kubernetes 服務上運行。按需運行容器具有按需運行虛擬機的所有優點，另外還有低消耗和低成本的優勢。

預建容器鏡像

??Docker 容器??是 Docker 鏡像的可執行實例，由 Dockerfile 指定。Dockerfile 包含構建映像的說明，并且通常基于另一個映像。例如，包含 Apache HTTP Server 的映像可能基于 Ubuntu 映像。您可以在 Docker 注冊表中找到預定義的 Dockerfile，也可以構建自己的。也可以在本地安裝的Docker中運行Docker映像，也可以在任何支持容器的云中運行Docker映像。與預先構建的虛擬機映像一樣，Dockerfile 可以快速啟動完整的應用程序，但與虛擬機映像不同，Dockerfile 與供應商無關。

Kubernetes容器編排

Kubernetes (K8s) 是一個開源系統，用于自動部署、擴展和管理容器化應用程序。K8s 基于谷歌內部的“Borg”技術。K8s 集群由一組稱為節點的工作機器組成，這些機器運行容器化的應用程序。Worker 節點托管 Pod，其中包含應用程序；控制平面管理工作節點和 Pod。K8s 可以在任何地方運行，并且可以無限擴展。所有主要公共云都有K8s服務；也可以在自己的開發機器上運行 K8s。

自動擴展服務器

大多數公共云允許通過添加（或減少）實例或增加（或減少）實例大小來根據使用情況自動向上（或向下）擴展虛擬機和服務。

行星數據庫

主要的公共云和幾家數據庫供應商已經實施了星云級分布式數據庫，其基礎是數據結構、冗余互連和分布式一致性算法，使它們能夠高效地工作，可靠性高達59（99.999% 的正常運行時間）。特定于云的示例包括??Google Cloud Spanner??（關系）、??Azure Cosmos DB??（多模型）、??Amazon DynamoDB??（鍵值和文檔）和??Amazon Aurora??（關系）。供應商示例包括??CockroachDB??（關系）、??PlanetScale??（關系）、??Fauna??（關系/無服務器）、??Neo4j??（圖）、??MongoDB Atlas??（文檔）、??DataStax Astra??（寬列）和??Couchbase Cloud??（文檔）。

混合服務

對數據中心進行大量投資的公司，通常希望將其現有的應用程序和服務擴展到云中，而不是用云服務取代它們。所有主要的云供應商現在都提供了實現這一點的方法，包括使用特定的混合服務（例如，可以跨越數據中心和云的數據庫）以及連接到公共云（通常稱為??混合云??）的本地服務器和邊緣云資源。

可擴展的機器學習訓練和預測

機器學習訓練，尤其是深度學習，通常需要數小時到數周的大量計算資源。另一方面，機器學習預測需要數秒的計算資源，除非正在進行批量預測。使用云資源是完成模型訓練和預測的最便捷方式。

云 GPU、TPU 和 FPGA

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

預訓練的 AI 服務

許多 AI 服務可以通過預訓練模型很好地執行，例如語言翻譯、文本到語音和圖像識別。所有主要的云服務都提供基于穩健模型的預訓練 AI 服務。

可定制的人工智能服務

有時，預訓練的 AI 服務并不能完全滿足您的需求。遷移學習僅在現有模型的基礎上訓練幾個神經網絡層，與從頭開始訓練模型相比，它可以相對快速地為您提供定制服務。同樣，所有主要的云服務提供商都提供遷移學習。

監測服務

所有云都支持至少一種監控服務，可以輕松配置云服務進行監控。監控服務通常會向您顯示一個圖形儀表板，并且可以配置為通知異常和異常的性能指標。

分布式服務

數據庫并不是唯一可以從以分布式方式運行中受益的服務。問題是延遲。如果計算資源遠離數據或管理的進程，則發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。如果機器學習和數據之間的延遲太高，則執行訓練所需的時間可能會增加。為了解決這個問題，云服務提供商提供連接設備，可以將他們的服務擴展到客戶的數據中心（??混合云??）或客戶的工廠車間附近（??邊緣計算??）。

邊緣計算

將分析和機器學習在地理上靠近機器和其他現實世界對象（物聯網或物聯網）的需求導致了專門的設備，例如帶有 GPU 和傳感器的微型計算設備，以及支持它們的架構，例如作為邊緣服務器、自動化平臺和內容交付網絡。最終，這些都連接回云端，但在邊緣執行分析的能力可以大大減少發送到云端的數據量并減少延遲。

我們討論過的任何一項云創新都可以證明其使用是合理的。綜合起來，好處真的是不可抗拒的。