综述：人工智能驱动的无服务器云计算性能优化策略与关键指标：一项系统性文献综述
摘要 无服务器计算通过消除基础设施管理负担，并支持具有动态资源分配的事件驱动、无状态函数执行，改变了云架构的形态。该模型在可扩展性、成本效益和能源节约方面带来了显著优势，但也面临冷启动延迟、工作负载多样性和复杂资源调度等挑战。本研究考察了无服务器计算的核心原理
无服务器计算通过消除基础设施管理负担，并支持具有动态资源分配的事件驱动、无状态函数执行，改变了云架构的形态。该模型在可扩展性、成本效益和能源节约方面带来了显著优势，但也面临冷启动延迟、工作负载多样性和复杂资源调度等挑战。本研究考察了无服务器计算的核心原理，将其与传统云模型进行对比，并评估了关键性能指标，包括延迟、执行时间、吞吐量、资源利用率、能耗以及成本-性能权衡。通过考虑平台异构性、虚拟化开销、硬件多样性、部署包大小、工作流复杂性和数据访问模式，从基础设施和应用两个视角对性能指标进行了分析。遵循PRISMA指南，这项系统性文献综述（SLR）分析了六个数据库中的1384条初始记录，最终筛选出2020年至2025年间发表的80项高质量研究。分析确定了七项主要性能指标，其中延迟占149次指标提及的31%，其次是成本（24%）和执行时间（15%）。2020年至2024年间，无服务器性能研究的数量增长了17倍。优化策略被归类为动态扩展、启发式和贪心算法、成本感知预配置以及人工智能驱动方法，包括机器学习、深度学习和深度强化学习。深度强化学习成为领先的机器学习范式（占研究的10%），表明研究正转向自适应、智能化优化。在异构且快速变化的工作负载背景下，强调了服务级别协议和用户需求的作用。本综述旨在为研究人员提供关于无服务器云计算方法论和技术格局的宝贵见解，使其成为该领域的重要参考文献。**1. 引言**
本节介绍了无服务器计算作为云架构中一种变革性范式的背景，指出其通过抽象化基础设施管理来实现事件驱动、无状态函数执行，能够降低空闲资源使用并支持按使用付费的执行模式。然而，该模型伴随技术挑战，其中最突出的是冷启动问题——函数实例在处理请求前需要初始化，引入延迟。缓解策略如保持函数温暖、预测性扩展和容器复用虽被广泛提出，但常带来运营成本增加或平台特定调优需求。此外，无服务器系统还需应对工作负载多变性和复杂资源调度问题。近期研究利用机器学习（ML）模型预测工作负载波动并主动配置资源，常结合主成分分析等特征工程技术。架构创新如函数交付网络（Function Delivery Network）已被引入以缓解冷启动并改善CPU利用率。自动扩展机制包括基于Kubernetes的水平Pod自动扩展器（HPA）、Kubernetes事件驱动自动扩展（KEDA）和每秒请求数扩展。函数调度与放置也影响性能，图分区技术可最小化数据传输成本同时满足延迟约束。尽管取得进展，多个开放问题仍未解决：冷启动缓解技术常与特定平台绑定，难以跨工作负载泛化；ML驱动的扩展高度依赖训练数据质量；纯无服务器模型面临弹性或亚秒级激活限制时，仍需混合架构（如ServerMix）。从收集的相关工作数据集中，观察到这些指标系统化特征描述方面的空白，构成了本综述的核心动机。
现有文献中存在关键空白：在2020至2025年间发表的199项性能相关研究中，仅有三项系统性综述，且均未全面映射所有关键性能指标间的相互作用，也未评估AI驱动优化技术在整个无服务器生命周期中的有效性。此外，现有综述缺乏可复现数据集，未系统处理深度强化学习、多目标优化或跨指标依赖关系。本研究旨在提供全面、数据驱动且完全可复现的SLR，弥合无服务器云计算中性能指标与优化策略之间的脱节。研究包含六个部分，并做出多项关键贡献：指标的整体映射、趋势与空白分析、优化策略分类体系、AI驱动与自适应优化洞察。
本节阐述无服务器架构作为云计算的范式，其将服务器管理、基础设施配置和扩展从开发者中抽象出来。应用程序被分解为离散的无状态函数，响应HTTP请求、数据库更新或计划触发器等特定事件执行。函数通常部署在由云提供商自动配置和管理的临时容器中，执行环境仅在函数运行期间存在。无服务器计算的定义特征在于其函数即服务（FaaS）模型。开发者仅需编写和部署代码，云提供商承担资源分配、任务调度、部署编排、监控和安全补丁等运营任务。从历史角度看，无服务器计算是从20世纪60年代大型机系统发展而来的最新阶段，经历了客户端-服务器架构、Web应用、面向服务架构（SOA）以及后来的微服务与DevOps实践。无服务器的事件驱动特性是其效率的核心，函数仅在事件触发时被调用，完全减少了与传统常开服务器相比的空闲资源消耗。按需执行模式与按使用付费的计费策略契合。无服务器架构还通过优化能源使用因素促进可持续性目标，计算资源按需动态分配并在使用后立即释放。
传统云模型如基础设施即服务（IaaS）和平台即服务（PaaS）通常需要预配置固定容量资源，常导致利用率不足。成本与预配置容量挂钩，支持长时间运行的进程和有状态应用。FaaS平台采用按使用付费或按调用付费模式，仅对实际执行时间和内存消耗收费，资源利用率可高达90%，能耗降低达70%，运营成本降低达60%。无服务器动态分配资源，但面临冷启动延迟挑战，且适合短生命周期无状态执行。混合云解决方案结合FaaS与IaaS组件，以利用两种模型的优势。在环境可持续性方面，无服务器架构因高效资源分配和减少空闲时间而更具可持续性。
本研究的论文选择遵循结构化流程，仅纳入直接与无服务器云计算性能优化相关的研究。主要关注解决可测量性能指标（如冷启动延迟、执行时间、吞吐量和资源利用率）的文献。纳入标准包括提供可比较的实证评估或实验结果，明确考察冷启动行为和缓解技术。排除标准包括非原创文章、2019年及以前发表的研究、非英语文献以及传统云计算研究。
数据提取涉及识别每项研究的核心属性，包括发表年份、特定无服务器平台或架构、环境或性能指标。详细提取优化技术信息，包括是否感知系统状态。叙事综合过程定性检查和整合所选研究的发现，以识别性能指标与优化策略之间的模式、主题和关系，不依赖聚合数值比较。
为80项纳入研究记录了标准化数据字段，包括书目元数据、性能指标（采用多标签二元编码方案，七项指标为：延迟（L）、成本/价格（C）、冷启动（S）、执行时间（T）、工作负载（W）、吞吐量（P）和资源分配（R））、ML范式分类（监督/集成学习、深度学习（DL）、深度强化学习（DRL）、启发式/贪心、成本感知规则）、评估设置、工作负载类型和证据强度。混合方法通过三步规则确定主范式：（i）贡献焦点；（ii）决策权威；（iii）评估结果。两名审稿人独立编码，分歧通过讨论解决，Cohens kappa值为??=0.82，表明高度一致。
每项研究使用预定义标准进行评估，包括目标清晰度、方法透明度、实验设计完整性、与无服务器性能优化指标的相关性以及结果和结论的有效性。每项标准按1-5分评分，平均分低于3.0的研究被排除。研究进一步分为强实证（56%）、基于模拟（31%）和概念性（13%）三类。
本研究的核心动机是对全面且可复现的工作的迫切需求。现有三项系统综述各有局限：Scheuner和Leitner（2020）发现FaaS性能评估主要集中于AWS Lambda和微基准测试，缺乏可复现性；Jiang等人（2023a）评估了无服务器基础设施上的机器学习，但承认未覆盖所有ML技术，成本比较不够科学；Shojaee Rad等人（2024）对无服务器数据管道方法进行分类，但存在供应商锁定和冷启动延迟等未解决问题。
本研究提出三个主要研究问题：RQ1：影响无服务器云服务性能的性能指标和评估标准是什么？RQ2：有助于改进无服务器云服务性能的优化方法有哪些？RQ3：根据研究分析，指标对性能的有效性如何？
**4.1 RQ1：影响无服务器云服务性能的性能指标和评估标准是什么？**
性能挑战源于FaaS平台的架构特征，最突出的是冷启动延迟。工作负载多变性使优化复杂化，突发性不可预测流量模式使资源高效配置面临挑战。
延迟和响应时间是无服务器计算中的关键性能指标，直接影响用户体验。延迟可在函数初始化、资源预配置和函数间通信等多个阶段引入。冷启动现象是延迟增加的最重要因素。冷启动缓解机制包括应用级优化、预烘焙技术、冷启动感知容量规划和动态调度机制。边缘放置和局部性对减少延迟至关重要，在最近的边缘服务器上执行函数可最小化网络传输延迟。基于ML的预测扩展模型（如CatBoost、LightGBM、XGBoost）能高精度预测资源需求。FaaSLight框架通过按需加载必要代码段，将运行时内存使用量减少57.84%。临时每查询引擎（EPQE）和优化的Knative自动扩展器可改善查询响应时间和减少SLO违规。延迟表显示共有46项研究致力于改善延迟，占149次提及的31%。
可扩展性指系统根据工作负载波动动态调整计算资源的能力，吞吐量衡量单位时间内成功处理的请求数。Kubernetes HPA能根据CPU利用率动态调整Pod副本数。CPU-based自动扩展在长时间运行、计算密集型函数中优于RPS或KEDA方法。高效调度对维持高吞吐量至关重要。滑动窗口技术优化内存使用。缓存机制如HashCache显著减少调用延迟和资源开销。吞吐量（P）是研究最少的指标，仅有5次提及，2025年为零，表明存在明显研究空白。
冷启动延迟是指函数被调用时因无运行中执行环境而发生的初始化延迟。冷启动过程包括准备新容器环境、分配内存和CPU资源、加载函数代码及依赖、执行必要设置。对于一组函数的累积冷启动影响定义为：ColdStart(F)=∑f∈F(tcontainer(f)+tdependency(f))。内存分配、CPU分配、部署包大小、编程语言选择和工作负载特征均影响冷启动行为。缓解策略包括预热、预烘焙、混合方法、容器重用和共享、动态调度策略。多租户环境中，时空调度模型可改善资源利用率和响应时间。表7显示16项研究致力于冷启动优化。
高效的资源分配是影响CPU利用率和整体系统性能的关键因素。工作负载感知扩展方法能动态调整资源，而资源感知扩展维持一致性吞吐量。FaaS模型常未能跨租户有效优化CPU分配。成本-性能权衡在资源配置决策中起重要作用。函数粒度影响CPU利用效率，细粒度函数可能导致频繁上下文切换。AI驱动的扩展策略和深度强化学习（DRL）调度方法已被提出。状态感知机制如Refuse在重启时间优化方面显示可衡量的改进。表8显示10项研究致力于改善资源分配。
无服务器平台的按使用付费定价意味着资源配置决策直接影响运营费用。增加内存或CPU资源可减少执行时间但增加成本。优化策略必须将预算考虑与技术性能目标结合。冷启动缓解与成本之间关系显著。浪费内存时间（WMT）指标有助于洞察资源效率低下问题。平衡性预配置策略优于贪心方法。多层容器复用（MLCR）减少冷启动时间并间接降低成本。成本-性能优化曲线可指导不同应用类型的配置决策。
执行时间是直接影响应用性能和用户体验的关键指标。细粒度CPU上限控制动态调整CPU分配，计算密集型任务执行时间减少20%。硬件感知设计如SVDE将计算密集型阶段卸载到专用加速器，视频分析查询执行时间减少40%。弹性执行器池抽象可将动态不规则工作负载的执行时间减少55%。
工作负载特征化是有效优化的前提。生产无服务器工作负载的实证特征化显示强突发性和异构资源需求。Transformer-based预测调度可将推理工作负载处理效率提高约30%。混合模型结合预测调度和高效资源管理，I/O密集型任务吞吐量提高28%。
贪心和启发式算法是精确优化方法计算上不可行时的现实替代方案。双标准近似方法允许在可容忍因素内受控违反延迟限制。贝叶斯优化（BO）作为黑盒优化工具可克服非凸性能函数问题。执行时间感知调度（ETAS）将领域知识嵌入调度策略。贪心算法适用于无服务器边缘计算中的放置决策。混合策略结合贪心选择与自适应分区技术，可改善大规模数据处理任务的执行时间和内存消耗。
机器学习已成为优化无服务器云计算性能的核心方法。预测模型校准可提高资源分配效率。强化学习（RL）在动态无服务器环境中特别有效的自动扩展应用。ML还应用于函数放置和配置优化。成本-性能建模利用ML预测执行时间，选择符合SLO的最具成本效益配置。工作流级优化通过建模整个执行流程识别瓶颈。ML驱动的无服务器优化策略中，监督和集成学习技术（XGBoost、LightGBM、CatBoost）广泛用于短期调用和资源需求预测，但受数据依赖性限制。深度强化学习（DRL）和在线自适应学习框架将自动扩展和调度建模为持续决策过程，能捕获时间依赖和函数间相关性。
学习范式选择涉及预测准确性、计算开销和部署可移植性之间的基本权衡。轻量级启发式和基于规则的方法在高速度大规模系统中仍然具有吸引力，而ML和DRL方法更适合非线性、非凸优化环境，以及高度不可预测或序列依赖的工作负载。
能源与功耗模型已成为重要研究方向。通过合并能源和功耗的显式模型来扩展优化目标，调度器可做出平衡性能与环境影响的决策。能耗感知调度纳入强化学习扩展策略的奖励函数。基准测试工作需覆盖不同区域和时间跨度的执行模式多样性。硬件异构性使能耗建模复杂化，模型须考虑位置特定因素。
成本感知优化需要平衡计算性能与财务效率。FaaS平台基于细粒度计费单位（如GB-秒或vCPU-小时）定价。不同提供商定价结构差异需要特定于工作负载的部署策略。动态扩展机制可避免低负载期过度预配。识别高频率调用实现针对性优化。调度中根据系统状态和工作负载参数将函数分配到最合适的执行节点。I/O效率直接影响性能和成本。
上下文感知缓存（pCache）通过减少系统成本60%以上和冷启动频率近70%实现性能提升。ARASEC框架采用多目标优化，同时考虑成本、延迟和准确性。DRLIS智能体通过动态自适应决策学习复杂资源分配策略。
数据集涵盖80篇文章，聚焦七项关键性能指标。数据分析框架包含四个组成部分：概述与趋势、指标分布、指标间比较、关键洞察与建议。
总共有149次指标提及。延迟占31%居主导地位。2024年达到53次提及的峰值，2020至2024年间增长约17倍。早期研究（2020-2021）主要集中于延迟，后期（2023-2025）研究范围多样化。
延迟（L）46次提及（31%）；成本/价格（C）18次（12%）；冷启动（S）12次（8%）；执行时间（T）和负载（W）各11次（7%）；吞吐量（P）5次（3%），研究最不充分；资源分配（R）10次（7%）。
延迟-成本对相关性最高，2024-2025年间有六次共享提及。延迟-冷启动重叠出现在七项研究中。成本-工作负载关系体现了工作负载峰值的经济影响。执行时间-吞吐量对相关性弱。
传统成本感知规则在原始数量上占主导（24%），但DRL作为领先ML范式（10%）表明向智能模型的明确过渡。
元框架将80项研究分层组织：第一层为范围与选择（1384条初始记录经PRISMA筛选至80条）；第二层为指标焦点，显示延迟（31%）、成本（24%）、执行时间（15%）等分布；第三层为优化技术，包括成本感知优化（24%）、启发式算法（10%）、贪心算法（4%）、AI基础方法（8%）、ML（9%）、DL（1%）和DRL（10%）。
预测性方法依赖监督或集成学习模型，适应性方法采用强化学习或在线控制。冷启动延迟和运营成本被反复确定为主要性能关注点。预测管道与在线自适应控制之间存在准确性与开销权衡。
RQ1：识别了七项主要性能指标，延迟占主导（46次提及，31%），吞吐量研究严重不足（5次，3%）。约30%的研究联合处理两个或多个指标。
RQ2：文献揭示四大优化类别：启发式和贪心算法、ML预测扩展、DRL和成本感知预配置。成本感知方法在当前数量上占主导（24%），DRL是领先ML范式（10%）。
RQ3：交叉指标分析确认延迟和成本是相互依赖性最强的指标。2020至2024年指标提及量17倍增长反映领域快速成熟。预测和DRL方法在不稳定负载下持续优于静态启发式。
数据集观察显示研究优先级随时间明显转变。2020至2022年主要聚焦延迟缓解，2024至2025年研究展示更广泛的全方位优化议程。吞吐量仍是最少探索的性能维度。平台开发者应优先考虑多租户环境中的热池和扩展阈值调优，仅在负载非平稳时采用学习型调度器。应用开发者应匹配优化范式与工作负载形态，审慎配置内存和包大小，部署前基准测试延迟-成本权衡。研究人员应将吞吐量作为独立目标处理，解决跨平台泛化性和漂移问题，开发统一多目标框架。
无服务器计算从根本上重塑了云架构，提供了可扩展性和成本效益方面的显著优势。本研究通过PRISMA引导的SLR系统解决了冷启动延迟和复杂资源调度等挑战，从1384条初始记录中筛选出80项同行评审研究，具有强评分者间信度（??=0.82）。识别了七项主要性能指标，延迟占31%，成本占24%，执行时间占15%。优化策略分为成本感知预配置、启发式算法和AI驱动方法，深度强化学习成为领先ML范式（10%）。限制包括仅限英语同行评审期刊文章、搜索策略可能遗漏其他数据库研究、多标签编码依赖文本显式提及、2025年数据为部分年份覆盖、分类中存在主观判断。未来方向包买球平台括吞吐量优化、跨平台泛化性、可持续性感知优化、混合云-边缘编排框架、多目标优化以及将SLR扩展到2025年之后。
