3. 主流 Serverless 平台 CPU 配额模型对比
CPU 配额模型直接决定了函数在运行时可获得的计算资源上限，是性能调优的核心输入。不同平台对 CPU 的抽象方式差异显著：有的将 CPU 与内存绑定，有的提供独立规格，有的则按实际使用时间计费。理解这些模型是选择平台和配置函数的第一步。
3.1 三种主流配额模型概述
当前三大主流 Serverless 平台分别采用了三种不同的 CPU 配额分配策略：
| 平台 | 模型名称 | 核心分配逻辑 | 用户控制粒度 |
|---|---|---|---|
| AWS Lambda | 按内存比例分配 | CPU 配额与配置的内存大小线性关联，内存越大，CPU 时间片越多 | 仅能调节内存（128 MB – 10,240 MB），CPU 随之自动变化 |
| 阿里云函数计算 (FC) | 按规格分配 | 提供预定义的“实例规格”，每个规格包含固定的 vCPU 与内存组合 | 选择规格（如 0.5 vCPU / 1 GB、1 vCPU / 2 GB 等） |
| Google Cloud Functions (GCF) | 按 vCPU 秒计费 | CPU 配额按实际使用的 vCPU 秒数分配，与内存配置解耦 | 可独立设置内存和最大 vCPU 数（1 或 2） |
调优提示： 在 AWS Lambda 上，提升内存是唯一增加 CPU 配额的手段。如果函数是 CPU 密集型，即使内存需求不高，也需要通过增加内存来获得更多 CPU 时间片，这会导致内存浪费。阿里云 FC 和 Google Cloud Functions 则允许更独立的资源配置。
3.2 模型对比与性能影响分析
三种模型在性能调优场景下表现出不同的优缺点，以下从四个关键维度进行对比：
| 维度 | AWS Lambda（按内存比例） | 阿里云 FC（按规格） | Google Cloud Functions（按 vCPU 秒） |
|---|---|---|---|
| CPU 密集型任务 | 需通过增大内存间接提升 CPU，成本较高 | 可直接选择高 vCPU 规格，效率高 | 可独立分配 2 vCPU，灵活性好 |
| 内存密集型任务 | 内存与 CPU 同步增长，容易造成 CPU 浪费 | 规格固定，可能无法精确匹配内存需求 | 内存可独立配置，避免浪费 |
| 成本控制 | 按内存大小和调用次数计费，CPU 不单独计费 | 按规格和调用次数计费，规格越高单价越高 | 按 vCPU 秒和内存秒分别计费，计费粒度最细 |
| 冷启动影响 | 内存越大，冷启动时间通常越短（因分配更多资源） | 高规格实例冷启动资源更充足，但启动时间受镜像大小影响 | CPU 配额不影响冷启动，主要受运行时和依赖影响 |
避坑指南： 在 AWS Lambda 上，不要为了获得更多 CPU 而盲目将内存配置到 10 GB，除非你的函数确实需要大量内存。否则，你将为未使用的内存付费。建议通过性能测试找到“性价比拐点”——即增加内存带来的性能提升开始显著放缓的那个内存值。
3.3 配额模型架构对比图
下图直观展示了三种平台在 CPU 配额分配逻辑上的架构差异：
3.4 模型选择策略与调优建议
针对不同业务场景，推荐以下选择策略：
- 通用 Web 后端 / API 网关： 优先选择 AWS Lambda 或 Google Cloud Functions。如果请求处理时间短且内存需求稳定，AWS Lambda 的按内存比例模型足够简单；如果需要更精细的成本控制，Google Cloud Functions 的按 vCPU 秒计费更优。
- CPU 密集型计算（视频转码、数据处理）： 推荐阿里云 FC 或 Google Cloud Functions。阿里云 FC 可以直接选择高 vCPU 规格，避免内存浪费；Google Cloud Functions 可独立分配 2 vCPU，适合突发计算。
- 内存密集型应用（缓存、大数据加载）： 推荐 Google Cloud Functions。其内存与 CPU 解耦的特性允许你配置大内存而不必为多余的 CPU 付费。
- 混合负载（既有 CPU 密集又有内存密集）： 建议使用阿里云 FC 的多种规格组合，或 Google Cloud Functions 的独立配置能力。AWS Lambda 在此场景下容易产生资源浪费。
性能调优最佳实践： 无论选择哪个平台，都应通过压力测试工具（如 Artillery、k6 或平台自带的压测功能）对函数进行基准测试。记录不同配置下的延迟、吞吐量和成本，绘制“性能/成本曲线”，找到最适合你业务负载的配置点。不要依赖直觉或默认配置。
3.5 配额模型对性能调优的直接影响
CPU 配额模型决定了性能调优的切入点和方法论：
| 调优动作 | AWS Lambda | 阿里云 FC | Google Cloud Functions |
|---|---|---|---|
| 增加 CPU 能力 | 增加内存配置 | 选择更高 vCPU 规格 | 设置最大 vCPU 为 2 |
| 减少 CPU 浪费 | 找到性价比拐点，避免过度分配内存 | 选择刚好满足需求的规格，避免规格过高 | 利用按 vCPU 秒计费，仅在需要时使用高 CPU |
| 优化冷启动 | 适当增加内存（128 MB → 512 MB 效果明显） | 选择高规格实例，或使用预留实例 | 优化代码和依赖，减少初始化时间 |
| 成本优化 | 使用预留并发和按需组合 | 使用弹性伸缩和按量付费 | 监控 vCPU 秒使用量，避免空闲时的高配置 |