2. 成本估算基础：计算资源成本（CPU/GPU/TPU）、存储成本、网络带宽成本

机器学习模型的成本估算首先需要理解底层基础设施的计费模型。本章聚焦三类核心资源：计算资源（CPU/GPU/TPU）、存储资源（对象存储与块存储）以及网络带宽（入站/出站流量）。准确估算这些成本是后续安全权限配置与预算控制的前提。

2.1 计算资源成本（CPU/GPU/TPU）

计算资源是 ML 工作负载中占比最高的成本项。不同计算单元适用于不同阶段：CPU 适合数据预处理与轻量推理，GPU/TPU 主导模型训练与批量推理。

以下 SVG 展示了 ML 工作流中不同阶段的计算资源选择与成本层级关系：

2.2 存储成本

ML 项目涉及大量数据存储：原始数据集、预处理特征、模型检查点、训练日志与模型制品。存储成本通常按存储容量（GB/月）和访问频率（读写请求次数）计费。

2.3 网络带宽成本

网络带宽成本常被低估，但在分布式训练与跨区域数据传输场景中可能成为主要开销。大多数云厂商对入站流量免费，对出站流量按 GB 计费。

• 入站流量（Ingress）：上传数据集、拉取镜像等，通常免费。
• 出站流量（Egress）：下载模型、对外 API 响应、跨区域复制数据，按 GB 计费。
• 跨区域/跨可用区流量：同一区域不同可用区间流量通常免费或极低；跨区域（如 us-east-1 到 eu-west-1）费用较高。
• NAT 网关/负载均衡器：处理出站流量时产生额外处理费与带宽费。

以下 SVG 展示了 ML 工作流中的网络流量路径与成本产生点：

2.4 综合成本估算示例

以下是一个典型 ML 训练任务的成本估算模板，涵盖三类资源：

# 成本估算示例：BERT 模型微调（单节点，4×A100 GPU）
# 训练时长：48 小时

计算资源：
  GPU 实例：4 × A100 (80GB) × 48h × $4.50/h = $864.00
  CPU 预处理：8 vCPU × 12h × $0.30/h = $28.80

存储资源：
  数据集（500GB 对象存储标准）：500 × $0.023/GB/月 = $11.50/月
  检查点（每 2h 保存，共 24 个，每个 10GB）：临时存储（本地 SSD，无额外费用）
  模型制品（5GB 对象存储）：5 × $0.023 = $0.12

网络带宽：
  数据上传（入站免费）：$0.00
  模型下载（出站 5GB）：5 × $0.09/GB = $0.45
  跨区域同步（假设无）：$0.00

总计：$864.00 + $28.80 + $11.62 + $0.45 = $904.87