---
title: "滾動更新（Rolling Update）"
slug: rolling-update
language: zh-TW
source: https://aiterms.tw/learning/what-is-rolling-update
updated_at: 2026-07-04
tags: [模型部署, MLOps, source:ipas]
ipas_term: true
type: deep-dive
---

# 滾動更新 是什麼？

> 滾動更新是一種軟體部署策略，透過逐步替換舊版實例為新版實例，確保系統在升級期間保持零停機，維持服務的高可用性。

## 核心概念

滾動更新是現代軟體工程與機器學習運營中不可或缺的部署策略。隨著人工智慧與機器學習模型的應用日益普及，企業系統必須維持全天候的運作，任何因模型替換或應用程式升級所導致的服務中斷，都可能造成嚴重的業務損失與使用者體驗下降。在這樣的背景下，滾動更新應運而生，其核心目標在於實現在零停機的情況下，平滑地將系統中的舊版本遷移至新版本，進而確保系統的高可用性。

在傳統的部署模式中，系統升級通常需要將現有的服務完全停止，然後將新的程式碼或模型上線，最後再重新啟動服務。這種做法不僅會造成一段時間的服務無法使用，影響依賴該服務的其他微服務或外部使用者，如果新版本存在缺陷，還需要花費額外的時間進行系統降級與復原，營運風險極高。相對而言，滾動更新採用漸進式的替換方法。它將整個系統的實例劃分為多個小批次，每次僅針對其中一個或少數幾個實例進行更新。當這些實例成功升級並確認運作正常後，系統才會繼續推進至下一個批次，直到所有實例都完成更新為止。

這種策略的核心優勢在於風險控制與服務的連續性。由於每次只有部分實例在進行更新，系統的剩餘部分仍然能夠處理來自使用者的請求，不會出現系統全面無法回應的情況。即使新版本的模型或應用程式出現非預期的錯誤，影響範圍也被嚴格限制在當前更新的批次內，系統管理者或自動化監控系統可以迅速察覺並停止更新程序，甚至將出錯的實例回退到舊版本，而不會導致整體服務的全面癱瘓。在人工智慧領域，這意味著當我們將一個經過重新訓練且效能更好的模型部署到生產環境時，可以透過滾動更新確保預測服務不中斷，讓終端應用程式能夠持續獲得推論結果。這不僅減少了使用者的挫折感，也維持了企業服務的專業形象與可靠性。

## 運作原理

滾動更新的運作機制依賴於複雜的流量路由與實例生命週期管理。在一個典型的機器學習模型部署場景中，通常會使用負載平衡器將傳入的預測請求分發到多個運行相同模型的伺服器實例上。當啟動滾動更新程序時，系統部署控制器會接管整個升級過程，並遵循預先設定的規則與參數進行精細的操作。

首先，部署控制器會根據設定的批次大小，在系統中啟動第一批包含新版模型的新實例。此時，舊版實例仍在正常處理使用者的請求，整個系統對外表現出平穩的狀態。接著，系統會對新啟動的實例進行一系列嚴格的健康檢查，確保新模型已成功載入到記憶體中、依賴的軟體套件配置正確，且實例能夠正常回應測試預測請求。這個步驟至關重要，可以防止尚未準備好的實例過早接收真實流量而導致錯誤。

一旦新實例順利通過所有健康檢查，負載平衡器就會進行路由調整，將一部分的真實使用者流量引導至這些新實例，同時控制器會將等量的舊版實例從負載平衡器中移除，並觸發安全的關閉程序將其銷毀，釋放底層運算資源。這個啟動新實例、健康檢查、流量切換、銷毀舊實例的循環會不斷重複，像波浪一樣在整個伺服器群集中推進，直到所有的舊版實例都被新版實例取代。

在整個過程中，部署控制器會密切監控新實例的各項關鍵指標，如請求錯誤率、回應延遲時間、中央處理器使用率與記憶體消耗量。如果系統分析發現新版本導致錯誤率顯著上升或效能不再符合預期標準，控制器可以觸發預設的自動回退機制。自動回退會立即停止後續的更新批次，並迅速啟動並恢復被銷毀的舊版實例，重新將流量導回舊版，以最快速度穩定系統狀態，將可能造成的損害降至最低。

在運作參數方面，滾動更新通常允許營運團隊設定最大不可用實例數與最大超額實例數。最大不可用實例數決定了在更新過程中，允許多少個實例暫時無法提供服務，這關係到系統在升級期間的總體處理能力是否會下降。最大超額實例數則決定了可以同時啟動多少個額外的新實例，這會影響升級期間的基礎設施資源消耗。透過合理配置這些參數，管理者可以在升級完成的速度與系統運行的穩定性之間取得最佳平衡點。

## 實際應用

在實際的工業環境中，滾動更新廣泛應用於各種需要持續迭代與無縫升級的系統場景，特別是在微服務架構與雲端原生技術普及的今天。在機器學習領域，模型通常需要根據新的數據集定期重新訓練，以捕捉數據分佈的變化並維持預測的準確性。這些頻繁的模型更新如果依賴傳統的停機部署，將會帶來巨大的營運壓力，並可能錯失即時回應市場變化的機會。透過滾動更新，資料科學團隊與後端工程團隊可以實現人工智慧模型的持續交付。

例如，在一個大型電子商務平台的商品推薦系統中，模型每天都需要學習數百萬使用者的最新瀏覽與購物行為模式。開發團隊可以將每天重新訓練好的推薦模型打包成容器映像檔，並利用滾動更新將其推送到生產環境的容器編排叢集中。在這個漸進的替換過程中，全球使用者的瀏覽與購物體驗不會受到任何中斷干擾，新的推薦結果會逐漸套用到所有使用者的請求中，讓平台能夠持續提供精準的個人化推薦服務。

另一個常見的應用場景是企業級自然語言處理服務的升級。假設一個跨國金融機構提供二十四小時的線上客服聊天機器人服務，該服務依賴於龐大的語言模型進行意圖識別與對話生成。當研發團隊開發出一個具備更強同理心、支援更多語系或具備更深厚金融領域知識的新版模型時，可以透過滾動更新逐步替換後台的推理伺服器叢集。客服系統在整個升級期間仍然可以無間斷地回覆來自全球客戶的詢問，這對於維持高標準的客戶滿意度與品牌信任度至關重要。同時，由於更新是逐步小範圍進行的，工程團隊可以即時觀察新版模型在處理真實客戶對話時的表現。如果發現新模型在某些罕見情況下會產生不適當或不準確的回覆，團隊可以立即中止更新進程並進行針對性調整，避免問題擴大影響大量客戶。

此外，在金融領域的信用卡交易詐欺偵測系統中，時間與準確性同樣關鍵。任何的系統停機或判斷延遲都可能讓不法分子有機可乘，造成實質的財務損失。當資料科學家發現了一種新型態的詐欺手法，並將其特徵加入到新的分類模型中以提高攔截率時，系統必須以最安全且不中斷服務的方式將新模型部署上線。滾動更新不僅能確保升級過程的平滑，還能結合自動化測試與嚴密的業務指標監控，讓新模型在極小範圍內驗證有效性後，再逐步推廣到全局處理所有交易，兼顧了快速應變與系統穩定性。

## 常見誤區

儘管滾動更新提供了許多顯著的好處並降低了單點故障的風險，但在實踐中仍存在一些常見的誤區，需要軟體工程師與維運團隊特別留意防範。第一個常見的誤區是忽略了資料庫結構或應用程式設計介面的向後相容性。在滾動更新的漫長過程中，新舊版本的應用程式或機器學習模型實例會同時並存於系統中一段時間，並且可能共用同一個後端資料庫或被同一個前端客戶端、其他微服務呼叫。如果新版本的模型需要寫入新的必填資料欄位，或者根本上改變了輸入輸出資料格式，那麼舊版實例在處理請求時就可能會發生嚴重錯誤，導致使用者收到錯誤訊息。因此，在實施滾動更新時，必須採取防禦性設計，確保系統具備向後相容性。常見的作法是將資料庫變更與應用程式升級拆分為多個獨立的階段來執行，或者在程式碼中實作能夠同時處理新舊資料格式的邏輯。

第二個常見的誤區是缺乏完善的健康檢查與應用程式層級的指標監控。滾動更新的自動化流程高度依賴於健康檢查機制來判斷新實例是否真正準備好接收實際流量。如果健康檢查的設定過於簡單表面，例如只檢查網路連接埠是否開啟或處理程序是否在運行，而沒有深入驗證模型是否能正確載入權重並回傳合理的預測結果，那麼帶有潛在缺陷的新實例可能會被錯誤地認為是健康的。這將導致系統在更新過程中將大量使用者流量導向故障實例，引發服務異常。同樣地，如果在更新期間沒有實時監控關鍵效能指標，就無法及時發現新版本在真實流量壓力下可能出現的隱性效能瓶頸，錯失早期干預與自動回退的最佳時機。

第三個誤區是將滾動更新視為解決所有類型部署問題的萬能方案，而忽略了系統架構的限制。雖然滾動更新能有效減少停機時間與降低升級風險，但它並不適用於所有複雜情境。例如，對於某些需要進行重大底層架構調整、涉及複雜且不可逆的資料遷移程序，或者系統元件之間具有強烈狀態相依性的應用程式，滾動更新可能會導致資料庫死結、資料不一致或分散式狀態衝突的問題。在這些特殊情況下，強行使用滾動更新反而會帶來極大的營運風險。開發團隊可能需要考慮其他更為保守的部署策略，或者預先投入時間將系統架構重構為更適合無狀態部署、具備高解耦性的微服務模式，才能安全且發揮最大效益地運用滾動更新。

## 與相關技術的比較

在軟體與模型部署策略的領域中，除了滾動更新之外，還有其他幾種常見的技術，如藍綠部署與金絲雀發布，它們各自有不同的架構特點與適用的業務場景。深入了解這些技術的差異，有助於工程團隊在面臨特定需求時做出最合理的技術架構選擇。

藍綠部署是一種資源密集型策略，它要求將生產環境完全複製為兩套硬體與軟體配置完全獨立的系統，通常被稱為藍色環境與綠色環境。在日常營運中，目前對外提供服務的環境稱為藍色環境，而即將上線的新版本會被完整部署到完全隔離且沒有外部流量的綠色環境中。在綠色環境完成所有部署作業與全面的整合測試後，系統管理者會透過調整路由器或負載平衡器的設定，將所有的使用者流量從藍色環境瞬間一次性切換到綠色環境。藍綠部署的最大優勢在於切換速度極快，且回退機制非常直接簡單，如果發現綠色環境有問題，只需將流量重新導回藍色環境即可。然而，藍綠部署的缺點在於它需要維持兩套完整的生產環境基礎設施。這在資源成本上是相當高昂的，特別是對於需要配置大量圖形處理器進行推論的深度學習模型而言，這種加倍的硬體資源消耗往往令許多企業難以負擔。相比之下，滾動更新不需要長期閒置一套龐大且完整的系統資源，它透過在現存的單一環境中逐步替換運算實例來達成平滑升級，大幅節省了基礎設施成本。

金絲雀發布在概念上與滾動更新有相似之處，它們都會涉及逐步將使用者流量引導至新版本實例的過程。然而，兩者的核心目的與執行重點有所不同。金絲雀發布的重點在於早期驗證、測試與降低風險，而不是單純的全面系統升級。在實施金絲雀發布時，新版本通常只會被分配到極小比例的實際流量，主要目的是在真實使用者環境中安全地觀察新版本的行為、收集使用者體驗回饋並進行業務指標的比較實驗。這個測試階段可能會持續數天甚至數週，直到產品團隊對新版本的穩定性與轉換率有充分的信心後，才會決定擴大流量比例並進行全面部署。

滾動更新則更側重於用新版本平穩取代舊版本的連續自動化過程。在典型的滾動更新中，只要新啟動的實例順利通過系統層級的健康檢查，控制器就會持續不間斷地推進更新進度，直到整個群集升級完畢，通常不會在過程中刻意長時間停留以進行業務指標測試。在實務的高階部署流水線中，這兩種策略有時會被結合使用：首先透過金絲雀發布將新模型推向小部分使用者進行業務有效性驗證，在確認新模型確實能帶來更好的預測結果且無重大缺陷後，再啟動自動化的滾動更新程序，完成剩餘大量實例的全面升級，藉此兼顧嚴謹的業務驗證與高效的系統營運。這種結合策略為人工智慧產品的持續迭代提供了強大且具備高彈性的基礎架構支援。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 滾動更新與藍綠部署最大的差異是什麼？在資源有限的情況下該選擇哪一個？

滾動更新與藍綠部署最主要的差異在於硬體資源的運用方式與流量切換的節奏。藍綠部署需要同時維持兩套完全相同的生產環境基礎設施，一套運行舊版本，一套運行新版本，然後進行瞬間的流量切換；而滾動更新則是在同一套環境中，透過逐步關閉舊實例並啟動新實例來完成漸進式替換。在運算資源有限的場景下，尤其是需要昂貴運算資源的機器學習模型部署，滾動更新是較合適的選擇，因為它不需要額外配置一整套閒置的硬體資源，能有效控制基礎設施成本。

### 在進行機器學習模型的滾動更新時，如果新舊模型同時提供服務，會不會導致預測結果不一致的問題？

在滾動更新的過程中，由於新舊實例會同時並存一段時間，確實可能會發生不同使用者在同一時間點收到由不同版本模型產生的預測結果。對於某些對結果一致性要求極高的應用場景，這可能會造成短暫的混淆。為了解決這個問題，通常會在負載平衡器層面實作會話維持機制，確保特定使用者的連續請求都會被路由到同一個版本的模型實例上。此外，前端應用程式在設計上也應具備容錯能力，能夠平滑處理這種短暫的版本過渡期。

### 如果滾動更新過程中的新版本包含資料庫結構的變更，應該如何處理以避免服務中斷？

當滾動更新涉及資料庫結構變更時，必須採用向後相容的資料庫遷移策略，避免直接修改正在被舊版實例讀寫的欄位。常見的做法是分為多個步驟進行：首先在資料庫中新增所需的欄位，此時舊版程式不會受到影響；接著部署能夠同時讀寫新舊欄位的過渡版本應用程式；確認資料同步無誤後，再部署完全使用新欄位的最終版本，最後才將舊欄位刪除。這種將資料變更與程式碼部署解耦的方式，可以確保更新過程中的服務連續性。

---

深度解說頁：https://aiterms.tw/learning/what-is-rolling-update
快查頁：https://aiterms.tw/terms/rolling-update
最後更新：2026/07/04