摘要: 现如今容器云的广泛应用使得应用软件开发可以采用DevOps的思想进行实践，而在这一过程中容器云环境中资源是否可以高效利用，集群中部署的微服务应用能否保证QoS变得尤为重要。实际生产中面对容器云环境下负载的变化往往采用基于阈值的响应式伸缩策略... 展开 现如今容器云的广泛应用使得应用软件开发可以采用DevOps的思想进行实践，而在这一过程中容器云环境中资源是否可以高效利用，集群中部署的微服务应用能否保证QoS变得尤为重要。实际生产中面对容器云环境下负载的变化往往采用基于阈值的响应式伸缩策略进行集群的动态调整，而传统的响应式伸缩策略当负载过大时不能及时进行扩容操作依然会造成请求响应时间过长，当负载过小时不能实现资源的快速收缩也会造成资源浪费。因此本文采用预测式弹性伸缩方式进行容器云环境下的资源调度。本文详细研究工作如下： （1）提出了一种基于集成学习思想的负载预测模型。首先针对容器云环境下各个微服务应用对资源偏重类型不同构建了动态负载模型。之后针对负载所呈现的线性与非线性相融合的特性，使用ARIMA负载预测模型对负载线性部分进行预测，同时改进闪电附着过程优化算法构建动态LSTM预测模型对负载非线性部分进行预测，之后采用CRITIC赋权法对两部分结果进行权重组合，最后对组合预测结果进行误差完善，进一步提升预测模型的准确性。所提出的负载预测模型为容器云弹性伸缩与资源限制策略的研究提供了基础。 （2）提出了基于负载预测的容器云弹性伸缩与资源限制方案。首先利用本文提出的负载预测模型进行负载预测。然后根据得到的预测结果以及集群当前的负载情况进行资源限制和弹性伸缩。针对负载激增可能引发OOM的问题，通过对节点未来负载情况与当前节点资源使用情况的研究来限制单个微服务容器的可用资源从而防止微服务容器因为占用资源过多被内核进程杀死。同时通过分析集群中各服务的未来负载与当前负载情况对集群中的微服务容器进行伸缩操作，从而提高集群的资源使用率以及服务质量。进行相关实验从结果可以看出本文所提出的实验显著降低了请求响应时间、提高了容器集群资源利用率。 （3）构建了基于DevOps思想的微服务弹性伸缩系统，基于本文提出的负载预测模型和弹性伸缩及资源限制调度算法，在DockerSwarm容器集群管理平台的基础上构建微服务容器集群调度系统。实现对集群中节点和容器资源的实时监控，同时针对弹性伸缩带来的服务发现与服务注册问题使用现有的服务管理工具实现容器集群的负载均衡。与此同时加强了对容器镜像的管理与服务的持续集成、持续发布。 收起