摘要: 随着云计算技术的迅猛发展，越来越多企业和用户选择拥抱云计算技术，将自己的业务部署在云计算上，而容器技术作为云计算技术中的热点研究方向也受到高度重视。Docker容器是容器集群中最流行的解决方案，它有效解决了传统容器集群中的资源利用率低下... 展开 随着云计算技术的迅猛发展，越来越多企业和用户选择拥抱云计算技术，将自己的业务部署在云计算上，而容器技术作为云计算技术中的热点研究方向也受到高度重视。Docker容器是容器集群中最流行的解决方案，它有效解决了传统容器集群中的资源利用率低下、容器配置困难和软件堆栈管理混乱的问题。但是，Docker容器本身只解决了容器和镜像的创建问题，容器编排工具Kubernetes的出现才使得容器集群的大规模应用成为了可能。然而，Kubernetes集群中存在着资源利用率低、响应时间长和资源利用率不足的缺点，导致集群用户服务质量的降低。 因此，本文将容器云平台作为研究对象，提出了容器资源负载预测模型和容器资源弹性伸缩策略，用来解决集群资源利用率低、弹性伸缩策略响应时间长和资源利用率不高的问题，并且基于Kubernetes平台进行了实验验证，本文主要研究了以下内容： （1）为了优化容器云集群的资源负载预测效果，提出了一种基于CEEMDAN分解方法和LSTM神经网络的容器资源组合预测模型，利用CEEMDAN方法对时间序列进行分解优化，将复杂的时间序列分解为IMF分量和res残差序列，降低了时间序列的复杂度，然后将分解结果输入到LSTM神经网络中，LSTM网络对分解结果进行训练，使得时间序列的预测结果更加精准。 （2）为了解决容器云集群中的基于阈值的响应式弹性伸缩方案的不足，提出了基于资源负载预测的容器弹性伸缩策略，改进了Kubernetes平台架构，新增了资源负载预测模块，优化了资源监控、资源伸缩和资源调度等模块，将资源负载预测与容器弹性伸缩策略相结合，使得容器集群可以提前进行伸缩，加快了容器资源的请求响应时间，降低了用户的等待时间，提高了服务质量。 （3）在Kubernetes容器平台进行了实验测试，对本文提出的资源负载预测模型和资源弹性伸缩策略进行分析和验证。实验结果表明，本文提出的容器资源负载预测模型可以有效提高预测精度，降低误差；本文提出的容器资源弹性伸缩策略的效果要优于对比默认伸缩策略，能够降低任务的响应时间，提高容器的资源利用率。 收起