摘要: 随着云原生相关技术的普及，Kubernetes作为一款基于开源平台且性能优秀的容器编排技术，被广泛应用于众多云服务厂商的云平台。但仍存在一些不足:缺乏对资源使用量的预测能力，默认水平伸缩策略在应对突发流量时存在延迟反应，进而导致服务响应超时和... 展开 随着云原生相关技术的普及，Kubernetes作为一款基于开源平台且性能优秀的容器编排技术，被广泛应用于众多云服务厂商的云平台。但仍存在一些不足:缺乏对资源使用量的预测能力，默认水平伸缩策略在应对突发流量时存在延迟反应，进而导致服务响应超时和防抖能力差;默认调度策略又未综合考虑各节点资源使用率和集群资源总量,致使集群难以维持长时间的负载均衡性和稳定性。 首先，针对容器云集群缺乏资源预测能力的问题，本文提出了一种结合鲸鱼优化的变分模态分解方法(WVMD)、双向卷积门控循环神经网络模型(BCGRU)和注意力机制(ATT)的预测模型。该模型能更好地学习具有高度非线性且不稳定的容器云资源负载特征，从而提升预测的准确性。其次，针对默认水平伸缩策略存在的不足，本文利用组合模型预测Pod资源使用量，提出了基于Pod资源预测的弹性伸缩策略(PPB-HPA)。通过提前预测Pod的资源使用率为水平伸缩增加判定指标，后以两阶段判定法来精准地确定伸缩时机，从而避免资源浪费和降低运维成本。针对默认调度策略存在的不足，本文利用组合模型预测节点资源使用量，提出了基于节点资源预测的负载均衡调度算法(SPBLBP)。综合考虑了集群资源总量和节点资源使用量以及未来的资源使用率，使调度环节拥有超前感知能力，进而提升集群负载均衡度。 最后，针对本文提出的WVM-BCGRU-ATT预测模型、PPB-HPA伸缩策略和SPBLBP调度策略进行实验验证。实验结果表明，在阿里云Cluster-trace-v2018公开数据集上，相较于 GRU、CNN-BiLSTM、GRU-LSTM和WVMD-BCGRU 模型，WVM-BCGRU-ATT 预测模型的均方根误差分别下降了20％、14％、7％和3％,具有更高的预测精度;在Kubernetes实验环境中，PPB-HPA伸缩策略预伸缩性能优且防抖能力强，SPBLBP调度策略能够整体提高集群资源使用的均衡效率。 收起