[发明专利]基于神经网络的Kubernetes调度优化方法

说明书

本发明公开了一种基于神经网络的Kubernetes调度优化方法，所述方法包括预测模型的构建以及资源调配算法，通过循环神经网络对Kubernetes中Node节点的内存消耗量进行预测，预测出内存消耗量在未来一段时间的变化，并将内存消耗数据输入到资源调配算法当中计算出需要增加的实例个数，Kubernetes系统根据所得实例个数进行动态扩展，从而完成Kubernetes基于内存资源的动态伸缩功能。本发明可以解决Kubernetes的容器应用中内存资源消耗过高导致系统稳定性降低的问题。

技术领域

本发明涉及云计算中的Kubernetes技术，具体涉及一种基于神经网络的Kubernetes调度优化方法。

背景技术

Kubernetes作为轻量级的开源容器编排系统，它将应用程序拆分为可以执行特定进程的小型模块化服务，通过规定这些服务的关联规则来满足复杂应用程序的需求，使复杂应用更加灵活和稳定，更易于应用发布和模块更新，同时Kubernetes系统默认集成弹性伸缩、自动负载均衡等功能，使得容器运行更高效、服务调度更便捷。在生产环境中各种资源的消耗对平台的弹性伸缩提出了很高的要求，弹性伸缩根据应用程序运行状态调配平台资源负载变化，是以动态延伸与缩减的方式增加或减少所需资源的技术，它通过精准的需求与实时的变化较好地解决了资源利用和应用系统调度之间的矛盾，提高资源的利用率和用户的满意度。

现阶段Kubernetes的动态资源分配机制主要针对云平台的CPU资源进行调度，当云平台的部署应用处于内存高负载状态时，Kubernetes因无法进行弹性扩展而导致应用内存溢出、服务不断重启等异常状况。

发明内容

针对现有技术的不足，本发明提供一种对Kubernetes内存资源进行智能调度的优化方法及系统，以解决Kubernetes的容器应用中内存资源消耗过高导致系统稳定性降低的问题。本发明主要包括预测模型的构建以及资源调配算法，通过循环神经网络对Kubernetes中Node节点的内存消耗量进行预测，预测出内存消耗量在未来一段时间的变化，并将内存消耗数据输入到资源调配算法当中计算出需要增加的实例个数，Kubernetes系统根据所得实例个数进行动态扩展，从而完成Kubernetes基于内存资源的动态伸缩功能。预测模型的训练是在TensorFlow平台中进行，通过系统的采集模块对内存消耗量进行采集，并将采集的数据输入到TensorFlow当中，结合循环神经网络进行模型训练，最后得到模型具有一定的泛化能力可以对任意内存变化进行资源预测功能。

附图说明

图1为循环神经网络流程图。

图2为神经网络预测模型预测效果图。

图3为Kubernetes系统优化总框图。

图4为神经网络预测模块详细设计图。

图5为Kubernetes自动伸缩模块设计图。

图6为Kubernetes自动伸缩模块详细设计图。

图7为Kubernetes系统优化前后的效果对比图。

具体实施方式

神经网络模型设计包括如下步骤：