[发明专利]一种基于历史数据预测的Kubernetes资源调度优化方法在审
申请号: | 202010661724.6 | 申请日: | 2020-07-10 |
公开(公告)号: | CN111984381A | 公开(公告)日: | 2020-11-24 |
发明(设计)人: | 张彤;王仪 | 申请(专利权)人: | 西安理工大学 |
主分类号: | G06F9/48 | 分类号: | G06F9/48;G06F9/455;G06F30/27;G06N3/04 |
代理公司: | 西安弘理专利事务所 61214 | 代理人: | 弓长 |
地址: | 710048 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 历史数据 预测 kubernetes 资源 调度 优化 方法 | ||
本发明公开了一种基于历史数据预测的Kubernetes资源调度优化方法,采取最能发挥ARIMA模型和RBF神经网络模型优点的组合模型作为最终的预测模型。通过采集运行在容器管理器Kubernetes平台上应用的历史资源使用库,然后建立模型预测未来某段时间的资源使用量,最后将这些预测数据应用于调度设计中的资源动态调度模块和监控模块。将这三个模块应用在容器管理器Kubernetes的调度组件上,让调度组件可以对运行其上的应用之间进行动态的资源调度,提高资源使用率,提高容器管理器Kubernetes平台上应用的服务质量。
技术领域
本发明属于计算机虚拟化技术领域,涉及一种基于历史数据预测的Kubernetes资源调度优化方法。
背景技术
自从Docker技术开源化之后,它迅速成为了容器生态圈最为炙手可热的新平台。Docker本身只专注于提供容器和镜像,所以不论是IT巨头还是初创公司或是普通的企业用户,都需要一个集成的Docker容器即服务管理平台高效地完成容器的编排、自动化部署、资源调度、健康监控、网络规划、服务发现等任务。开放开源的Kubernetes有着出色的容器调度与管理能力,成为了业界容器编排系统的首选。在现有的Kubernetes系统中,资源调度的工作主要由组件负责。在应用首次被调度时,由组件根据应用的资源配置情况,在集群内所有的节点上选择一个最适合的节点来部署,这种属于静态调度策略,虽然简单,却缺乏灵活性。为了保证Kubernetes系统中资源调度的服务质量,可以通过预测模型预测未来对资源的使用情况,使其能够在应用出现瓶颈之前就能预先触发调度,更加从容地按需将资源分配给应用,从而得到一个资源动态调度的近似最优解。
随着对于Kubernetes资源调度的深入研究,国内外学者做了大量研究,将BP神经网络、时间序列分析、灰色系统理论、统计学理论等理论应用于Kubernetes的资源调度分析预测。上述的建模过程都属于单一模型,在此类模型中大多都考虑其主要的影响因素而未考虑其残差预测里混沌效应的影响,进而影响了拟合粒度和预测结果可靠性的保证。因此,如何有效的提取残差序列以保证修正常规变形的预测精度,对于提高模型预测能力具有重要的意义。
在现实世界中,预测对象往往会受到众多因素的影响,单一预测模型由于其自身的局限性,无法符合预测对象的所有特征。建立组合预测模型可以有效避免单一预测模型的缺陷,有效提高预测精度。因此本专利的研究内容拟采用:ARIMA和RBF组合预测模型。本发明在基于Kubernetes资源使用量监测数据上建立统计回归模型,将监测到的资源使用量数据整合成时间序列,用ARIMA模型对时间序列进行建模,得到预测值序列,然后用RBF神经网络对ARIMA模型产生的误差值序列进行建模,得到预测误差值序列,最后将两者结合,就得到组合模型的预测值。
发明内容
本发明提供了一种基于历史数据预测的Kubernetes资源调度优化方法,为其他容器云平台中存在的资源调度提供了一种高效便捷的新方案。
本发明所采用的技术方案是,一种基于历史数据预测的Kubernetes资源调度优化方法,包括以下步骤:
步骤1:周期性的收集容器管理器Kubernetes上每个子节点上运行时产生的CPU使用量、内存使用量和I/O配置信息,并通过监控组件cAdvisor收集传入服务监控系统保存;
步骤2:将步骤1中的三种资源使用量按时间先后顺序排列成时间序列;
步骤3:将步骤2中得到的时间序列利用ARIMA模型进行建模预测,得到资源预测值序列Pt;
步骤4:将步骤3中得到的资源预测值序列Pt和实际资源使用结果序列对比得到误差值序列,再使用RBF神经网络对误差值序列进行建模,得到预测误差值序列Et,最后将资源预测值序列Pt和预测误差值序列Et两者结合,就得到组合模型的预测值;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010661724.6/2.html,转载请声明来源钻瓜专利网。