[发明专利]基于Kubernetes的预测式弹性伸缩方法

权利要求书

1.基于Kubernetes的预测式弹性伸缩方法，其特征在于，包括：

历史负载序列结合公有云平台或者空闲节点建立或者更新负载预测模型；其中，负载预测模型基于时间序列模型或者人工智能模型建立，历史负载序列为包括负载数据以及对应时间的时间序列；

基于负载预测模型获取预测负载，并结合预测负载对当前负载重新定义，同时计算系统使用率；

当前负载、系统使用率结合Kubernetes自带模型获取目标副本数，根据目标副本数对容器进行调整，同时将当前负载更新至历史负载序列中；

通过更新后的历史负载序列对负载预测模型进行更新；

所述时间序列模型包括差分自回归移动平均模型，且差分自回归移动平均模型根据自回归模型和移动平均模型获取；

所述差分自回归移动平均模型的建立包括：

步骤11：获取历史负载序列；

步骤12：对历史负载序列进行预处理，当历史负载序列是非稳定序列时，则通过阶差分运算转换为平稳序列；

步骤13：确定p和q；其中，p和q的确定方法包括ACF或者PACF；

步骤14：通过参数估计方法进行参数拟合；其中，参数估计方法包括最小二乘法和最大似然法；

步骤15：利用训练好的模型计算预测值，并与真实值对比核验；

根据基于所述人工智能模型建立的负载预测模型获取预测负载，包括：

以当前时刻为基准，获取时序参数序列；其中，时序参数序列包括若干个时刻对应的内存使用率、CPU使用率和容器副本数；

将时序参数序列输入至负载预测模型中获取下一时刻的预测负载；

基于所述人工智能模型建立负载预测模型，包括：

获取历史负载序列；其中，历史负载序列包括时序参数序列以及对应的负载值；

将历史负载序列中时序参数序列与下一时刻的负载值整合标准数据；

通过N条标准数据对人工智能模型进行训练，将训练完成的人工智能模型标记为负载预测模型；其中，人工智能模型包括RBF神经网络或者深度卷积神经网络，N为大于等于50的整数。

2.根据权利要求1所述的基于Kubernetes的预测式弹性伸缩方法，其特征在于，根据所述历史负载序列选择空闲节点或者公有云平台，包括：

获取历史负载序列的数据总量，并标记为LSZ；

获取空闲节点的数据处理量，并标记为KSC；

根据公式JPX=LSZ/(m×KSC)+1获取节点评估系数JPX；其中，m为空闲节点数量；

当节点评估系数JPX≥2时，则通过空闲节点更新或者训练负载预测模型；否则，调用公有云平台更新或者训练负载预测模型。

3.根据权利要求1所述的基于Kubernetes的预测式弹性伸缩方法，其特征在于，结合所述预测负载对当前负载重新定义，包括：

基于负载预测模型获取预测负载；

读取系统中预测负载对应时刻的当前负载；

将预测负载大于当前负载，则将预测负载赋值给当前负载；当预测负载小于等于当前负载时，当前负载不变。

4.根据权利要求1所述的基于Kubernetes的预测式弹性伸缩方法，其特征在于，通过所述当前负载对历史负载序列进行更新，并通过更新后的历史负载序列完成负载预测模型的更新，再通过负载预测模型进行新一阶段计算。