本发明专利技术提供了一种基于组合预测模型的Swarm集群调度算法。针对传统的一元线性回归模型和灰色模型的预测准确度相对较低的缺点，综合考虑Swarm集群内置调度策略存在的问题，将两种预测模型相结合，建立一种将两个权值进行加权综合计算形成组合优化的预测模型。本发明专利技术中的组合预测模型优于传统一元线性回归模型和灰色模型，具有较高的预测准确度。
Swarm Cluster Scheduling Algorithms Based on Combination Prediction Model
【技术实现步骤摘要】
一种基于组合预测模型的Swarm集群调度算法
本专利技术属于集群调度领域，特别涉及一种基于组合预测模型的Swarm集群调度算法。
技术介绍
Docker在云生态中占有重要地位，Swarm在云架构PaaS(平台及服务)/IaaS(基础设施及服务)层中也占有重要地位。Swarm主要完成的工作是：根据调度策略将容器运行在合适的节点上，由于节点上运行容器的不同，其资源利用率也有所差别。而每个节点的资源利用率又决定了整个集群的负载情况。因此，集群调度策略的优略就显得尤为重要。、Swarm内置的调度策略有三种，分别是Random(随机)，Spread(扩散)和Binpack(装箱)，Random策略的优点是实施简单，但经常容易导致节点CPU过载和内存不足。采用Spread策略，虽然能够减少因节点故障而损坏容器数量，但这种策略过多的占用了服务器资源。Binpack的优点是能将更多的容器运行在较少的节点上，但是会造成节点负载过重。目前DockerSwarm提供的资源调度策略比较简单，只考虑节点能否满足任务要求和节点上的容器数量，没有在节点之间进行负载比较来选出最合适的节点来部署容器，因此会出现节点上资源使用率不均衡的情况。针对上述问题，在传统的一元线性回归模型和灰色模型基础上提出了一种基于组合预测模型的Swarm集群调度算法，使集群中节点负载更加均衡，同时提高集群的整体资源利用率。
技术实现思路
针对Swarm集群提供的资源调度策略比较简单，会出现节点上资源使用率不均衡的情况，提供一种基于组合预测模型的Swarm集群调度算法。本专利技术这个算法不仅可以达到使集群中节点负载更加均衡，同时提高集群的整体资源利用率。为了实现以上目的，本专利技术采用的技术方案为一种基于组合预测模型的Swarm集群调度算法，本专利技术包含以下内容：步骤1)根据一元线性回归模型对节点的CPU和内存的预测值进行权值计算；步骤2)根据灰色模型对节点的CPU和内存预测值求和得到节点权值；步骤3)假定计算出一元线性回归模型和灰色预测模型的最优权值，将两个权值进行加权综合计算形成组合优化的预测模型；步骤4)检查是否所有时刻计算完毕，如果没有则循环计算下一时刻，直至最后时刻；步骤5)选择权值最小的节点分配容器，一次调度结束。进一步地，所述步骤1)具体包括以下步骤：步骤11)分别获取当前节点的CPU利用率和内存利用率的时间序列；步骤12)由于每个真实值和预测值的随机误差相互独立，并且服从同一分布，即求得一元线性回归方程；步骤13)通过预测时间获得预测值；步骤14)根据一元线性回归预测模型进行精度检验，评估预测模型是否符合要求，若没有达到要求，将缩小样本集，再返回到步骤12)；步骤15)采用Swarm内置的方法对节点的CPU和内存预测至进行权值计算。进一步地，所述步骤2)具体包括以下步骤：步骤21)首先分别获取当前节点的CPU利用率和内存利用率的时间序列，根据n个原始数据进行累加得到一次处理的数据序列；步骤22)根据灰色预测方法，得出GM(1，1)模型相应的一阶微分方程；步骤23)通过最小二乘法对微分方程进行求解获得预测模型；步骤24)根据预测模型进行累减操作得到预测值；步骤25)对预测模型进行残差检查，判断是否达到较高要求；步骤26)对n+1时间节点的CPU和内存预测值求和得到节点的动态权值。进一步地，所述步骤3)具体包括如下步骤：步骤31)设y(t)(t＝1,2)为预测对象，假定y(1)为一元线性回归模型，y(2)为灰色预测模型；y1(t)表示在t时刻一元线性回归模型的预测值，y2(t)表示在t时刻灰色预测模型的预测值；步骤32)模型在t时刻的预测误差为：eit＝y(t)-yi(t),i＝1,2；t＝1,2,...,n；预测误差矩阵为：E＝[(eit)m×n][(eit)m×n]T；步骤33)设一元线性回归模型和灰色预测模型的加权系数W＝(w1,w2)T，w1表示为一元线性回归模型的加权系数，w2表示为灰色模型的加权系数，则组合预测模型表示为：组合预测模型的预测误差在t时刻的值为：即组合预测模型的误差平方和为：步骤34)以模型的误差平方和最小为基础求得组合权值；其中，minS＝WTEW，RTW＝1，RT＝(11)1x2；求得组合预测模型的最优权系数W的最优解。总体而言，通过本专利技术构思的以上技术方案与现有技术相比，具有以下技术特征及有益效果：本专利技术技术使用了组合预测模型，可以根据节点的资源使用历史，预测出未来的资源使用量，使得预测结果更加逼近实测值，具有较高的准确度。本专利技术技术不仅使集群中节点负载更加均衡，同时提高集群的整体资源利用率和节点效益。附图说明图1是本专利技术提供的一种基于组合预测模型的Swarm集群调度算法的流程图。图2是一元线性回归模型预测流程图。图3是灰色预测模型流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细的说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术基于组合预测模型的Swarm集群调度算法包括以下步骤；步骤1)根据一元线性回归模型对节点的CPU和内存的预测值进行权值计算；步骤2)根据灰色模型对节点的CPU和内存预测值求和得到节点权值；步骤3)假定计算出一元线性回归模型和灰色预测模型的最优权值，将两个权值进行加权综合计算形成组合优化的预测模型；步骤4)检查是否所有时刻计算完毕，如果没有则循环计算下一时刻，直至最后时刻；步骤5)选择权值最小的节点分配容器，一次调度结束。如图2所示步骤2)具体流程，具体包括：步骤21)首先分别获取当前节点的CPU利用率和内存利用率的时间序列，根据n个原始数据进行累加得到一次处理的数据序列；步骤22)根据灰色预测方法，得出GM(1，1)模型相应的一阶微分方程；步骤23)通过最小二乘法对微分方程进行求解获得预测模型；步骤24)根据预测模型进行累减操作得到预测值；步骤25)对预测模型进行残差检查，判断是否达到较高要求；步骤26)对n+1时间节点的CPU和内存预测值求和得到节点的动态权值。如图3所示步骤3)具体流程，具体包括：步骤31)设y(t)(t＝1,2)为预测对象，假定y(1)为一元线性回归模型，y(2)为灰色预测模型。y1(t)表示在t时刻一元线性回归模型的预测值，y2(t)表示在t时刻灰色预测模型的预测值；步骤32)模型在t时刻的预测误差为：eit＝y(t)-yi(t),i＝1,2；t＝1,2,...,n；预测误差矩阵为：E＝[(eit)m×n][(eit)m×n]T；步骤33)设一元线性回归模型和灰色预测模型的加权系数W＝(w1,w2)T，w1表示为一元线性回归模型的加权系数，w2表示为灰色模型的加权系数，则组合预测模型表示为：组合预测模型的预测误差在t时刻的值为；即组合预测模型的误差平方和为：步骤34)以模型的误差平方和最小为基础求得组合权值；其中，minS＝WTEW，RTW＝1，RT＝(11)1x2；求得组合预测模型的最优权系数W的最优解。本专利技术采用了组合预测模型解决了一元回归线性模型和灰色预测模型预测准确度较低等问题，一种基于组合预测模型的Swarm集群调度算法使集群中节点负载更加均衡，同时提高集本文档来自技高网...
【技术保护点】
1.一种基于组合预测模型的Swarm集群调度算法，其特征在于，所述方法包括以下步骤：步骤1)根据一元线性回归模型对节点的CPU和内存的预测值进行权值计算；步骤2)根据灰色模型对节点的CPU和内存预测值求和得到节点权值；步骤3)假定计算出一元线性回归模型和灰色预测模型的最优权值，将两个权值进行加权综合计算形成组合优化的预测模型；步骤4)检查是否所有时刻计算完毕，如果没有则循环计算下一时刻，直至最后时刻；步骤5)选择权值最小的节点分配容器，一次调度结束。
【技术特征摘要】
1.一种基于组合预测模型的Swarm集群调度算法，其特征在于，所述方法包括以下步骤：步骤1)根据一元线性回归模型对节点的CPU和内存的预测值进行权值计算；步骤2)根据灰色模型对节点的CPU和内存预测值求和得到节点权值；步骤3)假定计算出一元线性回归模型和灰色预测模型的最优权值，将两个权值进行加权综合计算形成组合优化的预测模型；步骤4)检查是否所有时刻计算完毕，如果没有则循环计算下一时刻，直至最后时刻；步骤5)选择权值最小的节点分配容器，一次调度结束。2.根据权利要求1所述的一种基于组合预测模型的Swarm集群调度算法，其特征在于：所述步骤1)的具体步骤如下：步骤11)分别获取当前节点的CPU利用率和内存利用率的时间序列；步骤12)由于每个真实值和预测值的随机误差相互独立，并且服从同一分布，即求得一元线性回归方程；步骤13)通过预测时间获得预测值；步骤14)根据一元线性回归预测模型进行精度检验，评估预测模型是否符合要求，若没有达到要求，将缩小样本集，再返回到步骤12)；步骤15)采用Swarm内置的方法对节点的CPU和内存预测至进行权值计算。3.根据权利要求1所述的一种基于组合预测模型的Swarm集群调度算法，其特征在于：所述步骤2)具体包括如下步骤：步骤21)首先分别获取当前节点的CPU利用率和内存利用率的时间序列，根据n个原始数据进行累加得到一次处...
【专利技术属性】
技术研发人员：孙宁，万拥，王彬，李昌澔，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。