一种基于流量预测的Kubernetes容器动态扩缩容方法及系统技术方案

本发明专利技术公开了一种基于流量预测的Kubernetes容器动态扩缩容方法，涉及信息技术领域，解决现有的扩缩容机制反应不够迅速的技术问题，方法包括：获取Pod所属Deployment的流量请求数据；搭建生成对抗网络模型GAN、长短期记忆模型LSTM；根据流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块，流量增强模块输出流量增强数据；根据流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块；流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；根据预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。本发明专利技术还公开了一种基于流量预测的Kubernetes容器动态扩缩容系统。Kubernetes容器动态扩缩容系统。Kubernetes容器动态扩缩容系统。

【技术实现步骤摘要】
一种基于流量预测的Kubernetes容器动态扩缩容方法及系统


[0001]本专利技术涉及信息
，更具体地说，它涉及一种基于流量预测的Kubernetes容器动态扩缩容方法及系统。

技术介绍

[0002]微服务是现阶段热门的互联网应用架构风格；一个单体应用程序可以被拆分成多个小的独立单元，每个单元提供一个单一且定义明确的功能，他们之间使用同步或者异步技术进行通信。软件容器非常适合微服务领域，可有效简化微服务的部署和运行时管理。目前，最流行的云原生容器编排框架是Kubernetes，它可以自动化容器配置、管理和通信。云计算最受重视的方面之一是向上或者向下扩展的能力。在Kubernetes平台上，容器的扩缩容可以由系统自动执行或者管理员手动执行。
[0003]由于云中负载的动态特性，对Pod进行自动扩缩容是具有挑战的。
[0004]Kubernetes提供了两种截然不同的Pod扩缩容机制，分别是水平伸缩(HPA)和垂直伸缩(VPA)。默认情况下，HPA和VPA都测量Pod的CPU使用率，使用基于阈值的策略来进行Pod的扩缩容，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，包括：步骤S1.获取Pod所属Deployment的流量请求数据；步骤S2.搭建生成对抗网络模型GAN、长短期记忆模型LSTM，并确定所述生成对抗网络模型GAN及长短期记忆模型LSTM的神经网络的超参数；步骤S3.根据所述流量请求数据对所述生成对抗网络模型GAN进行训练得到流量增强模块，所述流量增强模块输出流量增强数据；步骤S4.根据所述流量请求数据、流量增强数据对所述长短期记忆模型LSTM进行训练得到流量预测模块；步骤S5.所述流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；步骤S6.根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。2.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S1中，通过在Kubernetes集群中运行流量请求数据采集组件，来获取需要进行自动扩缩容的Pod所对应Deployment的流量请求数据；或者，通过监控组件Prometheus获取到该Deployment的历史流量请求数据。3.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S2中，所述超参数包括激活函数种类、神经网络层数、神经元节点数、学习率。4.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S2中，根据Deployment的流量请求数据情况和需要实现的预测精度来确定生成对抗网络模型GAN及长短期记忆模型LSTM的输入/输出维度。5.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S3中，先将所述流量请求数据进行归一化处理，然后对所述生成对抗网络模型GAN进行训练。6.根据权利要求5所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，步骤S3包括：步骤S31.从归一化处理后的流量请求数据中随机取出一定量的训练样本；步骤S32.首先根据训练样本训练生成对抗网络模型GAN中的判别模型，需要保持生成对抗网络模型GAN中的生成模型的网络参数不变，对判别模型进行预设...

【专利技术属性】
技术研发人员：崔思恒，韦克璐，赵凯麟，尹大力，
申请(专利权)人：中国—东盟信息港股份有限公司，
类型：发明
国别省市：