一种Kubernetes应用容器的预测混合自动伸缩方法技术

本发明专利技术公开了一种Kubernetes应用容器的预测混合自动伸缩方法。首先，获取监控数据，并对监控数据进行预处理。然后，使用三指数平滑模型和DTR监督机器学习算法对Pod进行工作负载预测，通过三指数平滑模型预测Pod的副本数，再通过DTR监督机器学习算法预测分配给Pod的资源数。最后根据预测的Pod副本数和Pod资源数，对Pod进行水平和垂直自动伸缩。本发明专利技术方法可应用在Kubernetes容器编排平台上，能够有效解决现有Kubernetes上使用自动伸缩器时响应时间长、容器利用率低和无法保证应用服务QoS的问题。的问题。的问题。

【技术实现步骤摘要】
一种Kubernetes应用容器的预测混合自动伸缩方法


[0001]本专利技术属于Kubernetes容器资源编排平台，特别涉及一种Kubernetes应用容器的预测混合自动伸方法。

技术介绍

[0002]近年来，容器化技术发展迅速，在企业中的应用也越来越多。Docker是一个流行的应用程序容器引擎，它使开发的应用程序能够无缝迁移到Docker支持的操作系统，从而使交付更加容易。Kubernetes是一个基于Docker的开源容器管理平台，它可以在多个服务器节点之间部署容器，并在集群上调度和扩展这些容器。Kubernetes的水平自动伸缩是增加或减少Pod副本的数量，可以通过HPA(Horizontal Pod Autoscaler)功能实现；Kubernetes的垂直自动伸缩是增加或减少Pod副本请求的资源，可以通过VPA(Vertical Pod Autoscaler)功能实现。
[0003]但是，Kubernetes现有的自动伸缩方法存在以下不足：
[0004](1)现有的水平伸缩方法只是基于阈值的响应式伸缩，对突然增加的流量会有一定的响应滞后，无法保证响应时间；
[0005](2)现有的水平伸缩方法在低请求期间，会导致容器的低利用率；
[0006](3)现有的垂直伸缩方法在进行自动伸缩时，会中断应用服务，无法保证应用服务的QoS。
[0007]由此可见，目前Kubernetes中的自动伸缩方法在响应时间、利用率和QoS等方面还存在较多的问题，因此需要一种Kubernetes应用容器的预测混合自动伸缩方法来解决这些问题。本专利技术提供的一种Kubernetes应用容器的预测混合自动伸缩方法，通过三指数平滑模型对Pod副本进行预测部署，在水平自动伸缩上降低应用副本的响应时间和提高容器的利用率，通过DTR监督机器学习算法对Pod资源进行预测，在垂直自动伸缩上保证应用服务的QoS。

技术实现思路

[0008]本专利技术的目的在于改进目前Kubernetes中的自动伸缩方法，提出一种Kubernetes应用容器的预测混合自动伸缩方法。通过三指数平滑模型对Pod副本进行预测部署，在水平自动伸缩上降低应用副本的响应时间和提高容器的利用率，通过DTR监督机器学习算法对Pod资源进行预测，在垂直自动伸缩上保证应用服务的QoS。
[0009]本专利技术是这样实现的：一种Kubernetes应用容器的预测混合自动伸缩器,包括以下步骤：
[0010]步骤S1.数据获取：获取实时监控数据；
[0011]步骤S2.数据预处理：对监控数据进行归一化处理；
[0012]步骤S3.工作负载预测：使用三指数平滑模型和DTR监督机器学习算法对Pod进行预测；
[0013]步骤S4.更新控制：根据预测值，对Pod进行水平和垂直自动伸缩。
[0014]在所述步骤S2中的对监控数据进行归一化处理是将监控数据集归一化到(0,1)之间，归一化公式如下：
[0015][0016]其中，x'表示归一化后的监控数据，x表示原始监控数据，x
min
，x
max
表示监控数据集中最大值和最小值。
[0017]在所述步骤S3中使用三指数平滑模型和DTR监督机器学习算法对Pod进行预测，所述步骤S3具体如下：
[0018]S31.使用三指数平滑模型对Pod副本数进行预测，然后进行Pod扩缩容，三指数平滑模型公式如下：
[0019][0020]其中，γ为平滑参数，h为预测时间与当前时间的时间差，x(t+h)为t+h时刻的预测值，a
t
,b
t
,c
t
为t时刻的预测参数，计算公式如下：
[0021][0022]在所述步骤S31中对Pod进行扩缩容，具体包括如下步骤：
[0023]S311.判断是扩容还是缩容，若是扩容则执行S312，若是缩容则执行S313；
[0024]S312.获取需要扩容的预测Pod副本数；
[0025]S313.采用反应式收缩算法，计算需要缩容的预测Pod副本数，反应式收缩算法公式如下：
[0026]desiredRas ＝ ceil[currentRas * ( currentMV / desiredMV )]ꢀꢀ
(4)
[0027]其中，currentRas表示当前Pod的数量，currentMV表示当前的度量值，desiredMV表示期望的度量值，desiredRas表示期望的Pod副本数量；
[0028]S32.使用DTR监督机器学习算法对Pod资源进行预测是获取Pod预测资源数。
[0029]在所述步骤S4中根据预测值，对Pod进行水平和垂直自动伸缩是根据预测的Pod副本数和Pod预测资源数对Pod进行水平和垂直自动伸缩，具体包括如下步骤：
[0030]S41.获取预测值；
[0031]S42.判断预测值是Pod预测副本数还是Pod预测资源数，若是Pod预测副本数则执行S43，若是Pod预测资源数则执行S44；
[0032]S43.对Pod进行水平自动伸缩；
[0033]S44.对Pod进行垂直自动伸缩；
[0034]S45.结束水平和垂直自动伸缩。
[0035]在所述步骤S44中对Pod进行垂直自动伸缩，具体包括如下步骤：
[0036]S441.获取Pod预测资源数；
[0037]S442.更新此Pod分配的资源数；
[0038]S443.重新部署此Pod；
[0039]S444.删除原有部署的Pod。
[0040]与原有的Kubernetes自动伸缩方法相比，一种Kubernetes应用容器的预测混合自动伸缩方法有以下的优点：
[0041](1)通过三指数平滑模型对Pod副本进行预测部署，在水平自动伸缩上降低应用副本的响应时间和提高容器的利用率；
[0042](2)通过DTR监督机器学习算法对Pod资源进行预测，在垂直自动伸缩上保证应用服务的QoS。
附图说明
[0043]图1为本专利技术一种Kubernetes应用容器的预测混合自动伸缩方法步骤示意图。
[0044]图2为本专利技术实施例中对Pod进行水平和垂直自动伸缩流程图。
具体实施方式
[0045]为了更加清楚、直观地说明本专利技术的技术方案，将结合附图与实施例做进一步说明。
[0046]实施例：如图1所示为本专利技术一种Kubernetes应用容器的预测混合自动伸缩方法步骤示意图，实施步骤如下所示：
[0047]步骤S1.数据获取：通过部署Prometheus组件获取实时监控数据，数据分为训练集合测试集，训练集和测试集的比例为8：2；
[0048]步骤S2.数据预处理：将监控数据归一化到(0,1)之间，归一化公式如下：
[0049][0050]其中，x'表示归一化后的监控数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种Kubernetes应用容器的预测混合自动伸缩方法，其特征在于，包含以下步骤：步骤S1.数据获取：获取实时监控数据；步骤S2.数据预处理：对监控数据进行归一化处理；步骤S3.工作负载预测：使用三指数平滑模型和DTR监督机器学习算法对Pod进行预测；步骤S4.更新控制：根据预测值，对Pod进行水平和垂直自动伸缩。2.根据权利要求1所述的一种Kubernetes应用容器的预测混合自动伸缩方法，其特征在于，所述步骤S2中对监控数据进行归一化处理是将监控数据集归一化到(0,1)之间，归一化公式如下：其中，x'表示归一化后的监控数据，x表示原始监控数据，x
min
，x
max
表示监控数据集中最大值和最小值。3.根据权利要求1所述的一种Kubernetes应用容器的预测混合自动伸缩方法，其特征在于，所述步骤S3中使用三指数平滑模型和DTR监督机器学习算法对Pod进行预测，具体包括如下步骤：S31.使用三指数平滑模型对Pod副本数进行预测，然后进行Pod扩缩容，三指数平滑模型公式如下：其中，γ为平滑参数，h为预测时间与当前时间的时间差，x(t+h)为t+h时刻的预测值，a
t
,b
t
,c
t
为t时刻的预测参数，计算公式如下：S32.使用DTR监督机器学习算法对Pod资源进行预测是获取Pod预测资源数。4.根据权利要求1所述的一种Kubernetes应用容器的预测混合自动伸缩方其特征在于，所述步骤S4中根据预...

【专利技术属性】
技术研发人员：谢晓兰，高荣，徐克顺，刘亚荣，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：