Kubernetes资源预测的关键理论和方法研究
发布时间：2021-10-23 11:57
由于容器具有灵活、高效和快速的特性,已逐渐取代了原有的虚拟机被业界认可,成为个人或企业用户的首选。目前,越来越多的应用程序被部署在容器中。准确预测容器的资源、负载可以实现资源灵活性调度,使容器集群能够提前响应部署在集群上的应用程序的资源使用情况,从而实现准确、动态地调度和分配资源,这不仅可以确保应用程序的服务水平协议,还可以提高容器云的资源利用率。但是,因为容器负载会在较小的时间范围内急剧波动,想要准确地预测容器负载仍然是一个巨大的挑战。此外,容器指标非常多,而且很难提前预知哪些指标是有用的。为了应对这些挑战,本文着重从两个方面研究了Kubernetes中的资源预测问题。一方面,为了实现Kubernetes集群能够对部署在集群上的应用程序的资源需求预先响应,并根据未来一段时间内的资源使用情况动态地调度和分配资源,提出了一个ES-TCN组合预测模型,该组合预测模型结合了三次指数平滑法和时间卷积网络各自的优势,以解决Kubernetes的资源使用量预测问题。利用TPOT思想来优化时间卷积网络模型的参数组合,在保证了模型的性能的同时大大减少了模型的训练时间。同时,根据Kubernetes的资...
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
云计算发展历程
桂林理工大学硕士学位论文11命令行界面），就是在与集群的Master主节点通信。另一类是Node工作节点，一个集群中Node工作节点可以有多个，在这些Node工作节点上运行着kubelet、kube-proxy等一系列负责管理Pod的Kubernetes的服务进程。Kubernetes系统架构图如图2.1所示。图2.1Kubernetes系统架构图接下来对图中各个组件分别进行介绍：（1）ETCD：ETCD除了具备存储所有Kubernetes的集群状态的功能，还有事件监听和订阅、Leader选举的功能。事件监听和订阅以及其他各个组件之间的通信，并不是互相调用API来完成的，而是某一组件把状态写入ETCD（相当于写入一个消息）中，其他组件通过监听ETCD状态的变化（相当于订阅消息），做后续的处理，并把更新后的数据重新写入ETCD。Leader选举是指其他一些组件（比如Scheduler）为了实现高可用，通过ETCD从多个（通常是3个）实例里面选举出来一个做Master主节点，其他的实例都是Standby。
桂林理工大学硕士学位论文13（5）Kubelet监听到当前的节点被指定了新的Pod后就根据对象信息运行Pod。Kubernetes完整的工作流程如图2.2所示。图2.2Kubernetes工作流程图2.1.3Kubernetes集群监控在Kubernetes中，监控属于生态的一部分，并不是核心组件，监控所具有的大部分的能力依赖上层的云厂商的适配。Kubernetes定义了组件接入的接口标准和规范，任何符合接口标准和规范的组件都可以快速集成到Kubernetes中。Kubernetes通过APIServerAggregatedAPI注册了三种不同的metrics接口，将监控的消费能力进行标准化和解耦，从而实现了与社区的融合。Kubernetes的监控接口标准如表2.1所示。表2.1Kubernetes的监控接口标准API注释ResourceMetricsmetrics.k8s.io主要的实现为Metrics-Server，提供资源监控CustomMetricscustom.metrics.k8s.io主要的实现为Prometheus，提供资源监控和自定义监控ExternalMetricsexternal.metrics.k8s.io主要的实现为云厂商的Provider，提供云资源的监控指标
【参考文献】：
期刊论文
[1]基于Kubernetes负载特征的资源预测模型研究[J]. 谢文舟,孙艳霞. 网络安全技术与应用. 2018(04)
[2]基于Docker的虚拟化技术研究[J]. 郭甲戌,胡晓勤. 网络安全技术与应用. 2017(10)
[3]云计算虚拟化技术的发展与趋势[J]. 武志学. 计算机应用. 2017(04)
[4]基于Docker的PaaS平台建设[J]. 王亚玲,李春阳,崔蔚,张晶. 计算机系统应用. 2016(03)
[5]改进GWO优化SVM的云计算资源负载短期预测研究[J]. 徐达宇,丁帅. 计算机工程与应用. 2017(07)
[6]基于容器虚拟化技术研究[J]. 汪恺,张功萱,周秀敏. 计算机技术与发展. 2015(08)
[7]A mixture of HMM,GA,and Elman network for load prediction in cloud-oriented data centers[J]. Da-yu XU,Shan-lin YANG,Ren-ping LIU. Journal of Zhejiang University-Science C（Computers and Electronics）. 2013(11)
博士论文
[1]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
硕士论文
[1]基于Kubernetes的资源调度器优化策略研究[D]. 平凡.西安邮电大学 2019
[2]基于Kubernetes容器集群资源调度策略研究[D]. 马希琳.西安科技大学 2019
[3]基于Kubernetes的资源调度与监控系统的设计与实现[D]. 宋霖.北京邮电大学 2019
[4]基于Kubernetes的调度方案研究与设计[D]. 李思达.东南大学 2018
[5]基于Kubernetes的容器自动伸缩技术的研究[D]. 杨茂.西安邮电大学 2018
[6]基于Kubernetes的容器云平台资源调度策略研究[D]. 唐瑞.电子科技大学 2017
[7]基于蚁群算法及时间序列预测模型的云计算资源调度策略[D]. 王胜男.重庆大学 2017
[8]容器云平台的设计与实现[D]. 徐江生.北京邮电大学 2017
[9]基于Docker的资源预调度策略构建弹性集群的研究[D]. 何松林.浙江理工大学 2017
本文编号：3453146
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
云计算发展历程
桂林理工大学硕士学位论文11命令行界面），就是在与集群的Master主节点通信。另一类是Node工作节点，一个集群中Node工作节点可以有多个，在这些Node工作节点上运行着kubelet、kube-proxy等一系列负责管理Pod的Kubernetes的服务进程。Kubernetes系统架构图如图2.1所示。图2.1Kubernetes系统架构图接下来对图中各个组件分别进行介绍：（1）ETCD：ETCD除了具备存储所有Kubernetes的集群状态的功能，还有事件监听和订阅、Leader选举的功能。事件监听和订阅以及其他各个组件之间的通信，并不是互相调用API来完成的，而是某一组件把状态写入ETCD（相当于写入一个消息）中，其他组件通过监听ETCD状态的变化（相当于订阅消息），做后续的处理，并把更新后的数据重新写入ETCD。Leader选举是指其他一些组件（比如Scheduler）为了实现高可用，通过ETCD从多个（通常是3个）实例里面选举出来一个做Master主节点，其他的实例都是Standby。
桂林理工大学硕士学位论文13（5）Kubelet监听到当前的节点被指定了新的Pod后就根据对象信息运行Pod。Kubernetes完整的工作流程如图2.2所示。图2.2Kubernetes工作流程图2.1.3Kubernetes集群监控在Kubernetes中，监控属于生态的一部分，并不是核心组件，监控所具有的大部分的能力依赖上层的云厂商的适配。Kubernetes定义了组件接入的接口标准和规范，任何符合接口标准和规范的组件都可以快速集成到Kubernetes中。Kubernetes通过APIServerAggregatedAPI注册了三种不同的metrics接口，将监控的消费能力进行标准化和解耦，从而实现了与社区的融合。Kubernetes的监控接口标准如表2.1所示。表2.1Kubernetes的监控接口标准API注释ResourceMetricsmetrics.k8s.io主要的实现为Metrics-Server，提供资源监控CustomMetricscustom.metrics.k8s.io主要的实现为Prometheus，提供资源监控和自定义监控ExternalMetricsexternal.metrics.k8s.io主要的实现为云厂商的Provider，提供云资源的监控指标
【参考文献】：
期刊论文
[1]基于Kubernetes负载特征的资源预测模型研究[J]. 谢文舟,孙艳霞. 网络安全技术与应用. 2018(04)
[2]基于Docker的虚拟化技术研究[J]. 郭甲戌,胡晓勤. 网络安全技术与应用. 2017(10)
[3]云计算虚拟化技术的发展与趋势[J]. 武志学. 计算机应用. 2017(04)
[4]基于Docker的PaaS平台建设[J]. 王亚玲,李春阳,崔蔚,张晶. 计算机系统应用. 2016(03)
[5]改进GWO优化SVM的云计算资源负载短期预测研究[J]. 徐达宇,丁帅. 计算机工程与应用. 2017(07)
[6]基于容器虚拟化技术研究[J]. 汪恺,张功萱,周秀敏. 计算机技术与发展. 2015(08)
[7]A mixture of HMM,GA,and Elman network for load prediction in cloud-oriented data centers[J]. Da-yu XU,Shan-lin YANG,Ren-ping LIU. Journal of Zhejiang University-Science C（Computers and Electronics）. 2013(11)
博士论文
[1]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
硕士论文
[1]基于Kubernetes的资源调度器优化策略研究[D]. 平凡.西安邮电大学 2019
[2]基于Kubernetes容器集群资源调度策略研究[D]. 马希琳.西安科技大学 2019
[3]基于Kubernetes的资源调度与监控系统的设计与实现[D]. 宋霖.北京邮电大学 2019
[4]基于Kubernetes的调度方案研究与设计[D]. 李思达.东南大学 2018
[5]基于Kubernetes的容器自动伸缩技术的研究[D]. 杨茂.西安邮电大学 2018
[6]基于Kubernetes的容器云平台资源调度策略研究[D]. 唐瑞.电子科技大学 2017
[7]基于蚁群算法及时间序列预测模型的云计算资源调度策略[D]. 王胜男.重庆大学 2017
[8]容器云平台的设计与实现[D]. 徐江生.北京邮电大学 2017
[9]基于Docker的资源预调度策略构建弹性集群的研究[D]. 何松林.浙江理工大学 2017
本文编号：3453146
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3453146.html
