基于微服务架构应用平台的资源调度优化研究

发布时间：2021-04-26 08:05

　　自2014年Martin Fowler正式提出微服务这一架构概念后,微服务引起业界的广泛关注,并且随着大量企业如Amazon、Netflix将自身的核心业务转为由基于微服务的解决方案提供后,微服务架构的落地得到充足的工业生产经验,微服务架构正逐渐成为企业应用架构的主流。而微服务架构作为分布式系统开发的一种风格,不可避免的将分配资源和提供网络服务作为应用目标。由于微服务架构自身的特点,会因划分太多服务导致出现资源浪费的情况,因此资源优化成为目前微服务架构的主要研究方向。当前在基于微服务应用的资源分配方法上,主流的方法有根据预测的工作负载来进行资源分配的策略制定,通过监视应用程序资源消耗以调整虚拟机的数量来优化资源使用,通过设定规则求解次优解来制定资源分配策略,通过设定规则求解最优解来制定资源分配策略等。这些方法没有考虑到分配资源的根本原因是为了满足用户的访问需求,并且尽可能的节约成本,因此资源分配方法还有很大的改进空间。在基于微服务架构应用平台中,不同的用户有不同的访问习惯和行为偏好,对于应用平台的不同功能点的访问行为有较大区别。如果不针对用户的行为偏好来进行资源的分配,势必会造成某些服... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 研究内容和主要工作
    1.3 论文的组织结构
第2章 相关研究
    2.1 引言
    2.2 微服务架构研究现状
    2.3 负载预测
    2.4 资源分配
    2.5 多智能体强化学习
    2.6 本章小结
第3章 整体研究框架
    3.1 引言
    3.2 研究内容之间的联系
第4章 基于用户行为偏好的服务负载预测
    4.1 引言
    4.2 UBP模型的构建
    4.3 基于服务负载的预测模型
        4.3.1 长短期记忆网络
        4.3.2 自回归综合移动平均模型
        4.3.3 基于服务负载的预测模型
    4.4 用户行为偏好
        4.4.1 基本符号定义
        4.4.2 特征选择
        4.4.3 模型构建
    4.5 组合预测模型
    4.6 实验评估
        4.6.1 基准方法
        4.6.2 评估标准
        4.6.3 实验结果与分析
    4.7 本章小结
第5章 基于多智能体强化学习的资源分配
    5.1 引言
    5.2 相关理论方法
        5.2.1 演员-评论家算法
        5.2.2 DDPG
        5.2.3 MADDPG
        5.2.4 多头注意力机制
    5.3 资源分配模型
        5.3.1 基本符号定义
        5.3.2 MAAC算法
        5.3.3 PbMA算法
    5.4 实验评估
        5.4.1 实验配置
        5.4.2 实验结果与分析
    5.5 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的科研项目
学位论文评阅及答辩情况表



本文编号：3161065