CN107045455A - 一种基于负载预测的Docker Swarm集群资源调度优化方法 - Google Patents

一种基于负载预测的Docker Swarm集群资源调度优化方法 Download PDF

Info

Publication number
CN107045455A
CN107045455A CN201710461892.9A CN201710461892A CN107045455A CN 107045455 A CN107045455 A CN 107045455A CN 201710461892 A CN201710461892 A CN 201710461892A CN 107045455 A CN107045455 A CN 107045455A
Authority
CN
China
Prior art keywords
resource
container
usage amount
future
mrow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710461892.9A
Other languages
English (en)
Other versions
CN107045455B (zh
Inventor
谢雨来
黄凯
秦磊华
冯丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201710461892.9A priority Critical patent/CN107045455B/zh
Publication of CN107045455A publication Critical patent/CN107045455A/zh
Application granted granted Critical
Publication of CN107045455B publication Critical patent/CN107045455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于负载预测的Docker Swarm集群资源调度优化方法，属于计算机系统虚拟化技术领域。本发明利用docker daemon的API接口函数，周期性地收集容器的资源历史使用量；采取ARIMA‑RBF模型来对容器的资源历史使用量进行建模预测，获取资源未来使用量，集合资源目前使用情况对资源使用上限和资源使用权限进行调整；并根据容器的资源历史使用量来确定容器对资源的使用偏向程度；并在集群启动一个新容器时根据该容器和满足容器资源需求的节点集上的资源使用偏向程度，选择一个加入该容器后资源使用偏向最均衡的节点来部署这个新容器；本发明提供的技术方案，提高了Docker Swarm集群的资源利用率，并能提升各个容器的实际运行性能。

Description

一种基于负载预测的Docker Swarm集群资源调度优化方法
技术领域
本发明属于计算机系统虚拟化技术领域，更具体地，涉及一种基于负载预测的Docker Swarm集群资源调度优化方法。
背景技术
Docker自发布以来就立即在云计算领域引起了高度关注，社区异常活跃，成为目前最炙手可热开源软件之一。业界巨头如微软、谷歌、IBM等纷纷与Docker建立合作，并在各自相应平台上支持Docker。Docker的发展势头相当迅猛。简单地讲，Docker就是一个应用程序运行容器，可将应用及所有依赖打包进一个标准的单元中，如同集装箱一样。Docker的功能类似虚拟机，但是要比虚拟机启停更快、更加节省计算机的资源。
Docker集群管理工具Swarm的出现进一步促进了Docker在集群中的使用，为云计算平台及数据中心的虚拟化方法提供了一种新的思路。但是目前Docker在下面两个方面还存在一些问题：
1、Docker的资源限制：
Docker通过cgroup(控制组)来控制容器使用的资源配额，包括CPU、内存、磁盘三大方面，基本覆盖了常见的资源配额和使用量控制。但目前Docker只是用了cgroup的一部分子系统，实现对资源配额和使用的控制。通常用法是在启动一个容器时，通过设置权重或者上限等参数，来达到资源控制的作用。在集群中，多个容器运行在一个节点上，它们之间的资源分配策略分为两种：在资源利用不饱和时，各个容器尽最大努力使用资源，但受上限限制；而当资源利用饱和时，即容器开始竞争资源，则按分配的权重来进行资源分配，也受到上限的限制。
这样的资源调度方法在灵活性上有所欠缺，不能动态改变容器的资源权重和限制。这样可能会造成资源浪费和缺乏反馈的资源竞争：在资源利用不饱和的时候，部分容器运行时需要更多的资源，但受到了资源上限的限制，没有充分利用节点资源；在资源利用饱和时，有的容器对某些资源的需求比较大，但权重和上限都限制了它对资源的使用，而其他一些容器则对资源的需求不是很迫切，这时需要动态调整容器的资源权重和上限，达到总体提高容器运行性能的效果。
2、Docker Swarm集群的调度策略：
目前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调度策略是随机选择容器生成的位置，一般用于调试集群；而用spread和binpack调度策略时，主要的依据是Swarm统计出的每个物理节点的内存和CPU的分配情况，其中，使用spread调度策略时，Swarm会按照各个Node节点的总的内存和CPU的比例来使容器分散在每一个节点上；使用binpack调度策略时，Swarm会先把一个Node节点的资源使用完后，再将容器生成在其他可用的节点上。
目前使用的最多的就是spread策略，但它也存在着不足之处：在分配新容器时，只关注节点上的内存和CPU占用比例，没有考虑节点的I/O性能，也没有考虑节点上容器的资源偏向特性，例如新容器是CPU密集型的，而正好有满足条件的节点上面也都是CPU密集型容器，这样就很可能在之后出现严重的CPU。理想的情况是节点上，有着各种资源偏向的容器，例如把CPU密集型和I/O密集型的容器放在一个节点上，这样可以大大减少竞争资源的可能，并能提高节点的资源利用率。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于负载预测的DockerSwarm集群资源调度优化方法，其目的在于采取ARIMA-RBF模型来对容器的资源历史使用量进行建模预测，获取资源未来使用量，集合资源目前使用情况对资源使用上限和资源使用权限进行调整；并根据容器的历史资源使用量来确定容器对资源的使用；并在集群启动一个新容器时根据该容器和满足容器资源需求的节点集上的资源使用偏向程度，选择一个加入该容器后资源使用偏向最均衡的节点来部署这个新容器，由此提高容器性能，提高了节点资源利用率和节点效益的作用。
为实现上述目的，按照本发明的一个方面，提供了一种基于负载预测的DockerSwarm集群资源调度优化方法，所述方法包括：
(1)通过docker daemon的API接口函数，周期性地收集容器的资源历史使用量；
(2)对所述资源历史使用量按时间序列后利用ARIMA模型进行建模预测，得到容器资源未来使用量，再用RBF神经网络对预测结果的误差进行建模预测，得到资源未来使用量的预测误差，再将容器资源未来使用量和预测误差结合，得到修正后容器资源未来使用量；
(3)将容器资源未来使用量、容器资源目前使用量和资源限制量进行对比后，进行动态调整容器对资源的限制量和容器对资源的权重；
(4)根据容器的资源历史使用量确定容器对资源的使用偏向程度；
(5)分配容器到节点上时，根据容器对资源的使用偏向程度筛选出部署该容器的节点。
进一步地，其特征在于，所述步骤(1)具体为在集群的每个节点上，实时获取每个容器的CPU、内存和带宽的历史使用量，按时间排序并生成相应的时间序列。
进一步地，其特征在于，所述步骤(2)具体包括：
(21)对所述资源历史使用量按时间序列，再对资源历史使用量的时间序列进行多次差分得到稳定的时间序列；
(22)对稳定的时间序列进行零均值化，再计算其自相关函数和偏自相关函数并识别出ARIMA模型和估计参数，计算出ARIMA模型的阶数和参数；
(23)对ARIMA模型进行有效性检验，通过检验后，利用该模型进行预测，得到容器的资源未来使用量；
(24)对比预测后一段时间内容器的资源使用量和预测得到此段时间的资源未来使用量，得到预测误差，使用RBF神经网络对误差进行建模，得到误差预测；
(25)将容器资源未来使用量和误差预测结合，得到修正后容器资源未来使用量。
进一步地，其特征在于，所述步骤(3)具体包括：
(31)从容器S的R资源开始遍历，检查节点上R资源占用率是否饱和，若不饱和，进入步骤(32)；否则进入步骤(33)；
(32)比较容器S的Rfuture和Rnlimit，若Rfuture大，则使Rnlimit＝Rfuture；其中，Rfuture表示容器的R资源未来使用量；Rnlimit表示容器对R资源的限制量；进入步骤(34)；
(33)检测R资源的调度策略中是否有权重这一属性，若没有，则等待下一轮调度；否则比较容器S的Rfuture、Rcur和Rnlimit，若Rfuture>Rcur＝Rnlimit，则使Rnlimit＝Rfuture；其中，Rcur表示容器的R资源当前使用量；
(34)将Rfuture与Rnwgt/Rallwgt·Rall的比值记为若则更新Rnwgt使其中，th表示资源未来使用量与资源限制量的比例阈值；Rnwgt表示容器对R资源的权重；Rallwgt表示所有容器对R资源的权重之和；Rall表示R资源的总量；
(35)将更新后的Rnlimit和Rnwgt，传递到docker daemon中。
进一步地，其特征在于，所述步骤(4)具体为：
容器对资源的使用偏向程度由偏向参数M确定，
其中，ε为资源阈值；Ni为i时刻资源的使用率；p表示p个时刻；f()为指示函数，若x＞0时，则f(x)＝1，否则f(x)＝0；偏向参数M越大，说明该容器对资源越偏向。
进一步地，其特征在于，所述步骤(5)具体包括：
(51)在集群部署一个新的容器时，先检测这个容器之前是否分析过资源偏向程度；若是则筛选出能够运行该容器的节点集，计算节点集中所有节点的Balance；
其中，Mi是所有容器对资源i的偏向参数之和；n表示资源种类数；
(52)选出Balance最小的节点，作为部署节点。
总体而言，通过本发明所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：
(1)本发明技术方案使用了ARIMA-RBF模型，可以根据容器的资源使用历史，预测出未来的资源使用量，并及时调整各个容器的资源限制和权重，能够起到提高容器性能的作用；
(2)本发明技术方案在集群中各个节点中分析出该节点的资源使用偏向，并将其资源使用偏向纳入到容器调度策略中，尽量避免了容器在节点上的资源竞争，提高了节点资源利用率和节点效益的作用；
(3)本发明技术方案实时根据资源使用情况进行资源调度，具有容器资源调度实时性的优点。
附图说明
图1是本发明技术方案集群级的功能示意图；
图2是本发明技术方案步骤(2)的流程图；
图3是本发明技术方案步骤(3)的流程图；
图4是本发明技术方案步骤(5)的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明集群资源调度优化方法包括以下步骤：
(1)通过docker daemon的API接口函数，周期性地收集容器的资源历史使用量；具体为在集群的每个节点上，实时获取每个容器的CPU、内存和带宽的历史使用量，按时间排序并生成相应的时间序列。
(2)对所述资源历史使用量按时间序列后利用ARIMA模型进行建模预测，得到容器资源未来使用量，再用RBF神经网络对预测结果的误差进行建模预测，得到资源未来使用量的预测误差，再将容器资源未来使用量和预测误差结合，得到修正后容器资源未来使用量；
如图2所示为步骤(2)具体工作流程，具体包括：
(21)对所述资源历史使用量按时间序列，再对资源历史使用量的时间序列进行多次差分得到稳定的时间序列；
(22)对稳定的时间序列进行零均值化，再计算其自相关函数和偏自相关函数并识别出ARIMA模型和估计参数，计算出ARIMA模型的阶数和参数；
(23)对ARIMA模型进行有效性检验，通过检验后，利用该模型进行预测，得到容器的资源未来使用量；
(24)对比预测后一段时间内容器的资源使用量和预测得到此段时间的资源未来使用量，得到预测误差，使用RBF神经网络对误差进行建模，得到误差预测；
(25)将容器资源未来使用量和误差预测结合，得到修正后容器资源未来使用量。
(3)将容器资源未来使用量、容器资源目前使用量和资源限制量进行对比后，进行动态调整容器对资源的限制量和容器对资源的权重；
如图3所示为步骤(3)具体工作流程，具体包括：
(31)从容器S的R资源开始遍历，检查节点上R资源占用率是否饱和，若不饱和，进入步骤(32)；否则进入步骤(33)；
(32)比较容器S的Rfuture和Rnlimit，若Rfuture大，则使Rnlimit＝Rfuture；其中，Rfuture表示容器的R资源未来使用量；Rnlimit表示容器对R资源的限制量；进入步骤(34)；
(33)检测R资源的调度策略中是否有权重这一属性，若没有，则等待下一轮调度；否则比较容器S的Rfuture、Rcur和Rnlimit，若Rfuture>Rcur＝Rnlimit，则使Rnlimit＝Rfuture；其中，Rcur表示容器的R资源当前使用量；
(34)将Rfuture与Rnwgt/Rallwgt·Rall的比值记为若则更新Rnwgt，使；其中，th表示未来资源使用量与资源限制量的比值阈值，1＜th＜2，优选th＝1.2；Rnwgt表示容器对R资源的权重；Rallwgt表示所有容器对R资源设置的权重之和；Rall表示R资源的总量；
(35)将更新后的Rnlimit和Rnwgt，传递到docker daemon中。
(4)根据容器的资源历史使用量来确定容器对资源的使用偏向程度；
具体为容器对资源的使用偏向程度由偏向参数M确定，
其中，ε为资源阈值，0＜ε＜1，ε＝0.7；Ni为i时刻资源的使用率；p表示取p个时刻；f()为指示函数，若x＞0时，则f(x)＝1，否则f(x)＝0；偏向参数M越大，说明该容器对资源越偏向。
(5)在集群管理器分配容器到节点上时，根据容器对资源的使用偏向程度筛选出部署该容器的节点；
如图4所示为步骤(5)具体工作流程，具体包括：
(51)在集群部署一个新的容器时，先检测这个容器之前是否分析过资源偏向；若有则筛选出能够运行该容器的节点集，计算节点集中所有节点的Balance；
其中，Mi是所有容器对资源i的偏向参数之和；n表示资源种类数；
(52)选出Balance最小的节点，作为部署节点。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于负载预测的Docker Swarm集群资源调度优化方法，其特征在于，所述方法包括以下步骤：
(1)通过docker daemon的API接口函数，周期性地收集容器的资源历史使用量；
(2)对所述资源历史使用量按时间序列后利用ARIMA模型进行建模预测，得到容器资源未来使用量，再用RBF神经网络对预测结果的误差进行建模预测，得到资源未来使用量的预测误差，再将容器资源未来使用量和预测误差结合，得到修正后容器资源未来使用量；
(3)将容器资源未来使用量、容器资源目前使用量和资源限制量进行对比后，进行动态调整容器对资源的限制量和容器对资源的权重；
(4)根据容器的资源历史使用量确定容器对资源的使用偏向程度；
(5)分配容器到节点上时，根据容器对资源的使用偏向程度筛选出部署该容器的节点。
2.根据权利要求1所述的一种基于负载预测的Docker Swarm集群资源调度优化方法，其特征在于，所述步骤(1)具体为在集群的每个节点上，实时获取每个容器的CPU、内存和带宽的历史使用量，按时间排序并生成相应的时间序列。
3.根据权利要求1所述的一种基于负载预测的Docker Swarm集群资源调度优化方法，其特征在于，所述步骤(2)具体包括：
(21)对所述资源历史使用量按时间序列，再对资源历史使用量的时间序列进行多次差分得到稳定的时间序列；
(22)对稳定的时间序列进行零均值化，再计算其自相关函数和偏自相关函数并识别出ARIMA模型和估计参数，计算出ARIMA模型的阶数和参数；
(23)对ARIMA模型进行有效性检验，通过检验后，利用该模型进行预测，得到容器的资源未来使用量；
(24)对比预测后一段时间内容器的资源使用量和预测得到此段时间的资源未来使用量，得到预测误差，使用RBF神经网络对误差进行建模，得到误差预测；
(25)将容器资源未来使用量和误差预测结合，得到修正后容器资源未来使用量。
4.根据权利要求1所述的一种基于负载预测的Docker Swarm集群资源调度优化方法，其特征在于，所述步骤(3)具体包括：
(31)从容器S的R资源开始遍历，检查节点上R资源占用率是否饱和，若不饱和，进入步骤(32)；否则进入步骤(33)；
(32)比较容器S的Rfuture和Rnlimit，若Rfuture大，则使Rnlimit＝Rfuture；其中，Rfuture表示容器的R资源未来使用量；Rnlimit表示容器对R资源的限制量；进入步骤(34)；
(33)检测R资源的调度策略中是否有权重这一属性，若没有，则等待下一轮调度；否则比较容器S的Rfuture、Rcur和Rnlimit，若Rfuture>Rcur＝Rnlimit，则使Rnlimit＝Rfuture；其中，Rcur表示容器的R资源当前使用量；
(34)将Rfuture与Rnwgt/Rallwgt·Rall的比值记为若则更新Rnwgt使其中，th表示资源未来使用量与资源限制量的比例阈值；Rnwgt表示容器对R资源的权重；Rallwgt表示所有容器对R资源的权重之和；Rall表示R资源的总量；
(35)将更新后的Rnlimit和Rnwgt，传递到docker daemon中。
5.根据权利要求1所述的一种基于负载预测的Docker Swarm集群资源调度优化方法，其特征在于，所述步骤(4)具体为：
容器对资源的使用偏向程度由偏向参数M确定，
<mrow> <mi>M</mi> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;epsiv;</mi> <mo>)</mo> </mrow> </mrow> <mi>p</mi> </mfrac> <mo>,</mo> </mrow>
其中，ε为资源阈值；Ni为i时刻资源的使用率；p表示p个时刻；f()为指示函数，若x＞0时，则f(x)＝1，否则f(x)＝0；偏向参数M越大，说明该容器对资源越偏向。
6.根据权利要求1所述的一种基于负载预测的Docker Swarm集群资源调度优化方法，其特征在于，所述步骤(5)具体包括：
(51)在集群部署一个新的容器时，先检测这个容器之前是否分析过资源偏向程度；若是则筛选出能够运行该容器的节点集，计算节点集中所有节点的Balance；
<mrow> <mi>B</mi> <mi>a</mi> <mi>l</mi> <mi>a</mi> <mi>n</mi> <mi>c</mi> <mi>e</mi> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <mfrac> <msub> <mi>M</mi> <mi>i</mi> </msub> <mover> <mi>M</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
其中，Mi是所有容器对资源i的偏向参数之和；n表示资源种类数；
(52)选出Balance最小的节点，作为部署节点。
CN201710461892.9A 2017-06-19 2017-06-19 一种基于负载预测的Docker Swarm集群资源调度优化方法 Active CN107045455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710461892.9A CN107045455B (zh) 2017-06-19 2017-06-19 一种基于负载预测的Docker Swarm集群资源调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710461892.9A CN107045455B (zh) 2017-06-19 2017-06-19 一种基于负载预测的Docker Swarm集群资源调度优化方法

Publications (2)

Publication Number Publication Date
CN107045455A true CN107045455A (zh) 2017-08-15
CN107045455B CN107045455B (zh) 2019-06-11

Family

ID=59546358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710461892.9A Active CN107045455B (zh) 2017-06-19 2017-06-19 一种基于负载预测的Docker Swarm集群资源调度优化方法

Country Status (1)

Country Link
CN (1) CN107045455B (zh)

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562545A (zh) * 2017-09-11 2018-01-09 南京奥之云信息技术有限公司 一种基于Docker技术的容器调度方法
CN107734052A (zh) * 2017-11-02 2018-02-23 华南理工大学 面向组件依赖的负载均衡容器调度方法
CN108319501A (zh) * 2017-12-26 2018-07-24 中山大学 一种基于微服务网关的弹性资源供给方法及系统
CN108415772A (zh) * 2018-02-12 2018-08-17 腾讯科技（深圳）有限公司 一种基于容器的资源调整方法、装置和介质
CN108762923A (zh) * 2018-04-11 2018-11-06 哈尔滨工程大学 采用差分进化算法作为Docker Swarm调度策略的方法
CN108897627A (zh) * 2018-07-23 2018-11-27 南京叠嘉信息科技有限公司 针对典型容器的Docker动态调度算法
CN108920153A (zh) * 2018-05-29 2018-11-30 华南理工大学 一种基于负载预测的Docker容器动态调度方法
CN109189568A (zh) * 2018-09-04 2019-01-11 山东浪潮云投信息科技有限公司 一种集群资源管理方法及装置
CN109542586A (zh) * 2018-11-19 2019-03-29 郑州云海信息技术有限公司 一种节点资源状态更新方法及系统
CN107045455B (zh) * 2017-06-19 2019-06-11 华中科技大学 一种基于负载预测的Docker Swarm集群资源调度优化方法
CN109918198A (zh) * 2019-02-18 2019-06-21 中国空间技术研究院 一种基于用户特征预测的仿真云平台负载调度系统及方法
CN109992412A (zh) * 2019-02-19 2019-07-09 广州视源电子科技股份有限公司 云服务器的容量调节方法、装置、存储介质和云服务器
CN110058923A (zh) * 2019-03-29 2019-07-26 华中科技大学 一种基于动态预取策略的Docker容器COW机制优化方法及系统
CN110535894A (zh) * 2018-05-25 2019-12-03 深圳先进技术研究院 一种基于负载反馈的容器资源动态分配方法及其系统
CN110597639A (zh) * 2019-09-23 2019-12-20 腾讯科技（深圳）有限公司 Cpu分配控制方法、装置、服务器及存储介质
CN110969887A (zh) * 2019-11-18 2020-04-07 腾讯科技（深圳）有限公司 一种车辆数据获取方法、装置、电子设备及介质
CN110990160A (zh) * 2019-12-27 2020-04-10 广西电网有限责任公司 一种基于负荷预测的静态安全分析容器云弹性伸缩方法
CN111124689A (zh) * 2019-12-31 2020-05-08 中国电子科技集团公司信息科学研究院 一种集群中容器资源动态分配方法
CN111143050A (zh) * 2018-11-02 2020-05-12 中移（杭州）信息技术有限公司 一种容器集群调度的方法和设备
CN111367632A (zh) * 2020-02-14 2020-07-03 重庆邮电大学 一种基于周期特征的容器云调度方法
CN111506394A (zh) * 2020-04-15 2020-08-07 广东工业大学 一种Docker Swarm容器调度方法及调度系统
CN111527734A (zh) * 2017-12-29 2020-08-11 华为技术有限公司 节点流量占比预测方法及装置
CN111580927A (zh) * 2020-04-02 2020-08-25 武汉旷视金智科技有限公司 通信的方法及容器通信系统
CN111752701A (zh) * 2019-03-29 2020-10-09 北京数安鑫云信息技术有限公司 一种系统集群及其资源调度方法
CN111913780A (zh) * 2020-07-15 2020-11-10 中国人民解放军陆军工程大学 云计算中的资源预测与调度方法
CN111984381A (zh) * 2020-07-10 2020-11-24 西安理工大学 一种基于历史数据预测的Kubernetes资源调度优化方法
CN112860403A (zh) * 2021-02-22 2021-05-28 中国联合网络通信集团有限公司 集群负载资源调度方法、装置、设备、介质及产品
WO2021103790A1 (zh) * 2019-11-26 2021-06-03 北京京东尚科信息技术有限公司 容器的调度方法、装置和非易失性计算机可读存储介质
CN112948660A (zh) * 2021-03-30 2021-06-11 合肥国轩高科动力能源有限公司 群集电动大巴车监控网站电池数据持续爬取和分析方法
WO2021114757A1 (zh) * 2019-12-09 2021-06-17 北京迈格威科技有限公司 计算图的优化方法、装置、计算机设备和存储介质
CN113641453A (zh) * 2021-08-17 2021-11-12 中国联合网络通信集团有限公司 节点选择方法及节点选择设备
CN113791863A (zh) * 2021-08-10 2021-12-14 北京中电飞华通信有限公司 基于虚容器的电力物联代理资源调度方法及相关设备
CN113867972A (zh) * 2021-12-06 2021-12-31 北京广通优云科技股份有限公司 一种基于内存资源和服务性能结合的容器内存负载预测方法
CN115361449A (zh) * 2022-07-27 2022-11-18 上海浦东发展银行股份有限公司 Ip资源的调整方法、装置、设备及存储介质
CN115361449B (zh) * 2022-07-27 2024-06-07 上海浦东发展银行股份有限公司 Ip资源的调整方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11868812B2 (en) 2021-08-12 2024-01-09 International Business Machines Corporation Predictive scaling of container orchestration platforms

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160292013A1 (en) * 2012-12-10 2016-10-06 Zte Corporation Method and System for Scheduling Task in Cloud Computing
CN106020933A (zh) * 2016-05-19 2016-10-12 山东大学 基于超轻量虚拟机的云计算动态资源调度系统及方法
CN106375115A (zh) * 2016-08-30 2017-02-01 东软集团股份有限公司 资源分配方法及装置
CN106569895A (zh) * 2016-10-24 2017-04-19 华南理工大学 一种基于容器的多租户大数据平台构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045455B (zh) * 2017-06-19 2019-06-11 华中科技大学 一种基于负载预测的Docker Swarm集群资源调度优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160292013A1 (en) * 2012-12-10 2016-10-06 Zte Corporation Method and System for Scheduling Task in Cloud Computing
CN106020933A (zh) * 2016-05-19 2016-10-12 山东大学 基于超轻量虚拟机的云计算动态资源调度系统及方法
CN106375115A (zh) * 2016-08-30 2017-02-01 东软集团股份有限公司 资源分配方法及装置
CN106569895A (zh) * 2016-10-24 2017-04-19 华南理工大学 一种基于容器的多租户大数据平台构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢胜林: "基于Docker Swarm集群的调度策略优化", 《信息技术》 *

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045455B (zh) * 2017-06-19 2019-06-11 华中科技大学 一种基于负载预测的Docker Swarm集群资源调度优化方法
CN107562545A (zh) * 2017-09-11 2018-01-09 南京奥之云信息技术有限公司 一种基于Docker技术的容器调度方法
CN107734052A (zh) * 2017-11-02 2018-02-23 华南理工大学 面向组件依赖的负载均衡容器调度方法
CN107734052B (zh) * 2017-11-02 2019-12-10 华南理工大学 面向组件依赖的负载均衡容器调度方法
CN108319501B (zh) * 2017-12-26 2022-01-14 中山大学 一种基于微服务网关的弹性资源供给方法及系统
CN108319501A (zh) * 2017-12-26 2018-07-24 中山大学 一种基于微服务网关的弹性资源供给方法及系统
CN111527734A (zh) * 2017-12-29 2020-08-11 华为技术有限公司 节点流量占比预测方法及装置
CN111527734B (zh) * 2017-12-29 2021-10-26 华为技术有限公司 节点流量占比预测方法及装置
CN108415772A (zh) * 2018-02-12 2018-08-17 腾讯科技（深圳）有限公司 一种基于容器的资源调整方法、装置和介质
CN108762923A (zh) * 2018-04-11 2018-11-06 哈尔滨工程大学 采用差分进化算法作为Docker Swarm调度策略的方法
CN110535894B (zh) * 2018-05-25 2023-09-19 深圳先进技术研究院 一种基于负载反馈的容器资源动态分配方法及其系统
CN110535894A (zh) * 2018-05-25 2019-12-03 深圳先进技术研究院 一种基于负载反馈的容器资源动态分配方法及其系统
CN108920153B (zh) * 2018-05-29 2022-04-22 华南理工大学 一种基于负载预测的Docker容器动态调度方法
CN108920153A (zh) * 2018-05-29 2018-11-30 华南理工大学 一种基于负载预测的Docker容器动态调度方法
CN108897627A (zh) * 2018-07-23 2018-11-27 南京叠嘉信息科技有限公司 针对典型容器的Docker动态调度算法
CN109189568A (zh) * 2018-09-04 2019-01-11 山东浪潮云投信息科技有限公司 一种集群资源管理方法及装置
CN111143050A (zh) * 2018-11-02 2020-05-12 中移（杭州）信息技术有限公司 一种容器集群调度的方法和设备
CN111143050B (zh) * 2018-11-02 2023-09-19 中移（杭州）信息技术有限公司 一种容器集群调度的方法和设备
CN109542586A (zh) * 2018-11-19 2019-03-29 郑州云海信息技术有限公司 一种节点资源状态更新方法及系统
CN109918198A (zh) * 2019-02-18 2019-06-21 中国空间技术研究院 一种基于用户特征预测的仿真云平台负载调度系统及方法
CN109918198B (zh) * 2019-02-18 2020-02-11 中国空间技术研究院 一种基于用户特征预测的仿真云平台负载调度系统及方法
CN109992412A (zh) * 2019-02-19 2019-07-09 广州视源电子科技股份有限公司 云服务器的容量调节方法、装置、存储介质和云服务器
CN109992412B (zh) * 2019-02-19 2021-08-10 广州视源电子科技股份有限公司 云服务器的容量调节方法、装置、存储介质和云服务器
CN111752701B (zh) * 2019-03-29 2024-01-26 北京数安鑫云信息技术有限公司 一种系统集群及其资源调度方法
CN110058923A (zh) * 2019-03-29 2019-07-26 华中科技大学 一种基于动态预取策略的Docker容器COW机制优化方法及系统
CN111752701A (zh) * 2019-03-29 2020-10-09 北京数安鑫云信息技术有限公司 一种系统集群及其资源调度方法
CN110058923B (zh) * 2019-03-29 2021-03-26 华中科技大学 一种基于动态预取策略的Docker容器COW机制优化方法及系统
CN110597639A (zh) * 2019-09-23 2019-12-20 腾讯科技（深圳）有限公司 Cpu分配控制方法、装置、服务器及存储介质
CN110969887B (zh) * 2019-11-18 2021-05-14 腾讯科技（深圳）有限公司 一种车辆数据获取方法、装置、电子设备及介质
CN110969887A (zh) * 2019-11-18 2020-04-07 腾讯科技（深圳）有限公司 一种车辆数据获取方法、装置、电子设备及介质
WO2021103790A1 (zh) * 2019-11-26 2021-06-03 北京京东尚科信息技术有限公司 容器的调度方法、装置和非易失性计算机可读存储介质
WO2021114757A1 (zh) * 2019-12-09 2021-06-17 北京迈格威科技有限公司 计算图的优化方法、装置、计算机设备和存储介质
CN110990160A (zh) * 2019-12-27 2020-04-10 广西电网有限责任公司 一种基于负荷预测的静态安全分析容器云弹性伸缩方法
CN111124689A (zh) * 2019-12-31 2020-05-08 中国电子科技集团公司信息科学研究院 一种集群中容器资源动态分配方法
CN111124689B (zh) * 2019-12-31 2023-03-28 中国电子科技集团公司信息科学研究院 一种集群中容器资源动态分配方法
CN111367632B (zh) * 2020-02-14 2023-04-18 重庆邮电大学 一种基于周期特征的容器云调度方法
CN111367632A (zh) * 2020-02-14 2020-07-03 重庆邮电大学 一种基于周期特征的容器云调度方法
CN111580927B (zh) * 2020-04-02 2024-03-19 武汉旷视金智科技有限公司 通信的方法及容器通信系统
CN111580927A (zh) * 2020-04-02 2020-08-25 武汉旷视金智科技有限公司 通信的方法及容器通信系统
CN111506394A (zh) * 2020-04-15 2020-08-07 广东工业大学 一种Docker Swarm容器调度方法及调度系统
CN111506394B (zh) * 2020-04-15 2023-05-05 广东工业大学 一种Docker Swarm容器调度方法及调度系统
CN111984381A (zh) * 2020-07-10 2020-11-24 西安理工大学 一种基于历史数据预测的Kubernetes资源调度优化方法
CN111913780A (zh) * 2020-07-15 2020-11-10 中国人民解放军陆军工程大学 云计算中的资源预测与调度方法
CN112860403B (zh) * 2021-02-22 2023-11-07 中国联合网络通信集团有限公司 集群负载资源调度方法、装置、设备、介质及产品
CN112860403A (zh) * 2021-02-22 2021-05-28 中国联合网络通信集团有限公司 集群负载资源调度方法、装置、设备、介质及产品
CN112948660A (zh) * 2021-03-30 2021-06-11 合肥国轩高科动力能源有限公司 群集电动大巴车监控网站电池数据持续爬取和分析方法
CN113791863A (zh) * 2021-08-10 2021-12-14 北京中电飞华通信有限公司 基于虚容器的电力物联代理资源调度方法及相关设备
CN113791863B (zh) * 2021-08-10 2024-01-23 北京中电飞华通信有限公司 基于虚容器的电力物联代理资源调度方法及相关设备
CN113641453A (zh) * 2021-08-17 2021-11-12 中国联合网络通信集团有限公司 节点选择方法及节点选择设备
CN113867972B (zh) * 2021-12-06 2022-03-15 北京广通优云科技股份有限公司 一种基于内存资源和服务性能结合的容器内存负载预测方法
CN113867972A (zh) * 2021-12-06 2021-12-31 北京广通优云科技股份有限公司 一种基于内存资源和服务性能结合的容器内存负载预测方法
CN115361449A (zh) * 2022-07-27 2022-11-18 上海浦东发展银行股份有限公司 Ip资源的调整方法、装置、设备及存储介质
CN115361449B (zh) * 2022-07-27 2024-06-07 上海浦东发展银行股份有限公司 Ip资源的调整方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN107045455B (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
CN107045455A (zh) 一种基于负载预测的Docker Swarm集群资源调度优化方法
US10924535B2 (en) Resource load balancing control method and cluster scheduler
US10623481B2 (en) Balancing resources in distributed computing environments
CN103699445B (zh) 一种任务调度方法、装置及系统
CN105740051B (zh) 基于改进的遗传算法的云计算资源调度实现方法
CN107239336B (zh) 一种实现任务调度的方法及装置
US9218213B2 (en) Dynamic placement of heterogeneous workloads
CN104102543B (zh) 一种云计算环境中负载调整的方法和装置
CN103714098B (zh) 用于对数据库进行分区的方法和系统
CN106959894A (zh) 资源分配方法和装置
CN105791447B (zh) 一种面向视频服务的云资源调度方法及装置
CN108428051B (zh) 面向大数据平台基于最大化收益的MapReduce作业调度方法及装置
CN109788046A (zh) 一种基于改进蜂群算法的多策略边缘计算资源调度方法
CN102281290A (zh) 一种PaaS云平台的仿真系统及方法
CN104407925A (zh) 一种动态的资源分配方法
CN110502323A (zh) 一种云计算任务实时调度方法
CN108416615A (zh) 一种基于树的资源分配方法
CN115134371A (zh) 包含边缘网络算力资源的调度方法、系统、设备及介质
CN109656713A (zh) 一种基于边缘计算框架的容器调度方法
CN103997515A (zh) 一种分布式云中计算中心选择方法及其应用
CN106201706A (zh) 一种粒子群服务选择方法和系统
CN106506229B (zh) 一种sbs云应用自适应资源优化调整系统及方法
Zhuang et al. Impact of instance seeking strategies on resource allocation in cloud data centers
Kumari et al. A hybrid approach of genetic algorithm and multi objective PSO task scheduling in cloud computing
CN105426177B (zh) 一种建立SaaS应用程序模型的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant