CN111124619B - 一种面向二次调度的容器调度方法 - Google Patents

Abstract

本发明公开了一种面向二次调度的容器调度方法，该方法实时监控容器云平台上每个容器、节点和服务的实例，实时获取它们的实例运行状态、资源数据与亲和性特征，批量监听增加或减少容器的调度请求，基于贪心、模拟退火和遗传算法，采用资源均衡、亲和满足、服务容灾等策略，给出增加或减少容器操作要在哪个节点上进行的结果。本发明针对当前容器云平台默认调度器不支持删除容器操作、不支持批量调度、短期多个调度请求效果不佳的问题，引入了针对删除容器操作的资源均衡、服务容灾策略，以及面向容器云平台的批量调度优化算法，以满足二次调度系统的调度需求，改善平台的调度效果。

Description

一种面向二次调度的容器调度方法

技术领域

本发明属于云计算领域，具体属于容器云平台智能调度范畴，尤其涉及一种面向二次调度的容器调度方法。

背景技术

近些年来，随着云计算的发展，以Docker为代表的一种操作系统层虚拟化的技术——容器化，逐渐普及开来。从大型上市公司到创业公司，都在对机器集群进行容器化的改造。容器化能带来众多的好处，例如占用少、弹性增容、性能、即时迁移等。

渐渐地，要管理的容器越来越多，容器云平台成为了重要的需求。常见的容器云平台有：Docker公司于2014年开发的Swarm，脱胎于谷歌公司自用的Borg系统的K8s，国内阿里巴巴公司基于Pouch容器的Sigma等等。

以市场主流地位的容器集群管理平台Kubernetes(简称K8s)为例，谷歌在2014年开放了K8s项目，它建立在谷歌拥有大量运行生产工作量的十五年经验的基础上，结合了社区中的最佳创意和实践。它是一个可移植、可扩展的开源平台，用于管理容器化工作负载和服务，可以声明性配置和自动化，协调计算、网络和存储基础架构，拥有类似平台即服务(PaaS)的简单性、基础架构即服务(IaaS)的灵活性和支持跨基础架构提供商的可移植性。它有庞大且快速发展的生态系统，其服务、支持和工具被广泛使用。

然而，随着互联网公司K8s集群规模的增长，集群可能出现资源利用率呈现时间上、空间上的不平衡，造成了资源和成本的浪费。重新设计和实现更高效的容器云平台的调度系统，在合适的场合进行二次调度，可以改善这种状况。一种包含二次调度功能的容器云平台调度系统结构由两部分组成：一部分是调控模块，负责分析应用的流量压力和集群资源状态，做出资源扩缩容和容器增删等二次调度决策；另一部分是调度器(即容器调度方法的实现)，负责为新增加和要删除的容器选择不同的节点，以达到资源均衡等目的。如何在这里选用合适的调度器，成为了一个问题。

虽然K8s已经经过了多年的发展和迭代更新，但是它的调度器Kube-scheduler在上述的场合下，仍然不能满足所有的需求。它仅有逐个pod(调度的最小单位，包含一个或多个容器)调度的方式，不支持批量调度，没有利用调度请求队列里的信息，这在两种场景下尤为明显：二次调度系统，短时间内发出较多的pod调度请求；有些混部系统的实现对离线任务容器的调度即时性要求不高，有足够的时间优化调整放置方案。其次，它仅面向初次调度而设计，开发二次调度系统时，往往自带调度器不能满足需求，例如不支持在删除pod时使用优选策略，因为初次调度是没有删除pod这个需求的，更没有使用更复杂的调度器优选策略。

发明内容

本发明的目的在于针对现有技术的不足，提供一种面向二次调度的容器调度方法。用于解决二次调度系统中，容器云平台默认调度器不支持删除容器策略、不支持批量调度、短期多个调度请求效果不佳的问题。

本发明的目的是通过以下技术方案来实现的：一种面向二次调度的容器调度方法，包括以下步骤：

(1)从二次调度系统监听容器调度请求；

(2)获取容器云平台的实例数据，获取节点、服务、容器的实例运行状态，获取节点、服务、容器的资源数据与亲和性特征；

(3)触发运行设定的调度器，采用贪心算法、模拟退火算法、遗传算法中的一种进行容器调度，得到容器调度的逐个结果或批量结果；

所述容器调度请求包括要调度的容器的操作、容器服务类型、操作数量；所述要调度的容器的操作包括增加容器、减少容器两种；

所述节点资源数据包括CPU、内存和硬盘的使用率、可分配量、总容量、可分配容器数量和已有容器数量；所述节点亲和性特征包括标签、端口占用情况、节点状态标记、节点容器避免标记、污点属性；所述服务资源数据包括该服务下容器的列表、资源敏感类型；所述服务亲和性特征包括服务间亲和性和服务间反亲和性；所述容器资源数据包括CPU和内存的请求量、使用量；所述容器亲和性特征包括节点选择器、容器标签、节点亲和性、容器亲和性、容器反亲和性、需要的镜像列表、需要的端口、污点容忍属性。

进一步地，所述步骤(3)中采用贪心算法进行容器调度包括以下步骤：

(2.1)逐个处理容器调度请求，根据要调度的容器的操作对节点进行预选；

(2.2)对步骤(2.1)中预选通过的节点进行打分，选择得分最高的节点。

进一步地，所述步骤(3)中采用模拟退火算法进行容器调度包括以下步骤：

(3.1)读入容器调度请求序列，为每个容器随机分配一个满足该容器预选条件的节点，将该分配方案作为解S＝{s₁，s₂，s₃，...，s_n}，并设定初始温度T、终止分数W_enough、退火系数r、最低温度T_min；其中，s_i为容器调度操作，表示第i个容器分配的节点；n表示序列中容器调度请求总数；

(3.2)首先，从当前解S中，随机选取一个容器调度操作s_j，将s_j视为未执行，s₁～s_j-1和s_j+1～s_n视为已执行；在这个集群状态下对第j个容器调度请求进行节点的预选，在预选通过的节点中随机选取一个作为s′_j，替换当前解S的s_j，得到新解S′＝{s₁，s₂，s₃，...，s_j-1，s′_j，s_j+1，...，s_n}；然后，对s′_j和s_j进行打分，计算s′_j减去s_j的分差ΔW；如果ΔW＞0，接受新解S′；否则，以概率e^ΔW/T接受新解S′；

(3.3)此时，如果温度T大于最低温度T_min且解的得分W小于终止分数W_enough，则更新温度T＝T*r，跳转至步骤(3.2)进行下一轮循环迭代；否则，停止迭代得到最终解。

进一步地，所述步骤(3)中采用遗传算法进行容器调度包括以下步骤：

(4.1)读入容器调度请求序列，为每个容器随机分配一个满足该容器预选条件的节点，将该分配方案作为一个解，并随机生成l个初始解，构成一个初始种群M＝{S₁，S₂，S₃，...，S_l}，其中S_i表示第i个解，l表示种群的大小；设定算法迭代次数、近亲比率r、交叉概率p_c、变异概率p_m；

(4.2)去掉种群中的重复可行解，更新l的值；

(4.3)将当前种群中的解随机两两配对，将每一对解以交叉概率p_c进行染色体交叉；所述染色体交叉为：两个解分别为S_a＝{s_a，1，s_a，2，s_a，3，...，s_a，n}、S_b＝{s_b，1，s_b，2，s_b，3，...，s_b，n}；当时，放弃交叉；否则，从1～n中随机选择一个位置k，将两个解中第k+1～n个容器分配的节点对调，变成S′_a＝{s_a，1，s_a，2，s_a，3，...，s_a，k，s_b，k+1，...，s_b，n}和S′_b＝{s_b，1，s_b，2，s_b，3，...，s_b，k，s_a，k+1，...，s_a，n}；

(4.4)对当前种群中每一个解以变异概率p_m执行和步骤(3.2)相同的操作；

(4.5)计算每个解的得分；从当前种群中抽取两个解，保留两者中得分较高的解作为下一代种群的解；其中，第j个解S_j被抽中的概率为W_j为解S_j的得分，/>为对所有解的得分求和；

(4.6)重复执行l次步骤(4.5)，得到下一代种群；

(4.7)以步骤(4.6)得到的下一代种群为当前种群，重复执行步骤(4.2)～(4.6)，直至达到步骤(4.1)设定的算法迭代次数为止，最后将种群里得分最高的解作为最终调度方案。

进一步地，所述预选规则为：

(5.1)增加容器时，检查节点的运行状态，CPU、内存和硬盘的压力，检查容器间亲和性与反亲和性和对节点的硬约束亲和性，检查节点选择器，检查污点与容忍条件，检查资源是否充足、端口是否冲突；

(5.2)减少容器时，检查节点上是否有该类型的容器。

进一步地，所述打分规则为：根据多种优选策略分别对节点打分，每个节点的最终得分为：

其中，p_i表示节点是否通过了预选阶段，通过为1否则为0；λ_i表示第i个优选策略的权重；W_i表示第i个优选策略的得分；m表示优选策略总数；所述解的得分为解中所有容器的调度节点的得分之和。

进一步地，所述优选策略为：

(7.1)当增加容器时，使用的优选策略为节点内资源均衡、镜像本地化、容器间软亲和约束、节点软约束亲和性、节点避免策略、节点间资源均衡策略、服务容灾策略、软约束污点容忍策略中的一种或几种；

(7.2)减少容器时，使用的优选策略为节点内资源均衡策略，节点间资源均衡策略，服务容灾策略中的一种或几种。

本发明的有益效果是：本发明提供了一种面向二次调度的容器调度方法，该方法引入了针对删除容器操作的资源均衡、服务容灾策略，以及面向容器云平台的批量调度优化算法，满足了二次调度系统的调度需求，改善平台的调度效果，解决了二次调度系统中，容器云平台默认调度器不支持删除容器操作、不支持批量调度、短期多个调度请求效果不佳的问题，提高了容器调度的效果。

附图说明

图1为整体流程图；

图2为贪心算法示意图；

图3为贪心算法流程图；

图4为贪心算法预选阶段流程图；

图5为贪心算法优选阶段流程图；

图6为模拟退火算法流程图；

图7为遗传算法流程图。

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，以下结合实施例，对本发明进行进一步详细说明。本发明容器调度方法的流程图如图1所示，包括以下步骤：

(1)从二次调度系统监听到容器调度请求，具体如下：

(11)请求包含要调度的容器的操作、容器服务类型、操作数量。

(12)调度请求可以是单个请求，也可以是连续多个请求。

(13)要调度的容器的操作包含增加和减少，容器服务类型包括容器的所属命名空间和服务名。

(2)自动化获取容器云平台的实例数据，获取节点、服务、容器的实例运行状态，获取它们的资源数据与亲和性特征。具体如下：

(21)获取的节点资源数据包括CPU、内存和硬盘使用率、可分配量、总容量，可分配容器数量和已有容器数量。

(22)获取的节点亲和性特征包括标签、端口占用情况、节点状态标记、节点容器避免标记、污点属性。

(23)获取的服务资源数据包括其下容器的列表、资源敏感类型。

(24)获取的服务亲和性特征包括服务间亲和性和服务间反亲和性。

(25)获取的容器资源数据包括CPU和内存的请求量、使用量。

(26)获取的容器亲和性特征包括节点选择器、容器标签、节点亲和性、容器亲和性、容器反亲和性、需要的镜像列表、需要的端口、污点容忍属性。

(3)触发运行设定的调度器，选择贪心、模拟退火和遗传算法之一，给出容器调度的逐个结果或批量结果。

(31)如图2～5所示，贪心算法使用逐个调度流程，调度器每次只处理一个容器调度请求，经过预选阶段处理后，给符合预选要求的各个节点使用优选策略打分，选择最高的得分的节点，步骤如下：

(311)增加容器时，检查节点的运行状态，CPU、内存和硬盘的压力，检查容器间亲和性与反亲和性和对节点的硬约束亲和性，检查节点选择器，检查污点与容忍条件，检查资源是否充足、端口是否冲突。

(3111)节点状态检查：排除未就绪、网络不可用或被标记为不可调度的节点。

(3112)CPU压力检查：如果新容器的服务质量等级较高(高于用户设定的阈值)，则排除处于CPU压力状态(与CPU利用率有关，一般指CPU利用率大于60％)的节点。

(3113)内存压力检查：如果新容器的服务质量等级较高(高于用户设定的阈值)，则排除处于内存压力状态(与内存使用量有关，一般指内存使用量大于60％)的节点。

(3114)硬盘压力检查：排除处于硬盘压力状态(与硬盘使用量有关，一般指硬盘使用量大于60％)的节点，否则新容器会被节点上的Kubelet进程驱逐。

(3115)进程分配压力检查，排除处于进程分配压力状态(进程个数大于用户配置的阈值)的节点。

(3116)容器间硬约束亲和性检查，新容器需要满足节点上已有容器的硬约束反亲和性，同时也要满足新容器本身的硬约束亲和性与反亲和性。

(3117)容器暴露主机端口检查，排除新容器需要暴露的端口已经被已有容器占用的节点。

(3118)最低资源满足检查，节点余下可分配的资源需要满足新容器需要的最低cpu和内存请求。

(3119)节点选择器检查，如果容器设置了对节点的选择器或对节点的硬约束亲和性，则需要节点满足对应的域描述的要求。

(31110)污点容忍检查，对于被标记上污点的节点，只有节点上所有类型的污点属于新容器可容忍污点类型的时候，此节点才不会被排除。

(312)减少容器时，检查节点上是否有该类型的容器。预选通过的节点才能进入下一阶段。

(313)增加容器时，根据多种策略分别对节点打分，设定不同策略的权重，得到加权的总得分。优选策略包括：节点内资源均衡、镜像本地化、容器间软亲和约束、节点软约束亲和性、节点避免策略、节点间资源均衡策略、服务容灾策略、软约束污点容忍策略。减少容器时，根据多种策略分别对节点打分，设定不同策略的权重，得到加权的总得分。使用的优选策略包括：节点内资源均衡策略，节点间资源均衡策略，服务容灾策略。

(3131)节点内资源均衡策略，节点分配此容器后，如果各项资源分配率相差很大，节点得分会变低。

(3132)镜像本地化策略，节点上已有的镜像越多，下载镜像的网络成本和存储成本越低，节点得分越高。

(3133)容器间软亲和约束策略，与预选约束的容器间硬约束亲和性检查类似，但是软亲和不要求一定满足，只是以一定权重影响最终得分。

(3134)节点软约束亲和性策略，与节点的硬约束亲和性类似。

(3135)节点负载预测策略，根据下个时间片里节点的负载趋势，提前调整节点的优选得分。

(3136)节点避免策略，有些节点可能标记了要特意尽量避开一些容器，但是这是一个软约束，实在无法避开时也可以接受。

(3137)节点间资源均衡策略，节点分配此容器后，剩余资源比例约高，节点得分越高。

(3138)服务容灾策略，如果同一个服务大部分容器都在少数几个节点上，那么节点宕机、故障造成的后果会较为严重，因此需要分散服务的容器到不同的节点上，该节点拥有此服务下容器越多，得分越低。

(3139)软约束污点容忍策略，与预选策略的污点容忍检查类似，但只是以一定权重影响最终得分。

(314)每个节点的最终得分表示为p_i表示节点是否通过了预选阶段，通过为1否则为0，λ_i表示第i个策略的权重(由用户自主设置)，W_i表示该策略的得分，m表示策略总数。

(32)如图6所示模拟退火算法使用批量调度流程，调度器每次可以读入多个容器调度请求，每个解包含所有容器的调度节点结果，不断迭代生成符合预选条件的临近解，最后得到一个较高的解得分。

(321)生成初始解：生成一个可行的解作为当前解输入迭代过程，并定义一个大数作为初始温度。

(3211)对于一个容器调度请求的输入序列，给其中每一个容器，在满足该容器所有预选条件的节点中，随机分配一个节点，每个可行的分配方案称为一个可行解。

(3212)每个可行解表达为S＝{s₁，s₂，s₃，...，s_n}，s_i表示一个容器操作：从第1个到第i-1个容器操作完成后，第i个容器操作选择的节点是s_i，n表示容器调度请求总数。初始温度表示为T(通常设为100)。

(322)迭代过程，不断改变解，迭代生成新的解。

(3221)由一个产生函数从当前解产生一个位于解空间的新解，产生新解的方法如下。

(32211)对于当前解S＝{s₁，s₂，s₃，...，s_n}，随机选取一个容器调度操作s_j，假定s_j尚未执行，s₁～s_j-1和s_j+1～s_n都已执行，计算此时的集群状态缓存并保存为C_k，k表示迭代次数。

(32212)在这个集群状态下对第j个容器调度请求进行节点的预选阶段，在预选通过的节点中随机选取一个，生成s′_j，替换当前解的s_j，得到新解S′＝{s₁，s₂，s₃，...，s_j-1，s′_j，s_j+1，...，s_n}。

(3222)计算与新解所对应的目标函数差，计算的方法是，读取集群状态缓存C_k，在C_k下只计算新旧两解中s′_j与s_j的优选的分差ΔW作为最后的目标函数差，忽略其他容器操作。

(3223)如果ΔW＞0，接受新解S′；否则，以概率e^ΔW/T接受新解S′。

(3224)温度T自乘以退火系数r，循环进行下一轮(k+1轮)迭代。

(323)每次迭代完成后检查温度T是否到达最低温度T_min，或者解的实际得分W满足W＞W_enough，已经足够高，此时停止迭代。

(33)如图7所示，遗传算法使用批量调度流程，调度器每次可以读入多个容器调度请求，每个解包含所有容器的调度节点结果，生成符合预选条件的解的集合，在解的集合中不断地淘汰、生成新的解，最后得到一个较高得分的解的集合，选取最高得分的解。

(331)生成初始种群：多次重复生成初始解过程，形成多个可行解，构成一个初始种群，表示为M＝{S₁，S₂，S₃，...，S_l}，S_i表示可行解，l表示种群的大小。设置算法迭代次数。

(332)自然选择，淘汰重复的解。利用优选策略，求出种群每个解S_i的优选策略得分W_i，定义为适应度函数值。

(333)染色体交叉，在当前种群中，将解两两配对，每一对解以交叉概率p_c进行染色体交叉，交叉的方法如下：

(3331)当两个解S_a＝{s_a，1，s_a，2，s_a，3，...，s_a，n}和S_b＝{s_b，1，s_b，2，s_b，3，...，s_b，n}中的容器操作相等的比例超过近亲比率(范围为0.3-0.6)，即时，放弃交叉。

(3332)如果未放弃交叉，从1～n中随机选择一个位置k，两个解在这个位置之后的pod分配的节点对调，变成S′_a＝{s_a，1，s_a，2，s_a，3，...，s_a，k，s_b，k+1，...，s_b，n}和S′_b＝{s_b，1，s_b，2，s_b，3，...，s_b，k，s_a，k+1，...，s_a，n}。

(334)变异：在当前种群中，每一个解以变异概率p_m进行变异，变异的方法与模拟退火生成新解的方法相同。

(335)生成新的一代种群，以概率抽取当前种群中解，解S_j被抽取到的概率为每次抽取2个，选取其中得分高的那一个加入下一代种群，重复抽取过程，直至下一代种群的大小达到l。

(336)终止：重复上述(332)～(335)步骤，直至满足设定的循环次数为止，最后选择种群里得分W_i最高的S_i最为最终选择调度方案。

Claims (6)

1.一种面向二次调度的容器调度方法，其特征在于，包括以下步骤：

(1)从二次调度系统监听容器调度请求；

(2)获取容器云平台的实例数据，获取节点、服务、容器的实例运行状态，获取节点、服务、容器的资源数据与亲和性特征；

(3)触发运行设定的调度器，采用贪心算法、模拟退火算法、遗传算法中的一种进行容器调度，得到容器调度的逐个结果或批量结果；

所述容器调度请求包括要调度的容器的操作、容器服务类型、操作数量；所述要调度的容器的操作包括增加容器、减少容器；

所述节点资源数据包括CPU、内存和硬盘的使用率、可分配量、总容量、可分配容器数量和已有容器数量；所述节点亲和性特征包括标签、端口占用情况、节点状态标记、节点容器避免标记、污点属性；所述服务资源数据包括该服务下容器的列表、资源敏感类型；所述服务亲和性特征包括服务间亲和性和服务间反亲和性；所述容器资源数据包括CPU和内存的请求量、使用量；所述容器亲和性特征包括节点选择器、容器标签、节点亲和性、容器亲和性、容器反亲和性、需要的镜像列表、需要的端口、污点容忍属性；

所述步骤(3)中采用模拟退火算法进行容器调度包括以下步骤：

(3.1)读入容器调度请求序列，为每个容器随机分配一个满足该容器预选条件的节点，将该分配方案作为解S＝{s₁,s₂,s₃,…,s_n}，并设定初始温度T、终止分数W_enough、退火系数r、最低温度T_min；其中，s_i为容器调度操作，表示第i个容器分配的节点；n表示序列中容器调度请求总数；

(3.2)首先，从当前解S中，随机选取一个容器调度操作s_j，将s_j视为未执行，s₁～s_j-1和s_j+1～s_n视为已执行；在这个集群状态下对第j个容器调度请求进行节点的预选，在预选通过的节点中随机选取一个作为s′_j，替换当前解S的s_j，得到新解S′＝{s₁,s₂,s₃,…,s_j-1,s′_j,s_j+1,…,s_n}；然后，对s′_j和s_j进行打分，计算s′_j减去s_j的分差ΔW；如果ΔW＞0，接受新解S′；否则，以概率e^ΔW/T接受新解S′；

(3.3)此时，如果温度T大于最低温度T_min且解的得分W小于终止分数W_enough，则更新温度T＝T*r，跳转至步骤(3.2)进行下一轮循环迭代；否则，停止迭代得到最终解。

2.根据权利要求1所述面向二次调度的容器调度方法，其特征在于，所述步骤(3)中采用贪心算法进行容器调度包括以下步骤：

(2.1)逐个处理容器调度请求，根据要调度的容器的操作对节点进行预选；

(2.2)对步骤(2.1)中预选通过的节点进行打分，选择得分最高的节点作为调度节点。

3.根据权利要求1所述面向二次调度的容器调度方法，其特征在于，所述步骤(3)中采用遗传算法进行容器调度包括以下步骤：

(4.1)读入容器调度请求序列，为每个容器随机分配一个满足该容器预选条件的节点，将该分配方案作为一个解，并随机生成l个初始解，构成一个初始种群M＝{S₁,S₂,S₃,…,S_l}，其中S_i表示第i个解，l表示种群的大小；设定算法迭代次数、近亲比率r、交叉概率p_c、变异概率p_m；

(4.2)去掉种群中的重复可行解，更新l的值；

(4.3)将当前种群中的解随机两两配对，将每一对解以交叉概率p_c进行染色体交叉；所述染色体交叉为：两个解分别为S_a＝{s_a,1,s_a,2,s_a,3,…,s_a,n}、S_b＝{s_b,1,s_b,2,s_b,3,…,s_b,n}；当时，放弃交叉；否则，从1～n中随机选择一个位置k，将两个解中第k+1～n个容器分配的节点对调，变成S′_a＝{S_a,1,s_a,2,s_a,3,…,s_a,k,s_b,k+1,…,s_b,n}和S′_b＝{s_b,1,s_b,2,s_b,3,…,s_b,k,s_a,k+1,…,s_a,n}；

(4.4)对当前种群中每一个解以变异概率p_m执行和步骤(3.2)相同的操作；

(4.5)计算每个解的得分；从当前种群中抽取两个解，保留两者中得分较高的解作为下一代种群的解；其中，第j个解S_j被抽中的概率为W_j为解S_j的得分，/>为对所有解的得分求和；

(4.6)重复执行l次步骤(4.5)，得到下一代种群；

(4.7)以步骤(4.6)得到的下一代种群为当前种群，重复执行步骤(4.2)～(4.6)，直至达到步骤(4.1)设定的算法迭代次数为止，最后将种群里得分最高的解作为最终调度方案。

4.根据权利要求1～3中任一项所述面向二次调度的容器调度方法，其特征在于，预选规则为：

(5.1)增加容器时，检查节点的运行状态，CPU、内存和硬盘的压力，检查容器间亲和性与反亲和性和对节点的硬约束亲和性，检查节点选择器，检查污点与容忍条件，检查资源是否充足、端口是否冲突；

(5.2)减少容器时，检查节点上是否有该类型的容器。

5.根据权利要求1～3中任一项所述面向二次调度的容器调度方法，其特征在于，打分规则为：根据多种优选策略分别对节点打分，每个节点的最终得分为：

其中，p_i表示节点是否通过了预选阶段，通过为1否则为0；λ_i表示第i个优选策略的权重；W_i表示第i个优选策略的得分；m表示优选策略总数；所述解的得分为解中所有容器的调度节点的得分之和。

6.根据权利要求5所述面向二次调度的容器调度方法，其特征在于，所述优选策略为：

(7.1)当增加容器时，使用的优选策略为节点内资源均衡、镜像本地化、容器间软亲和约束、节点软约束亲和性、节点避免策略、节点间资源均衡策略、服务容灾策略、软约束污点容忍策略中的一种或几种；

(7.2)减少容器时，使用的优选策略为节点内资源均衡策略，节点间资源均衡策略，服务容灾策略中的一种或几种。