CN114389953B - 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统 - Google Patents

一种基于流量预测的Kubernetes容器动态扩缩容方法及系统 Download PDF

Info

Publication number
CN114389953B
CN114389953B CN202111658300.5A CN202111658300A CN114389953B CN 114389953 B CN114389953 B CN 114389953B CN 202111658300 A CN202111658300 A CN 202111658300A CN 114389953 B CN114389953 B CN 114389953B
Authority
CN
China
Prior art keywords
flow
training
request data
data
contraction
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.)
Active
Application number
CN202111658300.5A
Other languages
English (en)
Other versions
CN114389953A (zh
Inventor
崔思恒
韦克璐
赵凯麟
尹大力
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.)
China Asean Information Harbor Co ltd
Original Assignee
China Asean Information Harbor Co ltd
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 China Asean Information Harbor Co ltd filed Critical China Asean Information Harbor Co ltd
Priority to CN202111658300.5A priority Critical patent/CN114389953B/zh
Publication of CN114389953A publication Critical patent/CN114389953A/zh
Application granted granted Critical
Publication of CN114389953B publication Critical patent/CN114389953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0876—Aspects of the degree of configuration automation
    • H04L41/0886—Fully automatic configuration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于流量预测的Kubernetes容器动态扩缩容方法，涉及信息技术领域，解决现有的扩缩容机制反应不够迅速的技术问题，方法包括：获取Pod所属Deployment的流量请求数据；搭建生成对抗网络模型GAN、长短期记忆模型LSTM；根据流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块，流量增强模块输出流量增强数据；根据流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块；流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；根据预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。本发明还公开了一种基于流量预测的Kubernetes容器动态扩缩容系统。

Description

一种基于流量预测的Kubernetes容器动态扩缩容方法及系统
技术领域
本发明涉及信息技术领域，更具体地说，它涉及一种基于流量预测的Kubernetes容器动态扩缩容方法及系统。
背景技术
微服务是现阶段热门的互联网应用架构风格；一个单体应用程序可以被拆分成多个小的独立单元，每个单元提供一个单一且定义明确的功能，他们之间使用同步或者异步技术进行通信。软件容器非常适合微服务领域，可有效简化微服务的部署和运行时管理。目前，最流行的云原生容器编排框架是Kubernetes，它可以自动化容器配置、管理和通信。云计算最受重视的方面之一是向上或者向下扩展的能力。在Kubernetes平台上，容器的扩缩容可以由系统自动执行或者管理员手动执行。
由于云中负载的动态特性，对Pod进行自动扩缩容是具有挑战的。
Kubernetes提供了两种截然不同的Pod扩缩容机制，分别是水平伸缩(HPA)和垂直伸缩(VPA)。默认情况下，HPA和VPA都测量Pod的CPU使用率，使用基于阈值的策略来进行Pod的扩缩容，当测量到的Pod的指标超过阈值时，才能触发自动扩缩容机制。然而，Kubernetes没有提供更为有效地策略来实现对延迟敏感的应用程序进行扩缩容，在业务突发性较强的时间段，现有的扩缩容机制反应不够迅速。需要更加智能和精细化的自动扩缩容技术来适应当前业务突发性强的复杂云原生环境。
作为人工智能的最重要领域，机器学习算法在近年来得到快速发展，并且在人脸识别、智能推算等领域取得了大量的应用成果。目前机器学习算法正广泛应用到流量分析中，在训练机器学习模型实现流量预测等任务中，应用流量请求数据是最为关键的一部分，如果数据量较小，容易造成模型过拟合、降低模型泛化能力，以致于模型无法获取流量请求数据的分布规律，难以实现流量的预测。为了提高机器学习应用在Kubernetes云平台的效果，大量且高质量的应用流量请求数据是不可或缺的。然而在现实中，应用实时流量的存储有限，业务的变动也使保存下的流量请求数据有效性难以保证。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的一是提供一种基于流量预测的Kubernetes容器动态扩缩容方法，以应对业务请求的突发性，避免在业务量激增时出现的扩容不及时问题。
本发明的目的二是提供一种基于流量预测的Kubernetes容器动态扩缩容系统，以应对业务请求的突发性，避免在业务量激增时出现的扩容不及时问题。
为了实现上述目的一，本发明提供一种基于流量预测的Kubernetes容器动态扩缩容方法，包括：
步骤S1.获取Pod所属Deployment的流量请求数据；
步骤S2.搭建生成对抗网络模型GAN、长短期记忆模型LSTM，并确定所述生成对抗网络模型GAN及长短期记忆模型LSTM的神经网络的超参数；
步骤S3.根据所述流量请求数据对所述生成对抗网络模型GAN进行训练得到流量增强模块，所述流量增强模块输出流量增强数据；
步骤S4.根据所述流量请求数据、流量增强数据对所述长短期记忆模型LSTM进行训练得到流量预测模块；
步骤S5.所述流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；
步骤S6.根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。
作为进一步地改进，在步骤S1中，通过在Kubernetes集群中运行流量请求数据采集组件，来获取需要进行自动扩缩容的Pod所对应Deployment的流量请求数据；或者，通过监控组件Prometheus获取到该Deployment的历史流量请求数据。
进一步地，在步骤S2中，所述超参数包括激活函数种类、神经网络层数、神经元节点数、学习率。
进一步地，在步骤S2中，根据Deployment的流量请求数据情况和需要实现的预测精度来确定生成对抗网络模型GAN及长短期记忆模型LSTM的输入/输出维度。
进一步地，在步骤S3中，先将所述流量请求数据进行归一化处理，然后对所述生成对抗网络模型GAN进行训练。
进一步地，步骤S3包括：
步骤S31.从归一化处理后的流量请求数据中随机取出一定量的训练样本；
步骤S32.首先根据训练样本训练生成对抗网络模型GAN中的判别模型，需要保持生成对抗网络模型GAN中的生成模型的网络参数不变，对判别模型进行预设次数k次的训练；根据梯度下降算法更新判别模型的神经网络参数；
步骤S33.训练k次判别模型后，保持判别模型的网络参数不变，训练一次生成模型；根据梯度下降法更新生成模型的神经网络参数；
步骤S34.重复步骤S31～步骤S33，直到判别模型和生成模型均收敛，得到流量增强模块；
步骤S35.利用流量增强模块输出不同时段增强的流量增强数据；
步骤S36.根据均值或方差指标将流量增强数据和真实的流量请求数据进行比较来评估流量增强数据的有效性；如果有效性达标，则完成对流量增强模块的训练。
进一步地，将归一化处理后的流量请求数据与流量增强数据合并作为所述长短期记忆模型LSTM的训练数据。
进一步地，步骤S4包括：
步骤S41.从所述训练数据中随机取出一定量的训练样本，剩下的为测试集；
步骤S42.通过步骤S41中的训练样本训练所述长短期记忆模型LSTM，使所述长短期记忆模型LSTM的神经网络收敛，得到流量预测模块；
步骤S43.在测试集上验证流量预测模块的预测效果；如果能进行有效预测，则完成对流量预测模块的训练。
进一步地，在步骤S6中，自动扩缩容配置可以根据需要进行调整，配置条件应基于流量预测制定。
为了实现上述目的二，本发明提供一种基于流量预测的Kubernetes容器动态扩缩容系统，包括：
流量数据监控收集组件，用于获取并保存Deployment的流量请求数据；
流量预测组件，用于根据上述的Kubernetes容器动态扩缩容方法，通过所述流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块，所述流量增强模块输出流量增强数据；通过所述流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块；所述流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；
基于流量预测的Pod自动扩缩容组件，用于根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。
有益效果
本发明与现有技术相比，具有的优点为：
本发明通过搭建生成对抗网络模型GAN、长短期记忆模型LSTM，根据流量请求数据训练生成对抗网络模型GAN得到流量增强模块，流量增强模块输出流量增强数据，从而获得大量的训练数据；再通过流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块，可以有效解决因流量请求数据过少、流量特征不充分引起的LSTM预测模型在测试集上泛化能力差、预测效果不好的问题；通过流量预测模块可以对未来一段时间内的Deployment流量进行有效预测；基于预测流量，可以对Pod进行提前扩缩容，避免因为突发的流量请求造成短时间的响应时间延长问题。
附图说明
图1为生成对抗网络(GAN)与长短期记忆模型(LSTM)相结合的部署(Deployment)流量预测算法示意图；
图2为基于流量预测的Kubernetes容器动态扩缩容系统结构示意图。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1、2，一种基于流量预测的Kubernetes容器动态扩缩容方法，包括：
步骤S1.获取Pod所属Deployment的流量请求数据，可以通过在Kubernetes集群中运行流量请求数据采集组件，来获取需要进行自动扩缩容的Pod所对应Deployment的流量请求数据；或者，通过监控组件Prometheus获取到该Deployment的历史流量请求数据；
步骤S2.搭建生成对抗网络模型GAN、长短期记忆模型LSTM，并确定生成对抗网络模型GAN及长短期记忆模型LSTM的神经网络的超参数，超参数包括激活函数种类、神经网络层数、神经元节点数、学习率，或其他相关的参数，根据Deployment的流量请求数据情况和需要实现的预测精度来确定生成对抗网络模型GAN及长短期记忆模型LSTM的输入/输出维度；
步骤S3.根据流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块，流量增强模块输出流量增强数据，从而获得大量的训练数据，用于解决因流量请求数据过少、流量特征不充分引起的LSTM预测模型在测试集上泛化能力差、预测效果不好的问题；
步骤S4.根据流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块；
步骤S5.流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；
步骤S6.根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作，自动扩缩容配置可以根据需要进行调整，配置条件应基于流量预测制定，例如：未来x小时内，Deployment流量最大值达到y则将Pod扩容至n个。
在步骤S3中，先将流量请求数据进行归一化处理，然后对生成对抗网络模型GAN进行训练。步骤S3包括：
步骤S31.从归一化处理后的流量请求数据中随机取出一定量的训练样本；
步骤S32.首先根据训练样本训练生成对抗网络模型GAN中的判别模型，需要保持生成对抗网络模型GAN中的生成模型的网络参数不变，对判别模型进行预设次数k次的训练；根据梯度下降算法更新判别模型的神经网络参数；
步骤S33.训练k次判别模型后，保持判别模型的网络参数不变，训练一次生成模型；根据梯度下降法更新生成模型的神经网络参数；
步骤S34.重复步骤S31～步骤S33，直到判别模型和生成模型均收敛，得到流量增强模块；
步骤S35.利用流量增强模块输出不同时段增强的流量增强数据；
步骤S36.根据均值或方差指标将流量增强数据和真实的流量请求数据进行比较来评估流量增强数据的有效性；如果有效性达标，则完成对流量增强模块的训练。
在步骤S4中，将归一化处理后的流量请求数据与流量增强数据合并作为长短期记忆模型LSTM的训练数据。步骤S4包括：
步骤S41.从训练数据中随机取出一定量的训练样本，剩下的为测试集；
步骤S42.通过步骤S41中的训练样本训练长短期记忆模型LSTM，使长短期记忆模型LSTM的神经网络收敛，得到流量预测模块；
步骤S43.在测试集上验证流量预测模块的预测效果；如果能进行有效预测，则完成对流量预测模块的训练。
一种基于流量预测的Kubernetes容器动态扩缩容系统，包括：
流量数据监控收集组件，用于获取并保存Deployment的流量请求数据；
流量预测组件，用于根据上述的Kubernetes容器动态扩缩容方法，通过流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块，流量增强模块输出流量增强数据；通过流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块；流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；
基于流量预测的Pod自动扩缩容组件，用于根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。
由于云中负载的动态特性，对Pod进行自动扩缩容是具有挑战的。
Kubernetes提供了两种截然不同的Pod扩缩容机制，分别是水平伸缩(HPA)和垂直伸缩(VPA)。默认情况下，HPA和VPA都测量Pod的CPU使用率，使用基于阈值的策略来进行Pod的扩缩容，当测量到的Pod的指标超过阈值时，才能触发自动扩缩容机制。然而，Kubernetes没有提供更为有效地策略来实现对延迟敏感的应用程序进行扩缩容，在业务突发性较强的时间段，现有的扩缩容机制反应不够迅速。需要更加智能和精细化的自动扩缩容技术来适应当前业务突发性强的复杂云原生环境。
本发明中训练得到的流量增强模块、流量预测模块，可以对未来一段时间内的Deployment流量进行有效预测；基于预测流量，可以对Pod进行提前扩缩容，避免因为突发的流量请求造成短时间的响应时间延长问题。
此外，针对流量预测中数据量较小，容易造成模型过拟合、降低模型泛化能力的问题，利用的流量增强模块也可以有效解决。
以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。

Claims (8)

1.一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，包括：
步骤S1.获取Pod所属Deployment的流量请求数据；
步骤S2.搭建生成对抗网络模型GAN、长短期记忆模型LSTM，并确定所述生成对抗网络模型GAN及长短期记忆模型LSTM的神经网络的超参数；
步骤S3.根据所述流量请求数据对所述生成对抗网络模型GAN进行训练得到流量增强模块，所述流量增强模块输出流量增强数据；
步骤S4.根据所述流量请求数据、流量增强数据对所述长短期记忆模型LSTM进行训练得到流量预测模块；
步骤S5.所述流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；
步骤S6.根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作；
在步骤S2中，所述超参数包括激活函数种类、神经网络层数、神经元节点数、学习率；
在步骤S2中，根据Deployment的流量请求数据情况和需要实现的预测精度来确定生成对抗网络模型GAN及长短期记忆模型LSTM的输入/输出维度。
2.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S1中，通过在Kubernetes集群中运行流量请求数据采集组件，来获取需要进行自动扩缩容的Pod所对应Deployment的流量请求数据；或者，通过监控组件Prometheus获取到该Deployment的历史流量请求数据。
3.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S3中，先将所述流量请求数据进行归一化处理，然后对所述生成对抗网络模型GAN进行训练。
4.根据权利要求3所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，步骤S3包括：
步骤S31.从归一化处理后的流量请求数据中随机取出一定量的训练样本；
步骤S32.首先根据训练样本训练生成对抗网络模型GAN中的判别模型，需要保持生成对抗网络模型GAN中的生成模型的网络参数不变，对判别模型进行预设次数k次的训练；根据梯度下降算法更新判别模型的神经网络参数；
步骤S33.训练k次判别模型后，保持判别模型的网络参数不变，训练一次生成模型；根据梯度下降法更新生成模型的神经网络参数；
步骤S34.重复步骤S31～步骤S33，直到判别模型和生成模型均收敛，得到流量增强模块；
步骤S35.利用流量增强模块输出不同时段增强的流量增强数据；
步骤S36.根据均值或方差指标将流量增强数据和真实的流量请求数据进行比较来评估流量增强数据的有效性；如果有效性达标，则完成对流量增强模块的训练。
5.根据权利要求3所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，将归一化处理后的流量请求数据与流量增强数据合并作为所述长短期记忆模型LSTM的训练数据。
6.根据权利要求5所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，步骤S4包括：
步骤S41.从所述训练数据中随机取出一定量的训练样本，剩下的为测试集；
步骤S42.通过步骤S41中的训练样本训练所述长短期记忆模型LSTM，使所述长短期记忆模型LSTM的神经网络收敛，得到流量预测模块；
步骤S43.在测试集上验证流量预测模块的预测效果；如果能进行有效预测，则完成对流量预测模块的训练。
7.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法，其特征在于，在步骤S6中，自动扩缩容配置可以根据需要进行调整，配置条件应基于流量预测制定。
8.一种基于流量预测的Kubernetes容器动态扩缩容系统，其特征在于，包括：
流量数据监控收集组件，用于获取并保存Deployment的流量请求数据；
流量预测组件，用于根据权利要求1-7任一项所述的Kubernetes容器动态扩缩容方法，通过所述流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块，所述流量增强模块输出流量增强数据；通过所述流量请求数据、流量增强数据对长短期记忆模型LSTM进行训练得到流量预测模块；所述流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的流量请求进行预测，并输出预测值；
基于流量预测的Pod自动扩缩容组件，用于根据未来一段时间的预测值，结合自动扩缩容配置，通过apiserver对相应的Pod执行扩缩容操作。
CN202111658300.5A 2021-12-30 2021-12-30 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统 Active CN114389953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111658300.5A CN114389953B (zh) 2021-12-30 2021-12-30 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111658300.5A CN114389953B (zh) 2021-12-30 2021-12-30 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统

Publications (2)

Publication Number Publication Date
CN114389953A CN114389953A (zh) 2022-04-22
CN114389953B true CN114389953B (zh) 2024-03-19

Family

ID=81199196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111658300.5A Active CN114389953B (zh) 2021-12-30 2021-12-30 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统

Country Status (1)

Country Link
CN (1) CN114389953B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051920B (zh) * 2022-06-02 2023-07-18 北京邮电大学 一种能力开放架构下nfv能力网元扩容的方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874542A (zh) * 2018-06-07 2018-11-23 桂林电子科技大学 基于神经网络的Kubernetes调度优化方法
CN111026409A (zh) * 2019-10-28 2020-04-17 烽火通信科技股份有限公司 一种自动监控方法、装置、终端设备及计算机存储介质
CN112685153A (zh) * 2020-12-25 2021-04-20 广州奇盾信息技术有限公司 微服务调度方法、装置以及电子设备
US11194483B1 (en) * 2020-06-05 2021-12-07 Vmware, Inc. Enriching a storage provider with container orchestrator metadata in a virtualized computing system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202137078A (zh) * 2020-03-24 2021-10-01 廣達電腦股份有限公司 資料處理系統及資料處理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874542A (zh) * 2018-06-07 2018-11-23 桂林电子科技大学 基于神经网络的Kubernetes调度优化方法
CN111026409A (zh) * 2019-10-28 2020-04-17 烽火通信科技股份有限公司 一种自动监控方法、装置、终端设备及计算机存储介质
US11194483B1 (en) * 2020-06-05 2021-12-07 Vmware, Inc. Enriching a storage provider with container orchestrator metadata in a virtualized computing system
CN112685153A (zh) * 2020-12-25 2021-04-20 广州奇盾信息技术有限公司 微服务调度方法、装置以及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Kubernetes的容器云平台资源动态调度的研究与实现;马航;CNKI(第2020年第03期期);27-30 *

Also Published As

Publication number Publication date
CN114389953A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
US20220391771A1 (en) Method, apparatus, and computer device and storage medium for distributed training of machine learning model
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
CN111638958A (zh) 云主机负载处理方法、装置、控制设备及存储介质
CN109710404B (zh) 分布式系统中的任务调度方法
CN111950810B (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
CN110413657B (zh) 面向季节型非平稳并发量的平均响应时间评估方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
CN114389953B (zh) 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统
CN111327655A (zh) 多租户容器资源配额预测方法、装置及电子设备
CN112398700B (zh) 一种服务降级方法及装置、存储介质、计算机设备
CN116451594B (zh) 覆冰预测模型的训练方法、预测方法、装置和电子设备
CN114781692A (zh) 短期电力负荷预测方法、装置及电子设备
CN116244069A (zh) 一种扩缩容方法、装置、电子设备和可读存储介质
CN110796591A (zh) 一种gpu卡的使用方法及相关设备
CN113568759A (zh) 一种基于云计算的大数据处理方法及其系统
CN116627773B (zh) 产销差统计平台系统的异常分析方法及系统
CN109189973B (zh) 基于策略梯度的大规模图像检索方法及装置
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
KR20200080164A (ko) 애플리케이션 사용 패턴 분석에 기초한 메모리 관리 시스템 및 방법
CN116610416A (zh) 基于Kubernetes的负载预测型弹性伸缩系统及方法
CN116010228A (zh) 面向网络安全扫描的时间预估方法及装置
CN113779116B (zh) 对象排序方法、相关设备及介质
CN115866687A (zh) 一种车载边缘计算中服务协同缓存方法
CN111858332B (zh) 一种分布式系统的计算资源弹性测试方法和装置

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