CN117439885A - 一种基于服务网格的Kubernetes容器调度方法及系统 - Google Patents

一种基于服务网格的Kubernetes容器调度方法及系统 Download PDF

Info

Publication number
CN117439885A
CN117439885A CN202311383008.6A CN202311383008A CN117439885A CN 117439885 A CN117439885 A CN 117439885A CN 202311383008 A CN202311383008 A CN 202311383008A CN 117439885 A CN117439885 A CN 117439885A
Authority
CN
China
Prior art keywords
agent
kubernetes
service grid
container
container scheduling
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.)
Pending
Application number
CN202311383008.6A
Other languages
English (en)
Inventor
崔思恒
罗韬
朱海
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 CN202311383008.6A priority Critical patent/CN117439885A/zh
Publication of CN117439885A publication Critical patent/CN117439885A/zh
Pending legal-status Critical Current

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
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0826—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network costs
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/133—Protocols for remote procedure calls [RPC]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及云原生技术领域，尤其是一种基于服务网格的Kubernetes容器调度方法，包括下述步骤：在Kubernetes集群中部署服务网格模块Istio；所述Kubernetes容器调度控制器以部署方式管理运行在集群中的节点上；根据节点划分为不同的域；在每个域中启动一个A2C算法的代理；所述代理接收容器调度的请求，所述代理通过多代理强化学习进行决策并计算获得即时奖励；评估所述决策的过程的成功或失败，且进行所述即时奖励的反馈；S8.获取所述决策的过程的评估信息。本发明还公开了基于服务网格的Kubernetes容器调度系统。本发明能够优化Kubernetes集群的容器分布，有效减少跨节点、跨交换机、跨机房的相互流量，保证服务质量及降低成本。

Description

一种基于服务网格的Kubernetes容器调度方法及系统
技术领域
本发明涉及云原生技术领域，尤其是一种基于服务网格的Kubernetes容器调度方法及系统
背景技术
随着云计算、大数据、人工智能等技术的迅速发展，企业对于高效、可靠和可扩展的IT系统和应用程序的需求越来越迫切。在这样的背景下，云原生技术应运而生，成为当今IT技术领域的一个热门话题。云原生着眼于利用新的IT技术和开发方法，构建可弹性扩展、优化自我治理的应用程序，从而使得企业更好地适应快速变化的市场和竞争环境。它利用容器化的架构和自动化的运维方式，实现了快速迭代、连续部署等敏捷开发的理念，同时在安全、可靠性等方面提供了一些解决方案。
Kubernetes是云原生技术栈中的一个核心组件，它提供了完善的容器编排平台，为容器化的应用程序提供了扩展、管理、自动化等服务，可以帮助用户更轻松地部署和运维复杂的分布式应用程序。使用Kubernetes，我们可以轻松地管理众多的容器实例、监控它们的运行状态、动态伸缩它们的数量等，从而提供更强大和高效的IT系统和应用程序。
服务网格是云原生技术的另一项关键技术，它主要是为了解决微服务间通信、控制和治理问题，通过提供较高层面的抽象，实现了可靠、安全和可观测的服务间通信机制。服务网格也是建立在容器化的基础设施之上的，它将服务间通信作为一个单独的网络层次来看待，从而可以提供更灵活和可扩展的应用程序设计和管理方式。它通常是由一组轻量级代理或sidecar组成，会被插入到每一个服务实例中，以使服务之间的通信更可靠、更灵活、更简单。服务网格还提供了可视化、监控和安全性等方面的支持，以帮助管理复杂的微服务架构。服务网格可以为每个服务提供可视化和监控能力，以诊断问题、收集指标和跟踪流量；同时可以基于各种策略来管理流量。
结合上述技术，Kubernetes、服务网格都是建立在分布式系统和容器化架构之上的，它们共同致力于提供更高效、可靠、安全和可扩展的IT系统和应用程序，这对于当今企业和组织来说是非常关键的。然而，要充分发挥Kubernetes和服务网格的优势主要有以下困难和挑战：
1.大量数据的问题，服务网格需要收集大量的指标和流量数据，需要对这些数据进行处理分析，这需要高效的数据处理方案；
2.容器调度的问题，为了最大化资源利用率并保证应用程序的高可用性，服务网格需要在容器级别上实现智能化的调度和管理；
3.混合云的问题，Kubernetes可以运行在混合云环境上，不同云环境的节点之间通过公网隧道或者专线网络进行互相调用，这带来了额外的延时、不稳定性和专线流量开销。
发明内容
为了解决上述问题，本发明提供一种基于服务网格的Kubernetes容器调度方法及系统，能够优化Kubernetes集群的容器分布，有效减少跨节点、跨交换机、跨机房的相互流量，保证服务质量及降低成本。
为了实现上述目的，本发明采用的技术方案为：
一种基于服务网格的Kubernetes容器调度方法，包括下述步骤，
S1.在Kubernetes集群中部署服务网格模块Istio，以获得集群容器之间的调用关系、调用量及网络流量；
S2.初始化基于服务网格的Kubernetes容器调度控制器至Kubernetes集群中，且所述Kubernetes容器调度控制器以部署方式管理运行在集群中的节点上；
S3.所述Kubernetes容器调度控制器根据节点划分为不同的域，且将所述节点分配至特定的域中；
S4.所述Kubernetes容器调度控制器在每个域中启动一个A2C算法的代理；
S5.所述Kubernetes容器调度控制器根据容器创建的需求，向每个所述代理发送容器调度的请求；
S6.所述代理接收容器调度的请求，所述代理与所述Kubernetes容器调度控制器、其他代理及所述服务网格模块Istio进行数据互交，所述代理通过互交数据及所述域中的A2C算法计算容器位置，且所述代理通过多代理强化学习进行决策，以优化容器的调度，通过访问所述Kubernetes容器调度控制器的决策，以根据容器调度情况和域间流量计算获得即时奖励；
S7.所述Kubernetes容器调度控制器汇聚各所述代理的决策，且评估所述决策的过程的成功或失败，且所述Kubernetes容器调度控制器将所述即时奖励反馈至各个所述代理；
S8.获取所述决策的过程的评估信息，若所述决策的过程评估为成功，通过kube-scheduler进行容器调度；若所述决策的过程评估为失败，重复步骤S5-步骤S7。
进一步地，在步骤S1中，所述服务网格模块Istio通过为每个服务设置sidecar，以收集指标及跟踪流量。
进一步地，在步骤S6中，所述决策包括以特定的优先级调度值所述域的某个节点上，或拒绝调度至该所述域。
进一步地，在步骤S6中，所述代理与所述Kubernetes容器调度控制器、其他代理及服务网格模块Istio进行数据互交，以获得所负责的节点资源信息、相应的服务网格数据及所述代理自身的视角。
进一步地，所述代理通过所负责的节点资源信息，获取所述域内节点的资源数据和占用情况；所述代理访问相应的服务网格数据，获取服务之间的流量数据；所述代理通过自身的视角，观测其代理的决策。
进一步地，所述代理的多代理强化学习步骤包括：
S6.1随机初始化A2C算法的价值函数和策略网络；
S6.2在所述代理与所述Kubernetes容器调度控制器及其他代理的互交数据中获取训练元素，且将所述训练元素保存至经验池中；
S6.3执行所述A2C算法的决策过程及训练过程，且更新A2C算法内部的价值函数和策略网络；
S6.4重复执行步骤A2及步骤A3，以进行多代理强化学习。
进一步地，在步骤S6.3中，所述训练元素包括状态、动作及奖励，
所述状态包括每个节点的资源总量和已分配数量、基于服务网格采集的服务之间调用的流量数据及其他代理的决策所产生的信息；
所述动作包括根据观测值执行所述决策及所述决策的调度情况；
所述奖励包括即时奖励。
进一步地，在步骤S7中，当容器调度至资源不足的节点上、无代理决策将容器调度至所述域中或多个代理以相同的优先级抢占了容器的调度时，该所述决策被评估为失败。
一种基于服务网格的Kubernetes容器调度系统，包括控制器、代理模块及服务网络组件
所述控制器包括基于服务网络的Kubernetes容器调度控制器，且所述控制器用于根据节点划分为不同的域，且所述控制器还用于基于A2C算法的所述代理模块的创建及各个所述代理模块的决策的处理；
所述代理模块用于A2C算法的实现，且所述代理模块通过多代理强化学习进行决策；
所述服务网络组件包括服务网格模块Istio，且所述服务网络组件用于集群容器之间的调用关系、调用量及网络流量获取。
进一步地，所述代理模块包括数据子模块及算法子模块，所述数据子模块用于通过与所述控制器、所述服务网络组件及其他代理模块进行数据互交，以通过所负责的节点资源信息获取所述域内节点的资源数据和占用情况、以通过访问相应的服务网格数据获取服务之间的流量数据、以通过自身的视角，观测其代理的决策；
所述算法子模块用于A2C算法的执行，且通过多代理强化学习训练A2C算法。
本发明的有益效果是：
容器调度方法要充分了解和适应这样多元和动态的环境，将关系密切的容器调度到相同或相邻节点上运行，优化Kubernetes集群的容器分布，可以有效减少跨节点、跨交换机、亦或是跨机房的相互流量，从而达到保证服务质量、降低流量成本的效果。而本发明将Kubernetes、服务网格和A2C算法相结合，利用容器化、自动化和智能化三种方式，实现对分布式系统的自动化优化和智能学习。通过容器调度方法，将关系密切的容器调度到相同或相邻节点上运行，优化Kubernetes集群的容器分布，可以有效减少跨节点、跨交换机、亦或是跨机房的相互流量，从而保证服务质量、降低成本。大大提升了系统的效率和可靠性，减少手动干预和人为错误的风险，具有广泛的应用前景和商业价值。
附图说明
图1是本发明一较佳实施方式的基于服务网格的Kubernetes容器调度方法的流程图。
图2是本发明一较佳实施方式的基于服务网格的Kubernetes容器调度系统的框架图。
图3是本发明一较佳实施方式的基于服务网格的Kubernetes容器调度系统的代理数据互交图。
图中，1-控制器，2-代理模块，21-数据子模块，22-算法子模块，3-服务网络组件。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请同时参见图1至图3，本发明一较佳实施方式的基于服务网格的Kubernetes容器调度方法，包括下述步骤，
S1.在Kubernetes集群中部署服务网格模块Istio，以获得集群容器之间的调用关系、调用量及网络流量。
在步骤S1中，服务网格模块Istio通过为每个服务设置sidecar，以收集指标及跟踪流量。本实施例中，服务网格模块Istio通过为每个服务设置sidecar，提供可视化和监控能力，进而进行指标收集和流量跟踪；这些数据包括服务间调用的历史流量以及当前流量等信息，可以全面掌握集群容器之间的调用关系、调用量及网络流量。
S2.初始化基于服务网格的Kubernetes容器调度控制器至Kubernetes集群中，且Kubernetes容器调度控制器以部署方式管理运行在集群中的节点上。
本实施例中，Kubernetes容器调度控制器以部署方式管理运行在集群中的master节点上，同时Kubernetes容器调度控制器用于根据节点划分为不同的域、创建基于A2C算法的代理并且处理各代理的决策。
S3.Kubernetes容器调度控制器根据节点划分为不同的域，且将节点分配至特定的域中。
本实施例中，Kubernetes容器调度控制器根据节点划分域，将每个节点分配到特定的域中。默认情况下，每个节点被视为一个域；用户可以根据需要，将同一机柜下的多个节点或同一机房的多个节点设置成一个域。控制器可以根据本发明提供的容器调度方法进行域间的网络流量优化。
S4.Kubernetes容器调度控制器在每个域中启动一个A2C算法的代理。本实施例中，A2C算法通过多代理强化学习来优化容器的调度。
S5.Kubernetes容器调度控制器根据容器创建的需求，向每个代理发送容器调度的请求。
S6.代理接收容器调度的请求，代理与Kubernetes容器调度控制器、其他代理及服务网格模块Istio进行数据互交，代理通过互交数据及域中的A2C算法计算容器位置，且代理通过多代理强化学习进行决策，以优化容器的调度，通过访问Kubernetes容器调度控制器的决策，以根据容器调度情况和域间流量计算获得即时奖励。
在步骤S6中，在步骤S6中，决策包括以特定的优先级调度值域的某个节点上，或拒绝调度至该域。
在步骤S6中，代理与Kubernetes容器调度控制器、其他代理及服务网格模块Istio进行数据互交，以获得所负责的节点资源信息、相应的服务网格数据及代理自身的视角。优选地，代理通过所负责的节点资源信息，获取域内节点的资源数据和占用情况；代理访问相应的服务网格数据，获取服务之间的流量数据；代理通过自身的视角，观测其代理的决策。
在步骤S6中，代理的多代理强化学习步骤包括：
S6.1随机初始化A2C算法的价值函数和策略网络；
S6.2在代理与Kubernetes容器调度控制器及其他代理的互交数据中获取训练元素，且将训练元素保存至经验池中；
S6.3执行A2C算法的决策过程及训练过程，且更新A2C算法内部的价值函数和策略网络；
S6.4重复执行步骤A2及步骤A3，以进行多代理强化学习。
在步骤S6.3中，训练元素包括状态、动作及奖励，
状态包括每个节点的资源总量和已分配数量、基于服务网格采集的服务之间调用的流量数据及其他代理的决策所产生的信息。状态为获取每个节点的资源总量和已分配数量、基于服务网格采集的服务之间调用的流量数据以及其他代理的决策所产生的信息。
动作包括根据观测值执行决策及决策的调度情况。动作根据观测值执行决策，即是否将该容器调度到域内；如果需要调度到域内，则选择相应的节点进行调度，并确定调度优先级。
奖励包括即时奖励，即时奖励利用容器调度情况和域间流量计算获得，即时奖励与该容器是否在整个集群内成功调度正相关，与该容器产生的域间流量负相关。据此设置的奖励值，可以保证在容器调度成功的前提下，尽可能减少域间流量的产生。
S7.Kubernetes容器调度控制器汇聚各代理的决策，且评估决策的过程的成功或失败，且Kubernetes容器调度控制器将即时奖励反馈至各个代理。
在步骤S7中，当容器调度至资源不足的节点上、无代理决策将容器调度至域中或多个代理以相同的优先级抢占了容器的调度时，该决策被评估为失败。本实施例的即时奖励充分考虑了域间流量的影响，有效降低不同节点、不同交换机、以及不同机房间之间的流量，以提高服务质量并降低流量成本。
S8.获取决策的过程的评估信息，若决策的过程评估为成功，通过kube-scheduler进行容器调度；若决策的过程评估为失败，重复步骤S5-步骤S7。
本实施例还公开了一种基于服务网格的Kubernetes容器调度系统，包括控制器1、代理模块2及服务网络组件3。
控制器1包括基于服务网络的Kubernetes容器调度控制器，且控制器1用于根据节点划分为不同的域，且控制器1还用于基于A2C算法的代理模块2的创建及各个代理模块2的决策的处理。
代理模块2用于A2C算法的实现，且代理模块2通过多代理强化学习进行决策，从而优化容器的调度。
本实施例的代理模块2包括数据子模块21及算法子模块22。
数据子模块21用于通过与控制器1、服务网络组件3及其他代理模块进行数据互交，以通过所负责的节点资源信息获取域内节点的资源数据和占用情况、以通过访问相应的服务网格数据获取服务之间的流量数据、以通过自身的视角，观测其代理的决策。
数据模块21是实现代理与外界的数据交互，包括以下方面：访问集群服务网格，获取服务之间的流量数据；获取本域内节点的资源数据和占用情况；观测其他代理的决策行为，并与其他代理进行信息交换；访问控制器获取本次决策获得的即使奖励。
算法子模块22用于A2C算法的执行，且通过多代理强化学习训练A2C算法。
算法子模块22是实现深度强化学习中的A2C算法，同时结合了策略优化、价值评估和优势学习，以实现对分布式系统的自动化优化和智能学习。算法子模块22内置有经验池，以用于训练元素的存储。
服务网络组件3包括服务网格模块Istio，且服务网络组件用于集群容器之间的调用关系、调用量及网络流量获取。

Claims (10)

1.一种基于服务网格的Kubernetes容器调度方法，其特征在于：包括下述步骤，
S1.在Kubernetes集群中部署服务网格模块Istio，以获得集群容器之间的调用关系、调用量及网络流量；
S2.初始化基于服务网格的Kubernetes容器调度控制器至Kubernetes集群中，且所述Kubernetes容器调度控制器以部署方式管理运行在集群中的节点上；
S3.所述Kubernetes容器调度控制器根据节点划分为不同的域，且将所述节点分配至特定的域中；
S4.所述Kubernetes容器调度控制器在每个域中启动一个A2C算法的代理；
S5.所述Kubernetes容器调度控制器根据容器创建的需求，向每个所述代理发送容器调度的请求；
S6.所述代理接收容器调度的请求，所述代理与所述Kubernetes容器调度控制器、其他代理及所述服务网格模块Istio进行数据互交，所述代理通过互交数据及所述域中的A2C算法计算容器位置，且所述代理通过多代理强化学习进行决策，以优化容器的调度，通过访问所述Kubernetes容器调度控制器的决策，以根据容器调度情况和域间流量计算获得即时奖励；
S7.所述Kubernetes容器调度控制器汇聚各所述代理的决策，且评估所述决策的过程的成功或失败，且所述Kubernetes容器调度控制器将所述即时奖励反馈至各个所述代理；
S8.获取所述决策的过程的评估信息，若所述决策的过程评估为成功，通过kube-scheduler进行容器调度；若所述决策的过程评估为失败，重复步骤S5-步骤S7。
2.根据权利要求1所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：在步骤S1中，所述服务网格模块Istio通过为每个服务设置sidecar，以收集指标及跟踪流量。
3.根据权利要求1所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：在步骤S6中，所述决策包括以特定的优先级调度值所述域的某个节点上，或拒绝调度至该所述域。
4.根据权利要求1所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：在步骤S6中，所述代理与所述Kubernetes容器调度控制器、其他代理及服务网格模块Istio进行数据互交，以获得所负责的节点资源信息、相应的服务网格数据及所述代理自身的视角。
5.根据权利要求4所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：所述代理通过所负责的节点资源信息，获取所述域内节点的资源数据和占用情况；所述代理访问相应的服务网格数据，获取服务之间的流量数据；所述代理通过自身的视角，观测其代理的决策。
6.根据权利要求4所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：所述代理的多代理强化学习步骤包括：
S6.1随机初始化A2C算法的价值函数和策略网络；
S6.2在所述代理与所述Kubernetes容器调度控制器及其他代理的互交数据中获取训练元素，且将所述训练元素保存至经验池中；
S6.3执行所述A2C算法的决策过程及训练过程，且更新A2C算法内部的价值函数和策略网络；
S6.4重复执行步骤A2及步骤A3，以进行多代理强化学习。
7.根据权利要求6所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：在步骤S6.3中，所述训练元素包括状态、动作及奖励，
所述状态包括每个节点的资源总量和已分配数量、基于服务网格采集的服务之间调用的流量数据及其他代理的决策所产生的信息；
所述动作包括根据观测值执行所述决策及所述决策的调度情况；
所述奖励包括即时奖励。
8.根据权利要求1所述的一种基于服务网格的Kubernetes容器调度方法，其特征在于：在步骤S7中，当容器调度至资源不足的节点上、无代理决策将容器调度至所述域中或多个代理以相同的优先级抢占了容器的调度时，该所述决策被评估为失败。
9.一种基于服务网格的Kubernetes容器调度系统，其特征在于，包括控制器(1)、代理模块(2)及服务网络组件(3)，
所述控制器(1)包括基于服务网络的Kubernetes容器调度控制器，且所述控制器(1)用于根据节点划分为不同的域，且所述控制器(1)还用于基于A2C算法的所述代理模块(2)的创建及各个所述代理模块(2)的决策的处理；
所述代理模块(2)用于A2C算法的实现，且所述代理模块(2)通过多代理强化学习进行决策；
所述服务网络组件(3)包括服务网格模块Istio，且所述服务网络组件用于集群容器之间的调用关系、调用量及网络流量获取。
10.根据权利要求9的一种基于服务网格的Kubernetes容器调度系统，其特征在于：所述代理模块(2)包括数据子模块(21)及算法子模块(22)，所述数据子模块(21)用于通过与所述控制器(1)、所述服务网络组件(3)及其他代理模块进行数据互交，以通过所负责的节点资源信息获取所述域内节点的资源数据和占用情况、以通过访问相应的服务网格数据获取服务之间的流量数据、以通过自身的视角，观测其代理的决策；
所述算法子模块(22)用于A2C算法的执行，且通过多代理强化学习训练A2C算法。
CN202311383008.6A 2023-10-24 2023-10-24 一种基于服务网格的Kubernetes容器调度方法及系统 Pending CN117439885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311383008.6A CN117439885A (zh) 2023-10-24 2023-10-24 一种基于服务网格的Kubernetes容器调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311383008.6A CN117439885A (zh) 2023-10-24 2023-10-24 一种基于服务网格的Kubernetes容器调度方法及系统

Publications (1)

Publication Number Publication Date
CN117439885A true CN117439885A (zh) 2024-01-23

Family

ID=89557787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311383008.6A Pending CN117439885A (zh) 2023-10-24 2023-10-24 一种基于服务网格的Kubernetes容器调度方法及系统

Country Status (1)

Country Link
CN (1) CN117439885A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117729204A (zh) * 2024-02-06 2024-03-19 山东大学 一种基于监控感知的k8s容器调度方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117729204A (zh) * 2024-02-06 2024-03-19 山东大学 一种基于监控感知的k8s容器调度方法及系统
CN117729204B (zh) * 2024-02-06 2024-05-10 山东大学 一种基于监控感知的k8s容器调度方法及系统

Similar Documents

Publication Publication Date Title
Wang et al. Intelligent cognitive radio in 5G: AI-based hierarchical cognitive cellular networks
CN113448721A (zh) 算力处理的网络系统及算力处理方法
Chowdhury et al. A survey study on internet of things resource management
Skarlat et al. A framework for optimization, service placement, and runtime operation in the fog
US8264971B2 (en) Method for managing resources in a platform for telecommunication service and/or network management, corresponding platform and computer program product therefor
CN107020635B (zh) 在多机器人上运行多主节点机器人操作系统的方法
Takefusa et al. An advance reservation-based co-allocation algorithm for distributed computers and network bandwidth on QoS-guaranteed grids
Guim et al. Autonomous lifecycle management for resource-efficient workload orchestration for green edge computing
CN117439885A (zh) 一种基于服务网格的Kubernetes容器调度方法及系统
Mouradian et al. Application component placement in NFV-based hybrid cloud/fog systems
CN112365366A (zh) 一种基于智能化5g切片的微电网管理方法及系统
Zhou et al. Automatic network slicing for IoT in smart city
Shen et al. Edgematrix: A resource-redefined scheduling framework for sla-guaranteed multi-tier edge-cloud computing systems
Baresi et al. PAPS: A serverless platform for edge computing infrastructures
Garg et al. SDN-NFV-aided edge-cloud interplay for 5G-envisioned energy internet ecosystem
Bumgardner et al. Cresco: A distributed agent-based edge computing framework
CN115934344A (zh) 异构分布式强化学习计算方法、系统及存储介质
Marian Artificial Intelligence-Based Algorithm for Resources Allocation
CN114490049A (zh) 在容器化边缘计算中自动分配资源的方法及系统
Saravanan et al. Improving map reduce task scheduling and micro-partitioning mechanism for mobile cloud multimedia services
CN117591285A (zh) 一种算力资源调度分配系统及方法
CN117395251A (zh) 资源调度方法、装置和计算机可读存储介质
CN116136799A (zh) 算力调度管理侧设备及方法、算力提供侧设备及方法
WO2022177455A1 (en) Method and system for optimizing resource and traffic management of a computer execution environment in a vran
Wu et al. Private cloud system based on boinc with support for parallel and distributed simulation

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