[发明专利]大规模突访情境下容器云弹性供给时间点预测方法与系统

说明书

技术领域

本发明属于计算机技术领域，更具体地，涉及一种大规模突访情境下容器云弹性供给时间点预测方法与系统。

背景技术

随着云服务网络环境的日益复杂化，系统面临的请求负载存在着较大的突发性和不确定性。为了解决大规模突发访问情境下的云资源弹性控制问题，需要通过对云资源进行合理的调度和扩展，来满足用户对于系统资源的常规和突发性需求。已有的虚拟机集群管理策略需要有效应对这种突发场景下的服务响应速度需求，大规模突发访问情境对应用载体性能要求高，容器技术比较好的适应了这种需求。以容器为代表的容器技术基于操作系统分时复用机制，将应用程序绑定到一套完整的沙箱运行环境中，系统资源消耗小、启动快，并可采用横向扩展策略应对突发的流量高峰。容器技术能够快速的针对系统瓶颈组件进行横向扩展，来有效的应对突发负载。为了尽量减少资源调整对服务响应的影响，需要提前进行容器资源的预测。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种大规模突访情境下容器云弹性供给时间点预测方法与系统，其目的在于根据当前系统负载预测容器供给时间点从而提前进行容器资源的预测，从而有效的应对突发负载，尽量减少资源调整对服务响应的影响。

为实现上述目的，按照本发明的一个方面，提供了一种大规模突访情境下容器云弹性供给时间点预测方法，包括如下步骤：

(1)建立容器供给时间预测模型，所述容器供给时间预测模型包括突发负载特征曲线，其中突发负载特征曲线的纵坐标为负载的吞吐量，横坐标为时间；所述容器供给时间预测模型还包括需要求取的容器供给开始点、容器预测点和容器供给结束点；

(2)监测容器系统的负载数据；

(3)根据所述负载数据，采用移动平均法计算预测点的负载斜率，当预测点的负载斜率满足预设斜率条件时，将所述预测点对应的容器供给开始点与容器预测点确定为所述容器系统的容器供给开始点与容器预测点；

(4)利用三次指数平滑法来预测后续时段的负载变化趋势，当后续时段的负载变化趋势满足设定趋势变化条件时将相应曲线位置对应的时间点确定为容器供给结束点，从而确定由所述容器供给开始点和容器供给结束点所组成的容器供给区间。

本发明的一个实施例中，在所述步骤(3)中利用移动平均法求取系统的容器供给开始点与容器预测点具体为：

(3.1)以最近系统负载实际值的一次移动平均值为起点，以二次移动平均值来计算预测曲线的截距和预测曲线的斜率，即：

式中，k′为趋势预测的期数，为预测曲线的截距，为预测曲线的斜率，LN_i为预测时期的期数，代表LN_i期的一次移动均值，代表第二期的二次移动均值；代表第二期的一次移动均值，代表LN_i期的二次移动均值；

(3.2)根据上述和建立趋势移动平均法的预测模型，求取负载预测值：

其中为第LN_i+k′期的预测负载；

(3.3)根据负载预测值计算负载曲线在LN_i+k′期的斜率，若LN_i+k′时期负载增量预测结果满足预设斜率条件时，将所述LN_i作为容器供给开始点，将LN_i+k′作为容器预测点。

本发明的一个实施例中，根据负载预测值计算负载曲线在LN_i+k′期的斜率，具体为：

计算资源预测点LN_i+k′时期的负载增长斜率其中为资源预测点LN_i+k′时期的预测负载，为资源预测点LN_i时期的预测负载。

本发明的一个实施例中，在所述步骤(3)中还包括根据负载趋势变化的斜率大小对步幅大小step进行动态调整，具体为：

根据斜率值进行下次预测期数的步幅step大小的调整：依据函数关系来获得新的步幅取值step_new，step_old为调整前的步幅取值。

本发明的一个实施例中，所述步骤(4)中利用三次指数平滑法来预测后续时段的负载变化趋势，具体为：

其中为LN_i+1期的负载预测值，为LN_i期的负载实际值，为LN_i期的负载预测值，α为平滑系数。

本发明的一个实施例中，所述平滑系数α为：