[发明专利]一种基于自动伸缩Docker集群的组合预测方法

说明书

本发明公开的一种基于自动伸缩Docker集群的组合预测方法，通过负载预测每隔T时间从监控集群的数据中心中分别提取的历史CPU工作负载与内存工作负载时间序列，通过对时间序列数据进行线性和非线性时间序列的预测的融合，实现了Docker集群负载的预测，解决了并发访问的突发性导致的工作负载急剧增加和负载量的下降的问题，提高伸缩性能。在面对工作负载的急剧上升和下降时，组合式预测方法能更快地响应并进行扩容及缩容。

技术领域

本发明属于虚拟化技术领域，涉及一种基于自动伸缩Docker集群的组合预测方法。

背景技术

Docker是一种轻量级虚拟化技术，建立于Linux容器之上，构造了一个全新的容器引擎。自动伸缩是通过对Docker集群进行监控并且做出扩容和缩容。传统的自动伸缩存在一定的局限性，当遇到访问量爆发式增长，扩容不及时，就会导致服务质量变差，相反，遇到访问量突发下降，集群又没有及时释放资源，缩容以降低成本。

针对解决优化这突发式负载变化的问题，本发明提出一种组合预测方法，针对集群负载进行预测，提前解决负载均衡问题，节约扩容和缩容时间，提升自动伸缩性能。所提出的组合预测方法在线性部分采用GM(1,1)模型，通过对时间序列中隐含的灰色信息进行挖掘从而进行线性时间序列的预测，由于它的预测结果中不包含非线性关系，因此本发明在非线性部分采用BP神经网络模型，表达出数据的非线性关系。因为真实环境中的时间序列既包含非线性关系也包含线性关系，所以将两者融合便能同时表达出非线性与线性关系，并实现了工作负载预测的自动伸缩，预测应用未来某个时间段的资源需求量，然后基于预测值提前进行资源扩展和缩容。

发明内容

本发明的目的是提供一种基于自动伸缩Docker集群的组合预测方法，解决了并发访问的突发性导致的工作负载急剧增加时的及时扩容问题和集群负载量急剧下降的缩容问题，提高伸缩性能。

本发明所采用的技术方案是，一种基于自动伸缩Docker集群的组合预测方法，包括如下步骤：

步骤1、负载预测每隔T时间从监控集群的数据中心中分别提取各服务的历史CPU使用率X＝{X(1),X(2),X(3)...X(n)}与内存工作负载 Y＝{Y(1),Y(2),Y(3)...Y(n)}，并根据此负载序列进行负载预测；

步骤2、用GM(1,1)模型分别对历史CPU使用率X＝{X(1),X(2),X(3)...X(n)} 和内存工作负载Y＝{Y(1),Y(2),Y(3)...Y(n)}进行建模，分别表达出其中的线性关系，分别得到CPU工作负载预测值序列和内存工作负载预测值序列

步骤3、然后用BP神经网络对GM(1,1)模型产生的CPU工作负载预测值序列和内存工作负载预测值序列分别进行建模，得到CPU工作负载最终预测的误差序列e₁和内存工作负载最终预测的误差序列e₂；

步骤4、将CPU工作负载预测值序列与CPU工作负载最终预测的误差序列e₁相加得到修正误差后的CPU工作负载预测值序列将内存工作负载预测值序列与内存工作负载最终预测的误差序列e₂相加得到修正误差后的内存工作负载修正误差后的预测值序列

本发明的特点还在于，

步骤2具体为：