[发明专利]一种基于时序预测的容器调度方法

说明书

一种基于时序预测的容器调度方法,包括以下步骤：s1：根据行业应用的特征选定其周期性；s2：时序预测模块从指标数据库获取监控系统采集的应用各种历史负载数据，根据应用的历史负载数据，利用时序预测算法，对所述应用的一个完整周期中的每个历史负载数据进行学习，预测出一个完整周期中每个时间点的资源特征值；s3：将上述资源特征值存放到缓存库中，供调度扩展模块使用；s4：创建一个新容器应用，在一个候选节点列表中根据优先级选择一个最优节点，并将所述新容器放置在该最优节点上。本发明的方法能够自动识别应用的特征，将不同高峰期的应用错峰部署，实现削峰填谷，提升整个集群的资源利用率和自动化运维水平。

技术领域

本发明属于电信运营商业务领域，尤其涉及一种基于时序预测的容器调度方法。

背景技术

电信运营商的业务运营支撑系统（Business&OperationSupportSystem，以下简称为BOSS系统）是一种复杂的企业级应用，分为CRM、计费、结算等多个子系统，包含数百个应用，在微服务架构下，应用是以容器方式发布并运行到容器集群中的，将容器放置到合适的节点上（以下这个过程也会称为调度），实现整个集群资源最大利用率是容器集群的核心功能。在微服务架构下，应用和容器是一一对应的（即一个容器内只部署一个应用）,因此在本发明的描述中，容器和应用会混合使用，都代表某种应用的容器，比如某容器的负载特征是指某种应用容器的负载特征。

在利用预测的资源调度方面，现有技术方案存在如下问题：

首先，基于预测来实现弹性伸缩或者动态迁移，即通过预测未来一段时间资源的使用量来调整现有部署（通过扩缩容或者动态迁移）。无论是伸缩还是迁移，是事后的优化，都有一定的变更成本。同时，容器往往承载的是微服务应用，本身是不断在创建和销毁的（比如版本升级时），与虚拟机场景是不同的，因此在放置阶段进行优化更为有效。

其次，现有的容器集群的调度算法使用了容器资源使用量这个参考因子，但是这个因子有两个问题，首先它是单值，单个值无法准确描述资源使用量，因为容器的资源使用往往是周期性的，不同时刻有高低峰。其次这个值是人工输入的经验值，需要人工评估，而微服务架构下一个系统是由大量应用组成的，人工方式不但不准确且工作量巨大。

最后，目前应用于这一领域的时序算法，主要的预测算法有ARIMA，但是ARIMA算法用于短期预测是有效的，无法准确拟合周期性波动，ARIMA算法的进一步改进SARIMA算法可以拟合周期性特征，但是计算量巨大，微服务应用数量较多时，SARIMA不具备实用性。

发明内容

为解决上述技术问题，本发明提出一种基于时序预测的容器调度方法，能够自动识别应用的特征，将不同高峰期的应用错峰部署，实现削峰填谷，提升整个集群的资源利用率和自动化运维水平。

为实现上述技术目的，本发明采用以下技术方案：

一种基于时序预测的容器调度方法,包括以下步骤：

s1：根据行业应用的特征选定其周期性，以确定所述应用的一个完整周期的资源使用情况；

s2：时序预测模块从指标数据库获取监控系统采集的应用各种历史负载数据，根据应用的历史负载数据，利用时序预测算法，对所述应用的一个完整周期中的每个历史负载数据进行学习，预测出一个完整周期中每个时间点的资源特征值；

s3：将上述资源部特征值存放到缓存库中，供调度扩展模块使用；

s4：创建一个新容器应用，在一个候选节点列表中根据优先级选择一个最优节点，并将所述新容器放置在该最优节点上；

s5：定时周期性执行步骤s2-s3，以保证特征值是及时有效的。

进一步的，在步骤s2中，时序预测时先用四分位算法对采集的历史负载数据进行异常值过滤，然后利用prophet算法拟合并预测出一个完整周期的资源特征值。