[发明专利]一种基于遗传算法的kubernetes云平台配置的优化方法

权利要求书

1.一种基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，该方法具体包括如下步骤：

S1：定义Pod的资源请求向量；

S2：定义服务器实例的剩余资源向量，所述剩余资源由可用资源减去目前分配到此实例的Pod的资源请求量得到；且所述剩余资源向量的排序方式与所述资源请求向量相同；

S3：进行编码，具体包括：

S3.1：对不同的实例类型使用自然数进行编号；

S3.2：对集群中的Pod进行编号，其中，被同一个kubernetes副本控制器管理的多个Pod具有相同的编号；

S3.3：对基因按照组的形式进行编码，其中，每个组用一个数字代表其实例类型，然后用一组数字代表部署在实例之上的Pod；

S4：生成初始种群；

S4.1：生成一个随机数m∈[1,n]作为实例数量，其中n表示集群中不同类型Pod的总数；

S4.2：生成一个随机数x∈[1,N_InstanceType]，取编号为x的实例类型放入基因内，重复m次，得到一个长度为m的实例组x₁,x₂,…,x_m；

S4.3：采用以下匹配算法将n个Pod放入实例组中：

（1）计算未放置到实例中的Pod的资源请求向量与所有实例的剩余资源向量之间的相似度，然后根据相似度降序排序形成Pod与实例的相似度降序配对序列；

（2）从相似度降序配对序列中取出第一个配对，如果配对中实例的剩余资源足够容纳此Pod，那么将此Pod放到此实例上，更新这个实例的剩余资源向量Resource_remaining=Resource_remaining-Resource_request，然后更新所有未放置Pod与这一实例的皮尔逊系数，然后更新相似度降序配对序列；如果配对中实例的剩余资源并不能容纳此Pod，则从相似度降序配对序列中去掉这一配对；

（3）重复执行步骤（2），直到所选实例无法放下Pod或所有Pod都被放到实例中时结束，结果作为生成的基因；

S4.5：重复步骤S4.1~S4.3共S次，得到S个不同的实例推荐-Pod部署方案，构成初始染色体种群；

S5：通过下式计算适应度函数Fitness

其中，ResouceUtility表示当前资源利用率，PlaceRate表示Pod成功放置率，W表示不同资源的价值，nr表示资源向量的维数，X_i表示第i个Pod的资源请求向量，Y_j表示实例j的剩余资源向量，p_i为中间变量；

S6：采用选择函数从S个不同的实例推荐-Pod部署方案中有放回地选择出S个方案；

S7：将S6选出的S个方案以交叉概率P_c作为父个体参与交叉，以1-P_c的概率直接保留；所述交叉具体如下：

S7.1：从参与交叉的方案中取两个作为父个体；

S7.2：使用任意交叉算法选择实例作为交叉实例，

S7.3：将父个体2中参与交叉的实例替代掉父个体1中参与交叉的实例；

S7.4：删除因交叉而重复出现的Pod；

S7.5：将未放置的Pod以S4.3的匹配算法放置到各实例中，形成子个体1；此处未放置的Pod包括S4.3中未放置Pod、交叉后丢失Pod、S7.4中删除的Pod；

S7.6：交换两个父个体，重复步骤S7.2~S7.4，形成子个体2；

S7.7：重复S7.1~S7.6，直至所有参与交叉的方案均生成子个体为止，由交叉组成的子个体和直接保留的个体组成新种群，也是S个；

S8：对S7生成的新种群中的每一个方案进行变异，当存在实例上的Pod变为未放置状态或存在原本就未能放置的Pod，则再次使用S4.3的匹配算法将其放置到各实例中；

S9：不断重复S5~S8，并将S8生成的结果作为S5的输入，当迭代次数达到设定的阈值或者当前资源利用率高于设定的阈值即停止算法；选取最终种群中Pod成功放置率为1并且资源利用率最高的方案作为最终方案。

2.根据权利要求1所述的基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，所述S6中的选择函数为轮盘赌选择算法。