Kubernetes容器云是当前流行的云计算技术,其默认的弹性伸缩方法HPA(Horizontal Pod Autoscaler)能对云原生应用进行横向扩缩容。但该方法存在以下问题:基于单一负载指标,使其难以适用于多样化云原生应用;基于当前负载进行弹性伸缩,使...Kubernetes容器云是当前流行的云计算技术,其默认的弹性伸缩方法HPA(Horizontal Pod Autoscaler)能对云原生应用进行横向扩缩容。但该方法存在以下问题:基于单一负载指标,使其难以适用于多样化云原生应用;基于当前负载进行弹性伸缩,使扩缩容过程具有明显的滞后性;基于滑动时间窗口算法进行弹性缩容,使缩容过程缓慢易造成系统资源浪费。针对上述问题,文中提出一种改进的弹性伸缩方法。设计一种动态加权融合算法将多种负载指标融合为综合负载因子,全面反映云原生应用的综合负载。提出CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)-ARIMA(Autoregressive Integrated Moving Average Model)预测模型,基于该模型的预测负载值实现预先弹性伸缩以应对突发流量。提出快速缩容与滑动时间窗口相结合的方法,在确保应用服务质量的基础上减少系统资源浪费。实验结果表明,相较于HPA机制,改进的弹性伸缩方法在应对首次突发流量时的平均响应时间缩短了336.55%,流量结束后系统资源占用减少了50%,再次遇到突发流量时能迅速扩容,平均响应时间缩短66.83%。展开更多
针对Kubernetes内置弹性伸缩策略导致Pod水平扩容存在响应延迟,从而导致应用服务质量(Quality of Service,QoS)下降的问题。对Kubernetes进行了深入研究,提出了一种预测与响应相结合的弹性伸缩策略(PR策略)对原内置策略进行优化。该策...针对Kubernetes内置弹性伸缩策略导致Pod水平扩容存在响应延迟,从而导致应用服务质量(Quality of Service,QoS)下降的问题。对Kubernetes进行了深入研究,提出了一种预测与响应相结合的弹性伸缩策略(PR策略)对原内置策略进行优化。该策略采用基于变分模态分解(Variable Modal Decomposition,VMD)和长短期记忆网络(Long Short Term Memory,LSTM)相结合的组合模型进行Pod扩容量预测。VMD-LSTM模型采用VMD对原始时间序列进行分解,通过自适应的方式将非平稳性数据变为较为平稳的数据,同时将分解后各分量输入LSTM进行预测,然后相加各分量的预测值得到最终预测结果,Kubernetes根据预测结果进行伸缩操作。在阿里云Clustertrace-v2018部分数据集上进行模型精确度实验,发现与单一模型ARIMA、BRR、LSTM、组合模型GRU-LSTM、EMD-LSTM相比,VMD-LSTM具有更高的预测精度。由于预测模型可能会出现一定误差,并且负载可能会突然增加到达峰值,故在扩容阶段引入响应式算法弥补预测式算法的不足。实验结果表明,相比Kubernetes内置弹性伸缩策略,所提策略能够降低响应延迟时间和提高QoS。展开更多
针对Kubernetes默认水平伸缩策略在高并发场景下因间歇时间而导致集群规模无法及时扩展,进而易引发集群性能下降甚至宕机的问题,提出了一种基于加权变分减法双向长短期记忆网络模型(INFO-VMD-SABO-BiLSTM,IVS-BiLSTM)的容器水平伸缩策...针对Kubernetes默认水平伸缩策略在高并发场景下因间歇时间而导致集群规模无法及时扩展,进而易引发集群性能下降甚至宕机的问题,提出了一种基于加权变分减法双向长短期记忆网络模型(INFO-VMD-SABO-BiLSTM,IVS-BiLSTM)的容器水平伸缩策略。该策略通过将负载预测值输入Pod水平伸缩器(Horizontal Pod Autoscaler,HPA)进行主动扩容,提升了集群对负载变化的感知能力。实验结果表明,所提的IVS-BiLSTM混合预测模型在平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)3项指标上分别减少到LSTM的44.29%、44.34%和43.03%,并且较其他主流算法在精度上有显著提升;改进的容器水平伸缩策略在相同负载条件下能够提前扩容,证明了该策略在生产中的可行性。展开更多
文摘Kubernetes容器云是当前流行的云计算技术,其默认的弹性伸缩方法HPA(Horizontal Pod Autoscaler)能对云原生应用进行横向扩缩容。但该方法存在以下问题:基于单一负载指标,使其难以适用于多样化云原生应用;基于当前负载进行弹性伸缩,使扩缩容过程具有明显的滞后性;基于滑动时间窗口算法进行弹性缩容,使缩容过程缓慢易造成系统资源浪费。针对上述问题,文中提出一种改进的弹性伸缩方法。设计一种动态加权融合算法将多种负载指标融合为综合负载因子,全面反映云原生应用的综合负载。提出CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)-ARIMA(Autoregressive Integrated Moving Average Model)预测模型,基于该模型的预测负载值实现预先弹性伸缩以应对突发流量。提出快速缩容与滑动时间窗口相结合的方法,在确保应用服务质量的基础上减少系统资源浪费。实验结果表明,相较于HPA机制,改进的弹性伸缩方法在应对首次突发流量时的平均响应时间缩短了336.55%,流量结束后系统资源占用减少了50%,再次遇到突发流量时能迅速扩容,平均响应时间缩短66.83%。
文摘针对Kubernetes内置弹性伸缩策略导致Pod水平扩容存在响应延迟,从而导致应用服务质量(Quality of Service,QoS)下降的问题。对Kubernetes进行了深入研究,提出了一种预测与响应相结合的弹性伸缩策略(PR策略)对原内置策略进行优化。该策略采用基于变分模态分解(Variable Modal Decomposition,VMD)和长短期记忆网络(Long Short Term Memory,LSTM)相结合的组合模型进行Pod扩容量预测。VMD-LSTM模型采用VMD对原始时间序列进行分解,通过自适应的方式将非平稳性数据变为较为平稳的数据,同时将分解后各分量输入LSTM进行预测,然后相加各分量的预测值得到最终预测结果,Kubernetes根据预测结果进行伸缩操作。在阿里云Clustertrace-v2018部分数据集上进行模型精确度实验,发现与单一模型ARIMA、BRR、LSTM、组合模型GRU-LSTM、EMD-LSTM相比,VMD-LSTM具有更高的预测精度。由于预测模型可能会出现一定误差,并且负载可能会突然增加到达峰值,故在扩容阶段引入响应式算法弥补预测式算法的不足。实验结果表明,相比Kubernetes内置弹性伸缩策略,所提策略能够降低响应延迟时间和提高QoS。
文摘针对Kubernetes默认水平伸缩策略在高并发场景下因间歇时间而导致集群规模无法及时扩展,进而易引发集群性能下降甚至宕机的问题,提出了一种基于加权变分减法双向长短期记忆网络模型(INFO-VMD-SABO-BiLSTM,IVS-BiLSTM)的容器水平伸缩策略。该策略通过将负载预测值输入Pod水平伸缩器(Horizontal Pod Autoscaler,HPA)进行主动扩容,提升了集群对负载变化的感知能力。实验结果表明,所提的IVS-BiLSTM混合预测模型在平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)3项指标上分别减少到LSTM的44.29%、44.34%和43.03%,并且较其他主流算法在精度上有显著提升;改进的容器水平伸缩策略在相同负载条件下能够提前扩容,证明了该策略在生产中的可行性。
