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
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。
