【技術實現步驟摘要】
本專利技術屬于對虛擬化容器的高效調配的研究，具體涉及一種容器的資源分配、調度、管理及未來資源需求預測的提升資源利用率的方法。
技術介紹
1、隨著云計算和微服務架構的普及，企業對于靈活、高效的it基礎設施管理需求日益增長，傳統的物理服務器部署模式存在資源利用率低、部署周期長、擴展性差等問題，無法滿足現代企業對于快速部署、彈性伸縮的需求，虛擬化容器技術已經成為了現代it基礎設施的重要組成部分。虛擬化容器技術允許開發者在隔離的環境中運行應用程序，這種環境被稱為“容器”。每個容器都包含應用程序需要的所有庫和依賴項，這使得應用程序可以在不同的系統和平臺上以相同的方式運行。
2、然而，隨著容器的數量和復雜性的增加，對容器的管理和調配(也稱為編排)提出了新的挑戰。例如，如何有效地在物理服務器和虛擬機之間分配容器，如何處理容器之間的依賴關系，如何在容器失敗時保證服務的可用性等等。這些問題需要一種自動化的、可擴展的解決方案，以滿足大規模、高性能的it環境的需求。
3、為了解決這些問題，出現了一些虛擬化容器調配技術，如kubernetes、dockerswarm和apache?mesos等。這些技術提供了一種自動化的方式來部署、擴展和管理容器化應用程序。然而，這些現有的技術仍然存在一些限制和挑戰，如資源利用率低、調配策略不夠靈活、無法滿足特定應用場景的需求等。
4、因此，開發一種新的虛擬化容器調配技術，以解決現有技術的限制和挑戰，是當務之急。這種新的技術需要具有高度的自動化、靈活性和可擴展性，以滿足不斷變化的it
技術實現思路
1、針對現有容器調配技術的不足，本專利技術提供了一種基于機器學習的容器動態調配方法。
2、本專利技術旨在解決虛擬化容器在資源分配過程中，資源分配不平衡，工作負載之間資源競爭，大量的時間和性能消耗，且在容器的調度過程中，可能無法有效的利用集群中的資源，導致某些節點資源過度消耗，而其他節點資源卻被浪費，導致資源利用率不佳的問題。目的是在服務器運行過程中，根據容器的負載情況，動態進行調整，提高資源利用率，進一步提高資源分配的效率，減少所消耗的時間和性能。
3、首先，服務啟動后，每個服務請求可以看作是一個獨立的工作負載單元，通過管理單元模塊，根據每個請求對容器的需求，采用銀行家算法和優先級相結合的方法進行資源分配，找到合適的容器節點。如果沒有找到合適的容器，則創建一個新的容器，并將其分配給新容器。在服務器運行過程中，每個節點的負載變化可能不同。在調度單元模塊中，通過kubernetes部署自定義的負載均衡器來實現更靈活和定制化的負載均衡策略，動態的調度容器，從而更有效地利用系統資源。然后通過監控單元模塊獲得存儲的歷史負載數據，首先通過機器學習中的bilstm來學習歷史負載數據，以預測未來的負載模式，提高容器調度的效率，然后使用改進的粒子群優化算法進行容器的動態調度。然后再次通過監控單元模塊，監控集群的工作狀態，避免某一節點發生故障使系統無法工作，以確保集群的穩定性和可用性。跟蹤容器對cpu、內存等資源的使用情況，幫助管理員了解集群資源的利用率并存儲下來，將數據傳給數據分析單元模塊。將得到的數據進行分析，使用bilstm-attention-adaboost模型，將工作負載歷史數據作為輸入序列，如cpu使用率，內存使用率等作為輸入序列，預測虛擬化容器未來的資源需求(如cpu、內存等)，通過預測，服務器提前對容器進行合理的調度和資源配置，減少所消耗的時間和性能。
4、術語解釋：
5、1、銀行家算法：銀行家算法是一種避免死鎖的著名算法，它的核心思想是通過模擬銀行借貸系統的分配策略來確保操作系統的安全運行。在這個算法中，操作系統被比作銀行家，資源就像是資金，而進程則是需要貸款的客戶。銀行家算法允許進程動態地申請資源，但在分配資源之前，系統會先計算此次分配的安全性。如果分配后系統處于安全狀態，則分配資源；否則，系統會等待更合適的時機再進行資源分配。
6、2、節點：是指運行容器化應用程序的實際主機，節點負責接收kubernetes集群的任務，并執行這些任務。節點具有自己的資源，如cpu、內存和存儲空間，這些資源被pods(容器的邏輯組合)所共享。kubernetes的master節點負責管理和監控所有的節點，并將任務調度到適當的節點上執行。節點與master節點之間通過網絡通信，以便管理和協調容器的部署和運行。節點的數量可以根據需要進行擴展，從而適應不同規模和負載的應用程序。
7、3、機器學習：是一種人工智能(ai)的分支，其目標是通過讓計算機系統從數據中學習模式和規律，從而實現自主學習和改進。與傳統的程序設計不同，機器學習系統能夠從大量數據中自動識別模式，并通過訓練來調整和改進自身的算法，以提高性能。這種學習過程通常分為監督學習、無監督學習、半監督學習和強化學習等幾種范式。
8、4、粒子群優化算法(pso)是一種基于群體智能的優化算法，該算法是受鳥群覓食行為的啟發而設計的，它通過模擬鳥群的社會行為來尋找最優解。pso算法的核心思想是每個粒子代表問題空間中的一個潛在解，粒子在搜索空間中移動，并通過跟蹤兩個“極值”來更新自己的位置和速度：個體極值(pbest)和全局極值(gbest)。個體極值是粒子自身所找到的最優解，而全局極值是整個粒子群中所有粒子找到的最優解。
9、5、bilstm：雙向長短期記憶網絡，是一種特殊類型的循環神經網絡(rnn)，它能夠處理序列數據并保持長期記憶。與傳統的rnn模型不同，bilstm同時考慮了過去和未來的信息，使得模型能夠更好地捕捉序列數據中的上下文關系。這種結構特別適用于需要同時考慮前后文信息的任務，如自然語言處理中的詞性標注、命名實體識別、情感分析等。
10、6、adaboost：是一種流行的集成學習算法，屬于boosting家族的一員。它通過組合多個弱學習器來構建一個強學習器，以提高分類或回歸任務的性能。adaboost算法的核心思想是迭代地訓練一系列的弱分類器，并且每個后續的分類器都會關注前一個分類器錯誤分類的樣本。
11、本專利技術的技術方案為：
12、一種基于機器學習的容器動態調配方法，包括：
13、接收工作負載的請求，采用銀行家算法和優先級相結合的方法，對每個工作負載的請求進行容器的資源分配；
14、使用bilstm學習歷史負載數據，預測未來負載情況；
15、使用改進的粒子群優化算法，對容器進行動態的調度；
16、使用機器學習技術，進行特征提取，學習歷史數據的特征；
17、使用bilstm-attention-adaboost模型通過歷史時間序列的數據，預測未來資源的使用情況，提前進行部署。
18、根據本專利技術優選的，采用銀行家算法和優先級相本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的容器動態調配方法，其特征在于，包括：
2.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，采用銀行家算法和優先級相結合的方法，對每個工作負載請求進行容器的資源分配；包括：
3.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，使用BiLSTM學習歷史負載數據，預測未來負載情況；包括：
4.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，使用改進的粒子群優化算法，對容器進行動態的調度；包括：
5.根據權利要求4所述的一種基于機器學習的容器動態調配方法，其特征在于，步驟14中，適應度函數為：fitness＝α×error_rate+β×RF/D，其中，error_rate是調度方案的錯誤率，RF是資源利用率，D是資源需求總和，α和β是權重系數。
6.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，使用BiLSTM-Attention-Adaboost模型通過歷史時間序列的數據，預測未來資源的使用情況；包括：
7.根
8.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-7任一所述的一種基于機器學習的容器動態調配方法的步驟。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1-7任一所述的一種基于機器學習的容器動態調配方法的步驟。
10.一種基于機器學習的容器動態調配系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于機器學習的容器動態調配方法，其特征在于，包括：
2.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，采用銀行家算法和優先級相結合的方法，對每個工作負載請求進行容器的資源分配；包括：
3.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，使用bilstm學習歷史負載數據，預測未來負載情況；包括：
4.根據權利要求1所述的一種基于機器學習的容器動態調配方法，其特征在于，使用改進的粒子群優化算法，對容器進行動態的調度；包括：
5.根據權利要求4所述的一種基于機器學習的容器動態調配方法，其特征在于，步驟14中，適應度函數為：fitness＝α×error_rate+β×rf/d，其中，error_rate是調度方案的錯誤率，rf是資源利用率，d是資源需求總和，α和β是權重系數。
<...【專利技術屬性】
技術研發人員：徐麗娟，趙成曉，趙大偉，婁國慶，趙梓程，胡家睿，安保龍，
申請(專利權)人：齊魯工業大學山東省科學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。