發(fā)布時間：2020-10-26 14:42

　　 隨著云計算技術(shù)的進步和容器技術(shù)的快速發(fā)展,微服務架構(gòu)的概念逐漸在業(yè)界流行起來,越來越多的微服務應用被部署到容器環(huán)境中。微服務的主要目的在于通過將一個大的功能模塊分解為多個可單獨運行的服務以降低功能之間的耦合度。運用容器技術(shù)將微服務及其運行環(huán)境進行統(tǒng)一打包處理,可以很好的降低平臺的運維成本和資源成本,但這同時也給容器平臺的管理帶來了新的挑戰(zhàn)。由于容器規(guī)模的擴大,平臺的監(jiān)控對象從單個服務應用變?yōu)槿萜饕约霸谌萜髦羞\行的服務應用,這使容器平臺的監(jiān)控管理變得更加復雜。再者,由于在容器中運行的服務各不相同,對資源的需求量也不一致,因此如何對資源進行合理分配將是急需解決的一大難題。此外,由于各服務產(chǎn)生的日志數(shù)據(jù)格式多樣且數(shù)據(jù)量呈指數(shù)級增長,如何對這些日志數(shù)據(jù)進行統(tǒng)一管理又將成為另一難題。針對這一系列問題,論文從以下三方面進行深入研究:第一,在spring mvc架構(gòu)的基礎(chǔ)上,本文應用prometheus技術(shù)、cAdvisor技術(shù)、flume技術(shù)實現(xiàn)對容器平臺的性能監(jiān)控和日志數(shù)據(jù)的統(tǒng)一管理功能。第二,針對容器平臺的資源合理分配問題,對現(xiàn)有的響應式彈性伸縮方案和預測式彈性伸縮方案進行深入研究后提出了基于組合預測模型的容器彈性伸縮方案。結(jié)合ARIMA模型和SVM模型在短期時間序列預測上面的優(yōu)點,設計了一種基于ARIMA和SVM的組合預測算法模型。在監(jiān)控服務的基礎(chǔ)上,將容器的性能數(shù)據(jù)作為數(shù)據(jù)源進行多次訓練實驗,相對于現(xiàn)有的預測算法模型而言,組合預測算法的準確率提高了近10個百分點,其準確率可達91.95%,這為實現(xiàn)預測式容器彈性伸縮提供了有力的判定條件。第三,結(jié)合監(jiān)控服務提供的數(shù)據(jù)源和訓練好的組合預測算法模型,設計并實現(xiàn)了預測式彈性伸縮功能。將監(jiān)控服務、日志服務以及彈性伸縮服務部署到容器環(huán)境中進行測試。結(jié)果顯示,相對于響應式彈性伸縮方案和基于ARIMA模型和SVM模型的預測式彈性伸縮方案而言,本文提出的組合預測式彈性伸縮方案在資源的合理利用上表現(xiàn)更優(yōu)。此外,本文設計的監(jiān)控服務、日志服務也很好的解決了當前容器平臺面臨的不易監(jiān)控、信息分散的問題。這充分證明了本課題研究的理論意義和實用價值。
【學位單位】：西南交通大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP393.09
【部分圖文】：

圖 2-2 Prometheus 架構(gòu)圖[43]2.1.2.2 cAdvisorcAdvisor 是由 Google 自主研發(fā)的一款監(jiān)控工具。主要用于對容器以及集群節(jié)點的性能數(shù)據(jù)進行監(jiān)控和采集，cAdvisor 集成在 kubelet 組件中。由于一個節(jié)點對應一個kubelet，一個 kubelet 對應一個 cAdvisor。因此，一個 cAdvisor 只能監(jiān)控一個節(jié)點。此外，通過配置 kubelet 相應的參數(shù)，cAdvisor 可對外提供 API。由于 cAdvisor 自身不支持數(shù)據(jù)存儲功能，通常 cAdvisor 會與 influxDB 相結(jié)合使用。influxDB 是一種時序數(shù)據(jù)庫，主要以時間序列的形式存儲數(shù)據(jù)。2.1.2.3 日志采集相關(guān)技術(shù)海量日志數(shù)據(jù)的收集模型是日志數(shù)據(jù)采集的關(guān)鍵，日志采集模塊又是容器日志服務的核心。所以選擇一個正確的日志收集模型十分重要。pull 和 push 模型是目前最常用的兩種模型。在不同的環(huán)境中，這兩種模型各有優(yōu)劣，其中實時性表現(xiàn)最為突出。push 模型實時性好，收到數(shù)據(jù)后立馬可以發(fā)送，而 pull 模型取決于 pull 的間隔時間。push 模型除了在實時性方面具有很好的效果外，在數(shù)據(jù)的可靠性方面也有很好的優(yōu)勢，當服務死機或因其他因素中斷時，push 模型會將服務器的當前狀態(tài)保存，恢復后再重

圖3-7 CPU利用率變化圖.2.2.2 ARIMA 算法模型實現(xiàn)通過前面對ARIMA模型的原理研究，畫出ARIMA模型的建模過程如圖3-8所示。面將結(jié)合具體的試驗數(shù)據(jù)對ARIMA模型的建模過程進行詳細闡述。開始畫出觀測數(shù)據(jù)時間序列圖判斷數(shù)據(jù)是否滿足平穩(wěn)性要求？差分運算判斷數(shù)據(jù)是否滿足白噪聲檢測？參數(shù)估計模式識別預測滿足滿足原始數(shù)據(jù)滿足不滿足是

西南交通大學碩士研究生學位論文 第 24 頁Step1. 畫時間序列圖：在確定ARIMA模型之前，首先數(shù)據(jù)對其進行預處理，并繪制時間序列圖以觀察數(shù)據(jù)中是否存在季節(jié)性趨勢。如圖3-9所示，經(jīng)分析CPU利用率不存在季節(jié)性趨勢。圖 3-9 時間序列圖Step2. 平穩(wěn)性檢測：為了確定原始序列中沒有隨機趨勢或者確定趨勢，接著對序列進行平穩(wěn)性檢測。本章分別從自相關(guān)圖、adf檢測、kpss檢測等三個方面對序列的平穩(wěn)性進行檢測。測試結(jié)果如表3-1所示。由于ARIMA模型中的d表示在差分變換之后序列滿足平穩(wěn)性的順序，因此根據(jù)該步驟d值為1。表3-1 平穩(wěn)性檢測結(jié)果表檢測方式數(shù)據(jù)序列adf檢測 adf檢測對應p值 kpss檢測 kpss檢測對應p值原序列 非平穩(wěn) 0.1296 非平穩(wěn) 0.1108一階差分序列 平穩(wěn) 1.6989×10-9平穩(wěn) 1.0893×10-6Step3. 白噪聲檢測：為了驗證序列中的有用信息是否被完全提取，則對序列執(zhí)行白噪聲檢測。文章采取LB統(tǒng)計量的方法進行白噪聲檢測，檢測結(jié)果如表3-2所示，從表中可以看出該數(shù)據(jù)存在使用價值。表3-2 白噪聲檢測結(jié)果表數(shù)據(jù)序列 是否白噪聲 對應的p值原序列 非白噪聲 5.7822×10-6一階差分序列 白噪聲 0.2389Step4. 模式匹配：由于采用直接觀察法確定p，q值可能出現(xiàn)誤差
【相似文獻】

相關(guān)期刊論文 前10條

1 喻如俊;;稗草影響后季稻產(chǎn)量預測式的研究[J];植物保護學報;1988年02期

2 郭金榮;卜一;李玉民;;應用逐步回歸推導粘蟲發(fā)生程度預測式[J];內(nèi)蒙古農(nóng)業(yè)科技;1989年04期

3 高仲傳;;“預測式復習法”教改實踐與體會——提高學生自主學習能力的思考與實踐[J];中國科教創(chuàng)新導刊;2013年03期

4 高東明，秦文勝，龔林根，秦維勤;水稻條紋葉枯病分品種預測式的建立和應用[J];浙江農(nóng)業(yè)科學;1995年03期

5 劉俊魁，鄧星權(quán)，陳祥林;第一代二化螟幼蟲發(fā)生高峰期預測式[J];湖南農(nóng)業(yè)大學學報;1995年05期

6 周光普;小麥赤霉病一種簡便預測式的研究與應用[J];植物保護;1991年03期

7 高仲傳;常杰;;“預測式復習法”課題研究中對學生問題意識的思考——讓課堂的“去問題”傾向成為過去[J];新課程(中);2015年03期

8 吳倫其;預測式教學法在政治課中的應用[J];政治課教學;2004年05期

9 趙淑芬;付云龍;唐建祥;代俊杰;;中華稻蝗發(fā)生量預報技術(shù)的改進及其預測式的試建[J];病蟲測報;1992年S1期

10 王紅梅;賈宗璞;張俊娜;;基于乒乓切換的預測式快速移動IPv6新方案[J];計算機工程;2008年03期

相關(guān)碩士學位論文 前6條

1 趙塵;組合預測式容器彈性伸縮方案的研究與實現(xiàn)[D];西南交通大學;2019年

2 陳志剛;工業(yè)設備預測式健康狀態(tài)在線評估[D];廣東工業(yè)大學;2019年

3 李剛;預測式外呼算法研究及呼叫系統(tǒng)原型設計[D];重慶大學;2016年

4 黃放;基于時間購買的預測式運維服務供應鏈收益分配公平性研究[D];西安理工大學;2017年

5 朱超杰;基于軟交換的預測式外呼系統(tǒng)的設計與實現(xiàn)[D];華南理工大學;2013年

6 白戈;反應式營銷下的CRM[D];西南財經(jīng)大學;2007年

本文編號：2857129