發(fā)布時(shí)間：2021-04-28 01:05

　　隨著云計(jì)算的飛速發(fā)展,支撐云計(jì)算的虛擬化技術(shù)也更加成熟。Docker容器虛擬化技術(shù)是目前該領(lǐng)域的研究熱點(diǎn),Docker容器具有標(biāo)準(zhǔn)化應(yīng)用發(fā)布、計(jì)算資源消耗低、快速部署和啟動(dòng)的優(yōu)勢(shì),是承載云平臺(tái)的主流技術(shù)之一。但是云服務(wù)的并發(fā)訪問往往具有突發(fā)性,這時(shí)云平臺(tái)的工作負(fù)載會(huì)急劇增加,需要快速增加計(jì)算資源來維持服務(wù)質(zhì)量。同樣地,在流量下降時(shí),也需要根據(jù)負(fù)載量減少空閑資源以降低成本。因此自動(dòng)伸縮功能對(duì)云平臺(tái)來說至關(guān)重要。本文的具體工作如下:（1）本文分析了Docker集群構(gòu)建所面臨的關(guān)鍵問題,針對(duì)Docker集群的網(wǎng)絡(luò)通信和鏡像共享的問題,分別使用Calico與Harbor進(jìn)行解決,實(shí)現(xiàn)了Docker集群的構(gòu)建。（2）在研究了GM（1,1）模型和BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)之上,提出一種組合式預(yù)測(cè)模型,利用BP神經(jīng)網(wǎng)絡(luò)模型為灰色預(yù)測(cè)模型的預(yù)測(cè)結(jié)果完善非線性誤差,使預(yù)測(cè)結(jié)果兼顧線性與非線性兩個(gè)方面。并且根據(jù)這種組合式預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行資源調(diào)度。（3）針對(duì)集群的資源監(jiān)控、負(fù)載均衡、服務(wù)發(fā)現(xiàn)問題,建立了基于CAdvisor與Heapster的資源監(jiān)控子系統(tǒng)、基于Haproxy的高可用負(fù)載均衡和基于Cons... 

【文章來源】：西安工程大學(xué)陜西省

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容
    1.4 論文的章節(jié)介紹
2 相關(guān)技術(shù)介紹
    2.1 云計(jì)算概述
    2.2 虛擬化技術(shù)概述
    2.3 Docker容器技術(shù)
        2.3.1 Docker概述
        2.3.2 Docker網(wǎng)絡(luò)通信
        2.3.3 Docker文件系統(tǒng)
        2.3.4 Docker對(duì)于傳統(tǒng)虛擬化的優(yōu)勢(shì)
    2.4 本章小結(jié)
3 Docker集群的構(gòu)建
    3.1 Docker集群構(gòu)建所面臨的關(guān)鍵問題
    3.2 自動(dòng)伸縮Docker集群系統(tǒng)總體架構(gòu)設(shè)計(jì)
    3.3 集群私有鏡像倉庫的建立與改進(jìn)
        3.3.1 Docker鏡像原理
        3.3.2 鏡像倉庫的建立
        3.3.3 基于Harbor的集群鏡像倉庫
    3.4 Calico對(duì)集群網(wǎng)絡(luò)的建立與改進(jìn)
        3.4.1 Docker集群網(wǎng)絡(luò)概述
        3.4.2 Calico介紹
        3.4.3 使用Calico建立集群網(wǎng)絡(luò)
    3.5 本章小結(jié)
4 基于GM(1,1)與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)算法
    4.1 預(yù)測(cè)算法的分類
    4.2 灰色模型
        4.2.1 GM(1,1)模型的建模思想
        4.2.2 GM(1,1)預(yù)測(cè)序列預(yù)處理
    4.3 BP神經(jīng)網(wǎng)絡(luò)模型
        4.3.1 BP神經(jīng)網(wǎng)絡(luò)概述
        4.3.2 BP神經(jīng)網(wǎng)絡(luò)信號(hào)傳遞和誤差修正
    4.4 一種基于GM(1,1)與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型
        4.4.1 集群負(fù)載預(yù)測(cè)系統(tǒng)模型建立
        4.4.2 工作負(fù)載的特性分析
        4.4.3 基于GM(1,1)與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型
    4.5 本章小結(jié)
5 基于預(yù)測(cè)的自動(dòng)伸縮研究與實(shí)現(xiàn)
    5.1 基于預(yù)測(cè)的自動(dòng)伸縮的問題分析
    5.2 Docker集群監(jiān)控子系統(tǒng)
        5.2.1 集群監(jiān)控子系統(tǒng)的組成
        5.2.2 CAdvisor和Heapster介紹
        5.2.3 集群狀態(tài)監(jiān)控子系統(tǒng)內(nèi)部交互流程
        5.2.4 集群監(jiān)控子系統(tǒng)的實(shí)現(xiàn)
    5.3 基于Haproxy的高可用負(fù)載均衡
        5.3.1 Haproxy介紹
        5.3.2 負(fù)載均衡的實(shí)現(xiàn)
        5.3.3 keepalived對(duì)負(fù)載均衡高可用性的完善
    5.4 Docker集群自動(dòng)伸縮的設(shè)計(jì)
        5.4.1 自動(dòng)伸縮內(nèi)部模塊工作流程
        5.4.2 基于Consul的自動(dòng)服務(wù)發(fā)現(xiàn)
        5.4.3 伸縮組規(guī)則定義
        5.4.4 基于預(yù)測(cè)的自動(dòng)伸縮策略
    5.5 基于預(yù)測(cè)的自動(dòng)伸縮Docker集群的實(shí)現(xiàn)
        5.5.1 自動(dòng)伸縮集群子系統(tǒng)組成
        5.5.2 系統(tǒng)整體類圖
        5.5.3 系統(tǒng)界面圖
    5.6 本章小結(jié)
6 系統(tǒng)測(cè)試
    6.1 實(shí)驗(yàn)環(huán)境搭建及配置
    6.2 預(yù)測(cè)模型實(shí)驗(yàn)
        6.2.1 預(yù)測(cè)效果評(píng)價(jià)指標(biāo)
        6.2.2 實(shí)驗(yàn)數(shù)據(jù)獲取
        6.2.3 預(yù)測(cè)實(shí)驗(yàn)及結(jié)果分析
    6.3 彈性伸縮測(cè)試
        6.3.1 測(cè)試方案
        6.3.2 測(cè)試結(jié)果
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 本文內(nèi)容總結(jié)
    7.2 未來后續(xù)工作
參考文獻(xiàn)
作者攻讀學(xué)位期間科研成果
致謝



本文編號(hào)：3164498