基于微服務的網(wǎng)絡(luò)功能虛擬化編排架構(gòu)重構(gòu)與優(yōu)化
發(fā)布時間:2023-11-26 14:01
隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,網(wǎng)絡(luò)的規(guī)模越來越大,同時對于靈活性的需求也愈發(fā)增加。網(wǎng)絡(luò)功能虛擬化是網(wǎng)絡(luò)架構(gòu)發(fā)展的新方向,網(wǎng)絡(luò)功能虛擬化編排器是其中的重要組成部分,負責編排、運維等基礎(chǔ)性工作。本文對開源網(wǎng)絡(luò)功能虛擬化編排器項目OPEN-O進行調(diào)研,發(fā)現(xiàn)其現(xiàn)有架構(gòu)存在的問題。針對架構(gòu)短板,設(shè)計實現(xiàn)了基于Spring Cloud微服務框架的重構(gòu)方案。為了充分發(fā)揮微服務架構(gòu)的優(yōu)勢,通常將微服務以容器的形式部署在服務器上,并借助容器編排系統(tǒng)管理微服務容器,通過調(diào)整微服務副本數(shù)實現(xiàn)彈性伸縮。本文分析了當前最為流行的容器編排系統(tǒng)Kubernetes的彈性伸縮原理,是基于閡值的響應式伸縮。為了提高系統(tǒng)性能,增強服務穩(wěn)定性,本文對Kubernetes進行了增強,設(shè)計實現(xiàn)了基于負載預測的彈性伸縮模型。同時針對現(xiàn)有負載預測算法所存在的不足,文章提出了基于遞歸神經(jīng)網(wǎng)絡(luò)和多級注意力的負載預測算法模型RNNDA,算法綜合考慮了CPU、內(nèi)存、磁盤和網(wǎng)絡(luò)收發(fā)等多種因素對負載的影響,并加入了自注意力和時域注意力機制,做到了消除噪聲和學習到不同時刻數(shù)據(jù)對預測結(jié)果的重要性。經(jīng)過測試,驗證了相對于現(xiàn)有的負載預測算法,RNNDA具有更好...
【文章頁數(shù)】:64 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.3 研究內(nèi)容與創(chuàng)新工作
1.4 論文組織結(jié)構(gòu)
第二章 技術(shù)綜述
2.1 網(wǎng)絡(luò)功能虛擬化
2.1.1 NFV概述
2.1.2 開源網(wǎng)絡(luò)編排器
2.2 微服務
2.2.1 微服務概述
2.2.2 微服務框架
2.3 容器Docker與容器編排系統(tǒng)Kubernetes
2.3.1 Docker
2.3.2 Kubemetes
2.4 本章小結(jié)
第三章 基于遞歸神經(jīng)網(wǎng)絡(luò)和多級注意力的負載預測模型
3.1 問題描述
3.2 RNNDA模型的設(shè)計
3.2.1 遞歸神經(jīng)網(wǎng)絡(luò)(RNN)
3.2.2 RNNDA模型整體結(jié)構(gòu)
3.2.3 RNNDA中基于注意力的輸入特征變換
3.2.4 RNNDA中基于注意力的時域預測
3.2.5 RNNDA模型訓練
3.3 實驗及結(jié)果分析
3.3.1 阿里巴巴Cluster Trace Program數(shù)據(jù)
3.3.2 實驗對比算法
3.3.3 實驗模型細節(jié)
3.3.4 實驗性能結(jié)果
3.3.5 消融測試
3.4 本章小結(jié)
第四章 系統(tǒng)架構(gòu)設(shè)計
4.1 項目背景
4.1.1 OPEN-O系統(tǒng)分析
4.1.2 Kubernetes彈性伸縮策略
4.2 系統(tǒng)需求分析
4.2.1 網(wǎng)絡(luò)編排器重構(gòu)
4.2.2 彈性伸縮優(yōu)化
4.3 總體架構(gòu)設(shè)計方案
4.3.1 網(wǎng)絡(luò)編排器設(shè)計
4.3.2 彈性伸縮設(shè)計
4.4 本章小結(jié)
第五章 系統(tǒng)實現(xiàn)與測試
5.1 系統(tǒng)實現(xiàn)
5.1.1 網(wǎng)絡(luò)編排器重構(gòu)
5.1.2 基于負載預測的彈性伸縮實現(xiàn)
5.2 重構(gòu)測試
5.2.1 實驗環(huán)境
5.2.2 實驗設(shè)計
5.2.3 實驗結(jié)果與分析
5.3 本章小結(jié)
第六章 總結(jié)與展望
6.1 工作總結(jié)
6.2 未來工作與展望
參考文獻
致謝
攻讀學位期間取得的研究成果
本文編號:3867918
【文章頁數(shù)】:64 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.3 研究內(nèi)容與創(chuàng)新工作
1.4 論文組織結(jié)構(gòu)
第二章 技術(shù)綜述
2.1 網(wǎng)絡(luò)功能虛擬化
2.1.1 NFV概述
2.1.2 開源網(wǎng)絡(luò)編排器
2.2 微服務
2.2.1 微服務概述
2.2.2 微服務框架
2.3 容器Docker與容器編排系統(tǒng)Kubernetes
2.3.1 Docker
2.3.2 Kubemetes
2.4 本章小結(jié)
第三章 基于遞歸神經(jīng)網(wǎng)絡(luò)和多級注意力的負載預測模型
3.1 問題描述
3.2 RNNDA模型的設(shè)計
3.2.1 遞歸神經(jīng)網(wǎng)絡(luò)(RNN)
3.2.2 RNNDA模型整體結(jié)構(gòu)
3.2.3 RNNDA中基于注意力的輸入特征變換
3.2.4 RNNDA中基于注意力的時域預測
3.2.5 RNNDA模型訓練
3.3 實驗及結(jié)果分析
3.3.1 阿里巴巴Cluster Trace Program數(shù)據(jù)
3.3.2 實驗對比算法
3.3.3 實驗模型細節(jié)
3.3.4 實驗性能結(jié)果
3.3.5 消融測試
3.4 本章小結(jié)
第四章 系統(tǒng)架構(gòu)設(shè)計
4.1 項目背景
4.1.1 OPEN-O系統(tǒng)分析
4.1.2 Kubernetes彈性伸縮策略
4.2 系統(tǒng)需求分析
4.2.1 網(wǎng)絡(luò)編排器重構(gòu)
4.2.2 彈性伸縮優(yōu)化
4.3 總體架構(gòu)設(shè)計方案
4.3.1 網(wǎng)絡(luò)編排器設(shè)計
4.3.2 彈性伸縮設(shè)計
4.4 本章小結(jié)
第五章 系統(tǒng)實現(xiàn)與測試
5.1 系統(tǒng)實現(xiàn)
5.1.1 網(wǎng)絡(luò)編排器重構(gòu)
5.1.2 基于負載預測的彈性伸縮實現(xiàn)
5.2 重構(gòu)測試
5.2.1 實驗環(huán)境
5.2.2 實驗設(shè)計
5.2.3 實驗結(jié)果與分析
5.3 本章小結(jié)
第六章 總結(jié)與展望
6.1 工作總結(jié)
6.2 未來工作與展望
參考文獻
致謝
攻讀學位期間取得的研究成果
本文編號:3867918
本文鏈接:http://sikaile.net/guanlilunwen/ydhl/3867918.html
最近更新
教材專著