[发明专利]基于应用运行负载数据预测的容器资源弹性预伸缩方法

权利要求书

1.一种基于应用运行负载数据预测的容器资源弹性预伸缩方法，其特征在于：包括以下步骤：

步骤1、采用高性能小样本综合时间序列预测方法对当前容器负载数据进行预测计算；

步骤2、将步骤1得到的预测结果作为容器弹性伸缩的预期输入，计算出容器扩展目标；

步骤3、若容器扩展目标在当前已就绪资源内，则不做弹性伸缩，结束；若容器扩展目标高于当前已就绪资源，则转至步骤4；

步骤4、容器弹性伸缩至目标值；

步骤5、接受实际的负载请求量，判断当前资源是否满足使用预期目标；

步骤6、若满足目标，则转至步骤8；若不满足目标，则转至步骤7；

步骤7、将预测误差带来的容器资源误差覆盖的请求转入等待队列，并转至步骤4；

步骤8、消费请求队列，结束。

2.根据权利要求1所述的基于应用运行负载数据预测的容器资源弹性预伸缩方法，其特征在于：所述步骤1中的高性能小样本综合时间序列预测方法包括以下步骤：

步骤1.1、输入当前容器负载数据；

步骤1.2、将数据进行降噪处理；

步骤1.3、将降噪后的数据作为ARMA模型的输入变量进行初步计算；

步骤1.4、训练完成后记录标准结果，然后将残差数据作为SVM模型的输入变量进行进一步计算；

步骤1.5、将步骤1.3的计算结果和步骤1.4的计算结果相结合形成组合预测结果。

3.根据权利要求2所述的基于应用运行负载数据预测的容器资源弹性预伸缩方法，其特征在于：所述步骤1.3包括以下步骤：

步骤1.3.1、画时间序列图：在确定ARMA模型之前，首先对数据进行预处理，并绘制时间序列图以观察数据中是否存在季节性趋势；

步骤1.3.2、平稳性检测：从自相关图、adf检测、kpss检测三个方面对时间序列的平稳性进行检测；

步骤1.3.3、白噪声检测：采取LB统计量的方法进行白噪声检测；

步骤1.3.4、模式匹配：采用极大似然比方进行模型参数的估计，然后针对各个不同的模型，根据BIC信息标准用于对模型进行分类，并且确定最终的参数值以选择最优模型，从而选出最优模型。

4.根据权利要求2所述的基于应用运行负载数据预测的容器资源弹性预伸缩方法，其特征在于：所述步骤1.4包括以下步骤：

步骤1.4.1、数据归一化处理：选取ARMA模型预测的结果的残差值作为数据输入，采用sklearn.preprocessing.scale方法对原始应用运行负载数据进行正规化处理，使其分布在[0，1]之间；

步骤1.4.2、选择径向核函数RBF来构造模型；

步骤1.4.3、对步骤1.4.1的残差输入数据进行预测，将预测结果与ARMA预测结果进行组合求取均值。

5.根据权利要求1-4中任何一项所述的基于应用运行负载数据预测的容器资源弹性预伸缩方法，其特征在于：所述步骤4中的容器弹性伸缩的伸缩策略采用如下步骤制定的非线性的容器弹性伸缩策略：

步骤4.1、通过负载变化进行预期容器扩展目标计算，取得计算结果后与当前的容器服务能力进行拆分；

步骤4.2、将拆分结果向下取整数，作为标注运行单元的实施数量；

步骤4.3、整合一个独立的标准化容器，依据当前已实施值与目标值的差距，将该容器资源调整至差距值；

步骤4.4、将所有已实施集群融合，形成新的服务集群。