[發明專利]一種基于組合預測模型的Swarm集群調度方法

有效

• 申請號: 201910625563.2
• 申請日: 2019-07-11
• 公開（公告）號: CN110308981B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 孫寧;萬擁;王彬;李昌澔
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G06F9/48
• 分類號: G06F9/48;G06F9/50;G06F9/455;G06F17/13;G06F17/18
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 丁濤

本發明提供了一種基于組合預測模型的Swarm集群調度算法。針對傳統的一元線性回歸模型和灰色模型的預測準確度相對較低的缺點，綜合考慮Swarm集群內置調度策略存在的問題，將兩種預測模型相結合，建立一種將兩個權值進行加權綜合計算形成組合優化的預測模型。本發明中的組合預測模型優于傳統一元線性回歸模型和灰色模型，具有較高的預測準確度。

技術領域

本發明屬于集群調度鄰域，特別涉及一種基于組合預測模型的Swarm集群調度方法。

背景技術

Docker在云生態中占有重要地位，Swarm在云架構PaaS(平臺及服務)/IaaS(基礎設施及服務)層中也占有重要地位。Swarm主要完成的工作是：根據調度策略將容器運行在合適的節點上，由于節點上運行容器的不同，其資源利用率也有所差別。而每個節點的資源利用率又決定了整個集群的負載情況。因此，集群調度策略的優略就顯得尤為重要。

Swarm內置的調度策略有三種，分別是Random(隨機)，Spread(擴散)和Binpack(裝箱)，Random策略的優點是實施簡單，但經常容易導致節點CPU過載和內存不足。采用Spread策略，雖然能夠減少因節點故障而損壞容器數量，但這種策略過多的占用了服務器資源。Binpack的優點是能將更多的容器運行在較少的節點上，但是會造成節點負載過重。

目前Docker?Swarm提供的資源調度策略比較簡單，只考慮節點能否滿足任務要求和節點上的容器數量，沒有在節點之間進行負載比較來選出最合適的節點來部署容器，因此會出現節點上資源使用率不均衡的情況。

針對上述問題，在傳統的一元線性回歸模型和灰色模型基礎上提出了一種基于組合預測模型的Swarm集群調度算法，使集群中節點負載更加均衡，同時提高集群的整體資源利用率。

發明內容

針對Swarm集群提供的資源調度策略比較簡單，會出現節點上資源使用率不均衡的情況，提供一種基于組合預測模型的Swarm集群調度方法。

本發明這個算法不僅可以達到使集群中節點負載更加均衡，同時提高集群的整體資源利用率。

為了實現以上目的，本發明采用的技術方案為一種基于組合預測模型的Swarm集群調度方法，本發明包含以下內容：

步驟1)根據一元線性回歸模型對節點的CPU和內存的預測值進行權值計算；

步驟2)根據灰色模型對節點的CPU和內存預測值求和得到節點權值；

步驟3)假定計算出一元線性回歸模型和灰色預測模型的最優權值，將兩個權值進行加權綜合計算形成組合優化的預測模型；

步驟4)檢查是否所有時刻計算完畢，如果沒有則循環計算下一時刻，直至最后時刻；

步驟5)選擇權值最小的節點分配容器，一次調度結束。

進一步地，所述步驟1)具體包括以下步驟：

步驟11)分別獲取當前節點的CPU利用率和內存利用率的時間序列；

步驟12)由于每個真實值和預測值的隨機誤差相互獨立，并且服從同一分布，即求得一元線性回歸方程；

步驟13)通過預測時間獲得預測值；

步驟14)根據一元線性回歸預測模型進行精度檢驗，評估預測模型是否符合要求，若沒有達到要求，將縮小樣本集，再返回到步驟12)；

步驟15)采用Swarm內置的方法對節點的CPU和內存預測至進行權值計算。

進一步地，所述步驟2)具體包括以下步驟：

步驟21)首先分別獲取當前節點的CPU利用率和內存利用率的時間序列，根據n個原始數據進行累加得到一次處理的數據序列；