發(fā)布時(shí)間：2020-10-26 14:42

　　 隨著云計(jì)算技術(shù)的進(jìn)步和容器技術(shù)的快速發(fā)展,微服務(wù)架構(gòu)的概念逐漸在業(yè)界流行起來(lái),越來(lái)越多的微服務(wù)應(yīng)用被部署到容器環(huán)境中。微服務(wù)的主要目的在于通過(guò)將一個(gè)大的功能模塊分解為多個(gè)可單獨(dú)運(yùn)行的服務(wù)以降低功能之間的耦合度。運(yùn)用容器技術(shù)將微服務(wù)及其運(yùn)行環(huán)境進(jìn)行統(tǒng)一打包處理,可以很好的降低平臺(tái)的運(yùn)維成本和資源成本,但這同時(shí)也給容器平臺(tái)的管理帶來(lái)了新的挑戰(zhàn)。由于容器規(guī)模的擴(kuò)大,平臺(tái)的監(jiān)控對(duì)象從單個(gè)服務(wù)應(yīng)用變?yōu)槿萜饕约霸谌萜髦羞\(yùn)行的服務(wù)應(yīng)用,這使容器平臺(tái)的監(jiān)控管理變得更加復(fù)雜。再者,由于在容器中運(yùn)行的服務(wù)各不相同,對(duì)資源的需求量也不一致,因此如何對(duì)資源進(jìn)行合理分配將是急需解決的一大難題。此外,由于各服務(wù)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(jí)增長(zhǎng),如何對(duì)這些日志數(shù)據(jù)進(jìn)行統(tǒng)一管理又將成為另一難題。針對(duì)這一系列問(wèn)題,論文從以下三方面進(jìn)行深入研究:第一,在spring mvc架構(gòu)的基礎(chǔ)上,本文應(yīng)用prometheus技術(shù)、cAdvisor技術(shù)、flume技術(shù)實(shí)現(xiàn)對(duì)容器平臺(tái)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(duì)容器平臺(tái)的資源合理分配問(wèn)題,對(duì)現(xiàn)有的響應(yīng)式彈性伸縮方案和預(yù)測(cè)式彈性伸縮方案進(jìn)行深入研究后提出了基于組合預(yù)測(cè)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(shí)間序列預(yù)測(cè)上面的優(yōu)點(diǎn),設(shè)計(jì)了一種基于ARIMA和SVM的組合預(yù)測(cè)算法模型。在監(jiān)控服務(wù)的基礎(chǔ)上,將容器的性能數(shù)據(jù)作為數(shù)據(jù)源進(jìn)行多次訓(xùn)練實(shí)驗(yàn),相對(duì)于現(xiàn)有的預(yù)測(cè)算法模型而言,組合預(yù)測(cè)算法的準(zhǔn)確率提高了近10個(gè)百分點(diǎn),其準(zhǔn)確率可達(dá)91.95%,這為實(shí)現(xiàn)預(yù)測(cè)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(wù)提供的數(shù)據(jù)源和訓(xùn)練好的組合預(yù)測(cè)算法模型,設(shè)計(jì)并實(shí)現(xiàn)了預(yù)測(cè)式彈性伸縮功能。將監(jiān)控服務(wù)、日志服務(wù)以及彈性伸縮服務(wù)部署到容器環(huán)境中進(jìn)行測(cè)試。結(jié)果顯示,相對(duì)于響應(yīng)式彈性伸縮方案和基于ARIMA模型和SVM模型的預(yù)測(cè)式彈性伸縮方案而言,本文提出的組合預(yù)測(cè)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(shè)計(jì)的監(jiān)控服務(wù)、日志服務(wù)也很好的解決了當(dāng)前容器平臺(tái)面臨的不易監(jiān)控、信息分散的問(wèn)題。這充分證明了本課題研究的理論意義和實(shí)用價(jià)值。
【學(xué)位單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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(duì)容器以及集群節(jié)點(diǎn)的性能數(shù)據(jù)進(jìn)行監(jiān)控和采集，cAdvisor 集成在 kubelet 組件中。由于一個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)kubelet，一個(gè) kubelet 對(duì)應(yīng)一個(gè) cAdvisor。因此，一個(gè) cAdvisor 只能監(jiān)控一個(gè)節(jié)點(diǎn)。此外，通過(guò)配置 kubelet 相應(yīng)的參數(shù)，cAdvisor 可對(duì)外提供 API。由于 cAdvisor 自身不支持?jǐn)?shù)據(jù)存儲(chǔ)功能，通常 cAdvisor 會(huì)與 influxDB 相結(jié)合使用。influxDB 是一種時(shí)序數(shù)據(jù)庫(kù)，主要以時(shí)間序列的形式存儲(chǔ)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(wù)的核心。所以選擇一個(gè)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(shí)時(shí)性表現(xiàn)最為突出。push 模型實(shí)時(shí)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(shí)間。push 模型除了在實(shí)時(shí)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(shì)，當(dāng)服務(wù)死機(jī)或因其他因素中斷時(shí)，push 模型會(huì)將服務(wù)器的當(dāng)前狀態(tài)保存，恢復(fù)后再重

圖3-7 CPU利用率變化圖.2.2.2 ARIMA 算法模型實(shí)現(xiàn)通過(guò)前面對(duì)ARIMA模型的原理研究，畫出ARIMA模型的建模過(guò)程如圖3-8所示。面將結(jié)合具體的試驗(yàn)數(shù)據(jù)對(duì)ARIMA模型的建模過(guò)程進(jìn)行詳細(xì)闡述。開始畫出觀測(cè)數(shù)據(jù)時(shí)間序列圖判斷數(shù)據(jù)是否滿足平穩(wěn)性要求？差分運(yùn)算判斷數(shù)據(jù)是否滿足白噪聲檢測(cè)？參數(shù)估計(jì)模式識(shí)別預(yù)測(cè)滿足滿足原始數(shù)據(jù)滿足不滿足是

西南交通大學(xué)碩士研究生學(xué)位論文 第 24 頁(yè)Step1. 畫時(shí)間序列圖：在確定ARIMA模型之前，首先數(shù)據(jù)對(duì)其進(jìn)行預(yù)處理，并繪制時(shí)間序列圖以觀察數(shù)據(jù)中是否存在季節(jié)性趨勢(shì)。如圖3-9所示，經(jīng)分析CPU利用率不存在季節(jié)性趨勢(shì)。圖 3-9 時(shí)間序列圖Step2. 平穩(wěn)性檢測(cè)：為了確定原始序列中沒有隨機(jī)趨勢(shì)或者確定趨勢(shì)，接著對(duì)序列進(jìn)行平穩(wěn)性檢測(cè)。本章分別從自相關(guān)圖、adf檢測(cè)、kpss檢測(cè)等三個(gè)方面對(duì)序列的平穩(wěn)性進(jìn)行檢測(cè)。測(cè)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(cè)結(jié)果表檢測(cè)方式數(shù)據(jù)序列adf檢測(cè) adf檢測(cè)對(duì)應(yīng)p值 kpss檢測(cè) kpss檢測(cè)對(duì)應(yīng)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(cè)：為了驗(yàn)證序列中的有用信息是否被完全提取，則對(duì)序列執(zhí)行白噪聲檢測(cè)。文章采取LB統(tǒng)計(jì)量的方法進(jìn)行白噪聲檢測(cè)，檢測(cè)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(jià)值。表3-2 白噪聲檢測(cè)結(jié)果表數(shù)據(jù)序列 是否白噪聲 對(duì)應(yīng)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(xiàn)】

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(yù)測(cè)式的研究[J];植物保護(hù)學(xué)報(bào);1988年02期

2 郭金榮;卜一;李玉民;;應(yīng)用逐步回歸推導(dǎo)粘蟲發(fā)生程度預(yù)測(cè)式[J];內(nèi)蒙古農(nóng)業(yè)科技;1989年04期

3 高仲傳;;“預(yù)測(cè)式復(fù)習(xí)法”教改實(shí)踐與體會(huì)——提高學(xué)生自主學(xué)習(xí)能力的思考與實(shí)踐[J];中國(guó)科教創(chuàng)新導(dǎo)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(yù)測(cè)式的建立和應(yīng)用[J];浙江農(nóng)業(yè)科學(xué);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(yù)測(cè)式[J];湖南農(nóng)業(yè)大學(xué)學(xué)報(bào);1995年05期

6 周光普;小麥赤霉病一種簡(jiǎn)便預(yù)測(cè)式的研究與應(yīng)用[J];植物保護(hù);1991年03期

7 高仲傳;常杰;;“預(yù)測(cè)式復(fù)習(xí)法”課題研究中對(duì)學(xué)生問(wèn)題意識(shí)的思考——讓課堂的“去問(wèn)題”傾向成為過(guò)去[J];新課程(中);2015年03期

8 吳倫其;預(yù)測(cè)式教學(xué)法在政治課中的應(yīng)用[J];政治課教學(xué);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(yù)報(bào)技術(shù)的改進(jìn)及其預(yù)測(cè)式的試建[J];病蟲測(cè)報(bào);1992年S1期

10 王紅梅;賈宗璞;張俊娜;;基于乒乓切換的預(yù)測(cè)式快速移動(dòng)IPv6新方案[J];計(jì)算機(jī)工程;2008年03期

相關(guān)碩士學(xué)位論文 前6條

1 趙塵;組合預(yù)測(cè)式容器彈性伸縮方案的研究與實(shí)現(xiàn)[D];西南交通大學(xué);2019年

2 陳志剛;工業(yè)設(shè)備預(yù)測(cè)式健康狀態(tài)在線評(píng)估[D];廣東工業(yè)大學(xué);2019年

3 李剛;預(yù)測(cè)式外呼算法研究及呼叫系統(tǒng)原型設(shè)計(jì)[D];重慶大學(xué);2016年

4 黃放;基于時(shí)間購(gòu)買的預(yù)測(cè)式運(yùn)維服務(wù)供應(yīng)鏈?zhǔn)找娣峙涔叫匝芯縖D];西安理工大學(xué);2017年

5 朱超杰;基于軟交換的預(yù)測(cè)式外呼系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華南理工大學(xué);2013年

6 白戈;反應(yīng)式營(yíng)銷下的CRM[D];西南財(cái)經(jīng)大學(xué);2007年

本文編號(hào)：2857129