一种多指标融合的容器配额推荐方法和系统技术方案

本发明专利技术公开了一种多指标融合的容器配额推荐方法和系统，涉及云计算技术领域，所述方法包括：获取容器配额下的服务质量成本和资源代价；根据所述配额、服务质量成本和资源代价，构建训练集；基于逼近理想解排序法，对所述训练集进行训练，获得评价模型；根据所述评价模型，对容器配额进行评分；根据所述评分，获得推荐配额。通过逼近理想解排序法，对配额进行评分和筛选，使推荐的容器配额既保证了服务质量、又提高了资源利用率，降低容器和容器化应用的运行成本；通过评价模型实现自动化的配额推荐，减少了人工干涉的成本，避免人工设置过程中可能导致的操作失误。程中可能导致的操作失误。程中可能导致的操作失误。

【技术实现步骤摘要】
一种多指标融合的容器配额推荐方法和系统


[0001]本专利技术涉及云计算
，具体涉及一种多指标融合的容器配额推荐方法和系统。

技术介绍

[0002]随着云计算技术和云原生概念的普及，对应用进行容器化封装成为应用部署的新趋势。容器具有不错的资源隔离与限制能力，可以针对单个容器精确的分配计算资源。以容器为单位对应用管理，可以充分发挥云资源弹性伸缩的优势，提高资源利用率。同时，容器化应用也使用户可以对应用进行无差别的自动化管理和维护，降低了运维成本。
[0003]目前业界对于容器配额的设置，多是基于设置者的经验，设置一个较大的容器配额，优先满足应用的资源需求。但是，较大的容器配额往往会导致较多的资源浪费。而较小的容器配额，又可能导致频繁的容器扩缩容，以及应用服务质量的降低。如何在保证服务质量的前提下，选取合适的容器配额，提高容器的资源利用率，是极具现实意义的问题。

技术实现思路

[0004]针对现有技术中存在的上述技术问题，本专利技术提供一种多指标融合的容器配额推荐方法和系统，通过逼近理想解排序法，对容器配额下的服务质量成本和资源代价，进行求解，获得推荐的配额，利于提高资源利用率和应用服务。
[0005]本专利技术公开了一种多指标融合的容器配额推荐方法，所述方法包括：获取容器配额下的服务质量成本和资源代价；根据所述配额、服务质量成本和资源代价，构建训练集；基于逼近理想解排序法，对所述训练集进行训练，获得评价模型；根据所述评价模型，对容器配额进行评分；根据所述评分，获得推荐配额。
>[0006]优选的，所述服务质量成本的获取方法包括：
[0007]获取历史负载数据；
[0008]基于所述历史负载数据，建立压力测试环境；
[0009]对多个配额下的容器进行压力测试，获得相应配额的服务质量；
[0010]对所述服务质量的指标进行归一化后，取平均值，获得服务质量成本。
[0011]优选的，所述服务质量的指标包括请求到达率和响应时间；
[0012]所述服务质量成本为请求到达率和响应时间归一化后的平均值。
[0013]优选的，获取资源代价的方法包括：
[0014]通过模拟容器扩缩容，获得多个配额下的容器模拟数据；
[0015]根据所述模拟数据，获得计算资源分配成本、容器启停成本和集群管理成本；
[0016]将计算资源分配成本、容器启停成本和集群管理成本之和，作为资源代价。
[0017]优选的，计算资源分配成本的公式为：
[0018][0019]其中，totalCost表示为计算资源分成成本，R表示为配额，d表示为扩缩容的最小
时间间隔，n
i
表示为第i次扩缩容下的容器数量，n表示为扩缩容的总次数；
[0020]容器启停成本表示为：
[0021][0022]其中，scaleCost表示为容器启停成本，Δn
i
表示第i个时间间隔下容器数量的变化，C表示为单次扩缩容的代价；
[0023]集群管理成本表示为：
[0024][0025]其中，ManageCost表示为管理成本，f(n
i
)表示为管理资源量与容器数量的关系。
[0026]优选的，所述单次扩缩容代价C从历史负载数据中获得；
[0027]基于神经网络的方法，对所述历史负载数据进行训练，获得管理资源量与容器数量的关系。
[0028]优选的，获得评价模型的方法包括：
[0029]依次对训练集进行正向化和标准化，获得训练集矩阵；
[0030]基于所述训练集矩阵，获得理想解和负理想解；
[0031]根据容器配额与理想解距离、容器配额与负理想解的距离，构建评价模型。
[0032]容器配额与理想解的距离表示为：
[0033][0034]其中，表示为第i个容器配额下与理想解的距离，表示为理想解的第j个指标，z
ij
表示为容器配额i的第j个指标的标准化值，m表示为指标的总数；
[0035]容器配额与负理想解的距离表示为：
[0036][0037]表示为第i个容器配额下与负理想解的距离，表示为负理想解的第j个指标；
[0038]评分的计算公式为：
[0039][0040]通过最大化所述评分S
i
，获得推荐容器配额。
[0041]本专利技术还提供一种用于实现上述容器配额推荐方法的系统，包括服务质量成本估算模块、资源代价估算模块、训练模块和多指标决策模块，
[0042]服务质量成本估算模块用于获得容器配额下的服务质量成本；
[0043]资源代价估算模块用于获得容器配额下的资源代价；
[0044]所述训练模块用于构建训练集，基于逼近理想解排序法，对训练集进行训练，获得评价模型；
[0045]所述多指标决策模块用于根据所述评价模型，对容器配额进行评分；并根据所述评分，获得推荐配额。
[0046]优选的，本专利技术的系统，还包括抓取模块，所述抓取模块用于获取历史负载数据集、压力测试数据和模拟数据；
[0047]所述服务质量成本估算模块用于根据多个配额的容器压力测试数据，获得容器配额下的服务质量成本；
[0048]资源代价估算模块用于根据模拟数据和历史负载数据集，获得容器配额下的资源代价。
[0049]与现有技术相比，本专利技术的有益效果为：通过逼近理想解排序法，对配额进行评分和筛选，使推荐的容器配额既保证了服务质量、又提高了资源利用率，降低容器和容器化应用的运行成本；通过评价模型实现自动化的配额推荐，减少了人工干涉的成本，避免人工设置过程中可能导致的操作失误。
附图说明
[0050]图1是本专利技术的多指标融合的容器配额推荐方法流程图；
[0051]图2是本专利技术的系统逻辑框图。
具体实施方式
[0052]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0053]下面结合附图对本专利技术做进一步的详细描述：
[0054]一种多指标融合的容器配额推荐方法，如图1所示，所述方法包括：
[0055]步骤101：获取容器配额下的服务质量成本和资源代价。其中，服务质量成本包括多个指标，如请求到达率和响应时间；资源代价也包括多个指标，如资源分配成本、容器启停成本和集群管理成本。
[0056]步骤102：根据所述配额、服务质量成本和资源代价，构建训练集。
[0057]步骤103：基于逼近理想解排序法(Technique for Order Preference by Similarity to Ideal Solution本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多指标融合的容器配额推荐方法，其特征在于，所述方法包括：获取容器配额下的服务质量成本和资源代价；根据所述配额、服务质量成本和资源代价，构建训练集；基于逼近理想解排序法，对所述训练集进行训练，获得评价模型；根据所述评价模型，对容器配额进行评分；根据所述评分，获得推荐配额。2.根据权利要求1所述的容器配额推荐方法，其特征在于，所述服务质量成本的获取方法包括：获取历史负载数据；基于所述历史负载数据，建立压力测试环境；对多个配额下的容器进行压力测试，获得相应配额的服务质量；对所述服务质量的指标进行归一化后，取平均值，获得服务质量成本。3.根据权利要求2所述的容器配额推荐方法，其特征在于，所述服务质量的指标包括请求到达率和响应时间；所述服务质量成本为请求到达率和响应时间归一化后的平均值。4.根据权利要求2所述的容器配额推荐方法，其特征在于，获取资源代价的方法包括：通过模拟容器扩缩容，获得多个配额下的容器模拟数据；根据所述模拟数据，获得计算资源分配成本、容器启停成本和集群管理成本；将计算资源分配成本、容器启停成本和集群管理成本之和，作为资源代价。5.根据权利要求4所述的容器配额推荐方法，其特征在于，计算资源分配成本的公式为：其中，totalCost表示为计算资源分成成本，R表示为配额，d表示为扩缩容的最小时间间隔，n
i
表示为第i次扩缩容下的容器数量，n表示为扩缩容的总次数；容器启停成本表示为：其中，scaleCost表示为容器启停成本，Δn
i
表示第i个时间间隔下容器数量的变化，C表示为单次扩缩容的代价；集群管理成本表示为：其中，ManageCost表示为管理成本，f(n
i
)表示为管理资源量与容器数量的关系。6.根据权利要求5所述的容器配额推荐方法，其特征在于，所述单次扩缩容...

【专利技术属性】
技术研发人员：王翱宇，王前龙，黄文雄，李晨昊，陈浙阳，才振功，
申请(专利权)人：杭州谐云科技有限公司，
类型：发明
国别省市：