基于Kubernetes云平台的弹性伸缩方案设计与实现

容器技术可为多个业务需求及其依赖组件提供独立的应用资源,在现实生产环境中由于容器中的业务需求不断变化,使得与其对应的应用资源在线负载处于动态变化中,面临固定资源容量规划不能满足在线负载变化的困境。为解决该问题,设计一种基于Kubernetes云平台的弹性伸缩方案。该方案通过集成Prometheus监控系统来自定义指标与采集业务指标,并结合HPA、VPA等组件,实现包括自定义指标和不同维度伸缩方法相结合的最佳弹性伸缩方法。通过集成Grafana页面显示和报警等组件,实现实时查看弹性伸缩状态变化以及伸缩预警功能,以实时观测集群健康状态,使得集群操作更加友好、便于维护。实验结果表明,在不同压力测量测试下,该弹性伸缩方案具有随负载增加扩大集群规模的作用,能够增强应用集群的高可用能力。     

基于云平台的弹性Web集群扩缩容机制的研究

弹性Web集群即随着工作负载的变化,集群规模可以弹性变化的Web集群。本文研究弹性Web集群的扩缩容机制,首先分析现有扩缩策略的常用算法的优缺点,然后当前策略的不足,提出新的扩缩策略,使用更丰富的指标进行负载预测,提高预测的准确性;使对负载评估的结果带有预测性,相对于简单的非预测性算法可以更早地做出扩容决策,最终支撑Web应用系统对外提供高可用和高性能的服务。     

多集群作业调度系统MCJSS的设计与实现

研究多集群的管理模式,设计支持多集群的用户决策和系统决策两种调度方式,提出基于PBS的多集群作业调度MCJSS架构。利用PBS的扩展接口,实现MCJSS的核心模块,管理多集群作业提交、作业转发和负载信息收集。给出了多集群间基于预测最轻负载转发的调度策略。运用两层负载信息收集策略服务于转发机制,利用组合单项负载的阈值来判断转发时机和目的集群。实验证明,相同的作业在相同规模但是不同组织形式的多集群和单集群组织模式下,多集群的系统吞吐量大于单集群组织模式。     

一种中间件数据库集群的负载均衡算法

为满足用户对数据库集群系统高输入高输出应用的需求,设计一种采用中间件技术的数据库集群系统,并针对该系统提出一种基于Markov模型的数据库集群负载均衡算法。该算法在执行节点负载信息采样周期内,利用Markov模型预测集群系统各执行节点的负载信息状态,根据预测的执行节点负载信息对集群系统进行负载均衡。实验结果表明,该算法能够有效提高数据库集群的性能。     

基于延期着色的sort-first绘制集群*

传统的图形绘制集群采用前向着色,存在光照着色功能有限、计算负载难以预测等缺陷。为此,提出基于延期着色的sort-first绘制集群架构,该系统可以实时绘制具有复杂光照效果的多边形场景,并可利用延期着色的负载可预测特性,实现绘制节点间的负载平衡。同时,提出了基于Equalizer改造现有图形绘制引擎,构造基于延期着色的sort-first绘制集群的方法。实验表明,该系统可以在静态负载平衡策略下实现高性能的实时图形绘制,具备良好的可扩展性。     

基于主机性能度量的异构集群作业调度算法

传统经典作业度算法在集群应用中实现简单、执行效率高,但在异构集群环境下由于缺乏在线节点运行状态动态反馈能力和负载均衡能力,降低了计算资源利用率和系统吞吐率.为解决上述问题,设计了一种在异构集群环境下基于主机性能度量的作业负载均衡调度算法,该算法通过收集集群中在线节点的状态信息和作业响应时间遴选出可信节点集合,计算出各可信节点的HPM值,利用负载均衡运算规则生成候选的作业分配节点集合,最终按照预先设计的优先原则把不同作业分配至各计算节点,并更新各节点运行状态.实验结果表明,在异构集群环境下调度同类型作业时,该算法在总完成时间和负载均衡性能等指标上均优于传统经典算法.     

弹性Web Cache集群设计与实现

为在Web cache系统中实现弹性资源供给,提出了同时使用本地资源和云计算资源的弹性Web cache集群。阐述弹性Web cache集群的设计目标、功能模块、数据处理流程;实现基于Linux内核程序的弹性Web cache集群软件平台;对弹性Web cache集群进行性能测试。实验证明,弹性Web cache集群能够实现高效的负载均衡,有效处理Web突发请求和热点对象问题,显著改善系统可靠性和可用性。     

基于Docker的云资源弹性调度策略

针对云资源弹性调度问题,结合Ceph数据存储的特点,提出一种基于Docker容器的云资源弹性调度策略。首先,指出Docker容器数据卷不能跨主机的特性给应用在线迁移带来了困难,并对Ceph集群的数据存储方法进行改进;然后,建立了一个基于节点综合负载的资源调度优化模型;最后,将Ceph集群和Docker容器的特点相结合,利用Docker Swarm实现了既考虑数据存储、又考虑集群负载的应用容器部署算法和应用在线迁移算法。实验结果表明,与一些调度策略相比,该调度策略对集群资源进行了更细粒度的划分,实现了云平台资源的弹性调度,并在保证应用性能的同时,达到了合理利用云平台资源和降低数据中心运营成本的目的。     

弹性Web Cache集群的自适应负载均衡策略

在Web cache集群中,Web突发请求的频繁出现引发资源供给不足,造成系统性能显著下降.为有效处理Web突发请求,构建了同时使用本地资源和云资源的弹性Web cache集群.在弹性Web cache集群中,为提升系统性能,降低费用,提出一种自适应的负载模型.该模型可以动态自适应地调整,能够有效适用于异构Web cache集群.考虑到云结点的网络延迟,修正该模型得到云结点负载模型.基于以上负载模型,构造弹性Web cache集群的自适应负载均衡策略.与其他负载均衡策略相比较,使用该自适应负载均衡策略能够在弹性Web cache集群中实现高效的负载均衡.     

网络计算机集群负载均衡机制的研究

目前使用单台网络计算机应用服务器难以满足大量用户的并发访问需求,在网络计算机系统中引入集群/负载均衡技术是解决这一问题的理想途径.研究网络计算机集群的负载均衡机制.设计和实现了适合于网络计算机应用模式的负载评估方法及负载状态更新机制,并在此基础上提出和实现了一种基于分布式协商的动态负载均衡算法.     

智能电网系统中费控服务的优化调度研究

智能电网系统中,费控指令通过应用服务器集群被下发到前置服务器集群,再通过前置服务器集群被下发到终端,终端接收到指令后将指令下发到特定的智能电表.在这个过程中,应用服务器集群和前置服务器集群的可用资源不对等,导致负载不均衡,影响费控服务执行的效率和成功率;前置服务器集群中前置机与终端的固定匹配方式,容易导致前置服务器集群负载不均衡,延长了费控指令完成时间,降低了费控服务的执行效率.为此深入研究费控指令的下发过程,分析存在的问题和瓶颈,提出了一种基于负载预测和负载均衡的费控服务优化调度模型.该模型首先提出一种基于时间序列的负载预测方法,实现服务器负载的预测;基于预测负载,提出一种费控指令的均衡下发算法,为不同负载的服务器下发合适规模的费控指令,以提高指令下发的效率和成功率;针对前置服务器集群可能出现的负载不均衡,提出一种基于图聚类的终端均衡布局算法.实验结果表明,本文提出的费控服务优化调度模型,均衡了两个集群和终端之间的负载,有效提高了费控指令下发的效率和成功率.     

多指标自趋优的GPU集群能耗控制模型

在大规模流数据实时处理领域中图形处理器(graphics processing unit,GPU)集群是一种重要的并行计算系统,对计算速度、能耗和可靠性3项指标都有较高要求.然而各指标互相约束,在实时计算中需要动态寻找最优均衡点,因此GPU集群中多项性能指标实时优化成为一个具有挑战性的问题.为综合考虑计算速度、能耗和可靠性3项指标,利用极大熵函数法把多项指标转化为一个综合性能评价指标,再以模型预测控制理论为基础构造一个自适应强的控制模型,该模型能够依据计算负载的变化动态调整集群内节点的能耗状态,在保证计算速度和可靠性的前提下消减冗余计算能耗.与未考虑可靠性的基准控制模型进行对比实验,结果表明所提出的模型具有较好的控制稳定性和鲁棒性,适合应用到GPU集群节能管理中.     

基于LP&GR算法的多优先级虚拟机迁移策略研究*

如何对云计算中心的虚拟机(Virtual machine,VM)资源进行合理分配是近年来研究的一个热点问题。针对这一问题,本文提出了一种基于负载预测和灰色关联度(Load Prediction and Gray Relational,LP&GR)的虚拟机资源分配算法,通过预测虚拟机的负载状态防止虚拟机发生过载,并建立了基于虚拟机负载评价函数的决策分配模型。同时为虚拟机的迁移队列设置了多个优先级,结合了抢占式与非抢占式的执行策略,保证了虚拟机的有序迁移,并提高资源利用率。实验结果表明,结合多优先级的LP&GR算法同比其他算法能够有效实现云中心的负载均衡。     

改进指数平滑预测的虚拟机自适应迁移策略

针对云数据中心虚拟机频繁迁移问题对虚拟机迁移时机进行研究,提出一种基于改进指数平滑预测的虚拟机自适应迁移策略.该策略采用双阈值和预测相结合的方法,连续判断负载状态触发负载预测,然后,根据历史负载值自适应地预测下一时刻主机负载状态并触发虚拟机迁移,实现主机负载平衡,提高迁移效率,降低能耗.经实验表明,该方法在能耗和虚拟机迁移次数方面分别可降低约7.34%和58.55%,具有良好的优化效果.     

基于LVS系统的负载动态平衡设计与实现

基于LVS的集群负载调度系统，内核中的加权调度算法权值是静态的，没有动态调整机制，容易出现任务分配与真实服务器处理能力相背离，给出了一种通过量化调度器和真实服务器的实时反馈负载信息指标，计算服务器综合负载，动态调整服务器权值的收敛算法，实现负载动态平衡，及时调整负载倾斜，进一步提高服务器的利用效率和集群系统的吞吐率，设计可应用在使用LVS的负载平衡调度集群系统中。     

基于灰色神经网络的装备计量预测研究与实现

基于装备计量数据历史样本数据较少的特点,将适合小样本的灰色理论GM(1,1)模型应用于基于计量数据的装备状态预测,同时为提高GM(1,1)模型精度,提出了基于RBF神经网络优化GM(1,1)传统模型的灰色神经网络模型。装备计量数据实例应用分析表明,上述模型均可获得该装备计量数据的合理预测值,且相对于GM(1,1)传统模型,GM(1,1)优化模型具有更优的模型精度和预测效果,基于MATLAB开发的装备计量预测软件,实现了GM(1,1)传统及优化模型下装备计量状态预测及比较的可视化操作,为装备计量保障提供了可参考的技术方案。     

基于预测机制的自适应负载均衡算法

工作负载特征对Web服务器集群中负载均衡调度算法的性能有重要影响。针对负载特征在调度算法所起作用的分析和讨论,提出基于预测机制的自适应负载均衡算法（RR_MMMCS-A-P）。通过监测工作负载,预测后续请求到达率和请求大小,快速调整相应参数,实现集群中各服务器之间的负载均衡。实验表明,无论是对计算密集型任务还是数据密集型任务,RR_MMMCS-A-P同基于CPU和CPU-MEM的调度算法相比在缩短平均响应时间方面具有较好的性能。     

一种基于预测模型的负载均衡算法

结合集群系统中服务节点负载变化的不确定性和随机性的特点,提出WPLS-SVM组合的Linux服务器集群系统负载预测模型。该模型能够依据采样值对集群中节点的负载情况做出预测,根据节点的负载预测结果结合随机区间调度算法可以有效地实现对请求任务的分配与调度。仿真结果表明,较传统的负载均衡算法该算法克服了响应速度慢、预测精度差等缺点,提高了集群系统的利用率。     

基于SOA的云机器人服务框架设计

针对目前服务型机器人在执行复杂服务任务时面临着较高的本地计算和存储压力的问题以及机器人服务的可拓展性较低的问题,提出一种基于SOA架构的云机器人分布式服务框架.通过云机器人服务的分布式部署提高资源的利用率和服务质量,通过设计SOA接口层,消除异构机器人之间底层差异.针对单一云机器人服务的局限性,提出一种多服务副本下服务查找和组合算法,实现云机器人集群服务覆盖网络下服务执行的负载均衡和弹性容错,提高云机器人集群的稳定性和服务的吞吐量.通过仿真对比实验,验证了该算法的有效性.     

基于GM(1,1)预测和虚拟机迁移的云计算负载均衡策略设计

针对云计算中心虚拟机集群负载的不均衡问题,设计了一种基于GM(1,1)预测和虚拟机迁移的负载均衡策略;首先,描述了云计算中心的负载均衡原理,介绍了经典ELB算法并总结了其缺点,然后,设计了基于GM(1,1)的虚拟机负载预测算法,能根据虚拟机的历史负载信息来预测下一时刻的负载信息,能有效克服ELB算法中仅依赖当前时刻负载而进行虚拟机的删除和增加,同时通过设定不同的阈值来实现虚拟机的增加、删除和迁移,最后,定义了基于预测机制和虚拟机迁移的负载均衡算法,能在创建虚拟机时根据用户的请求定制AMIs模板,从而提交用户请求的响应速度;在CloudSim环境下进行实验,实验结果表明文中方法能有效地实现云计算中心虚拟机集群的负载均衡,与其它方法相比,具有负载均衡高和负载均衡效率高的优点,是一种有效的云计算环境的负载均衡策略。