排序方式: 共有173条查询结果,搜索用时 15 毫秒
21.
对轻量级技术的Docker技术进行了概述,针对Docker1.13+版本基于龙芯平台进行了移植并集成到Fedora28系统中,制作测试镜像对新版本Docker方案进行了性能测试分析,剖析了不同容器数量下的性能变化趋势和容器的性能瓶颈.通过龙芯单路、双路、四路服务器和AMD Ryzen5(2400 GB)主机进行了容器内的性能对比测试实验,肯定了龙芯平台上的新版Docker方案的稳定性,并分析了龙芯3A3000芯片与Ryzen5(2400 GB)芯片相近主频下的性能差异,展望了国产CPU芯片事业的发展前景. 相似文献
22.
23.
应用系统的复杂化与微服务化促进了容器的广泛使用, 企业往往会根据业务需要使用Kubernetes搭建多个集群进行容器的编排管理与资源分配. 为实时监控多个集群的工作状态与资源使用情况, 提出了面向Kubernetes的多集群资源监控方案, 对Kubernetes提供的CPU、内存、网络以及存储指标进行采集, 根据采集数据的类型对部分数据进行计算以获取更直观的监控指标, 实现了多层级多类型的存储, 并提供监控数据的REST接口. 通过实验, 验证了本设计对集群资源的消耗低, 具有较好的性能. 相似文献
24.
文中介绍了基于Kubernetes的分布式TensorFlow平台的设计与实现,针对分布式TensorFlow存在的环境配置复杂、底层物理资源分布不均、训练效率过低、模型研发周期长等问题,提出了一种容器化TensorFlow的方法,并基于Kubernetes容器PaaS平台来统一调度管理TensorFlow容器。 文中将Kubernetes和TensorFlow的优点相结合,由Kubernetes提供可靠、稳定的计算环境,以充分发挥TensorFlow异构的优势,极大地降低了大规模使用的难度,同时建立了一个敏捷的管理平台,实现了分布式TensorFlow资源的快速分配、一键部署、秒级启动、动态伸缩、高效训练等。 相似文献
25.
《计算机应用与软件》2017,(1)
针对现有的虚拟机集群伸缩方法响应慢、开销大的问题,提出一种基于Docker容器技术的虚拟机集群伸缩方法。在检测实时工作负载同时通过自回归模型对未来工作负载进行预测,最后使用排队论模型计算所需伸缩量。首先从虚拟机自身进行资源重分配,然后依据工作负载变化率选择Docker容器级别的伸缩或虚拟机级别的伸缩,直到请求响应时间在用户可接受范围之内为止。实验结果证明,在面对不同的工作负载变化情况时,该方法可以提供更快的响应速度和更低的开销。 相似文献
26.
27.
28.
29.
随着调控云的持续推进,传统基于虚拟化技术的调控云在资源调度、弹性伸缩、应用快速响应等方面尚无较好的支撑,这对基于虚拟化技术的调控云平台服务层(platform as a service,PaaS)平台的可维护性和可用性构成一定的威胁。容器引擎(Docker)技术的迅速发展解决了传统基于虚拟机形式的调控云PaaS平台存在的不足。该文利用Docker容器技术设计调控云PaaS平台,对容器的弹性伸缩、资源调度、容器响应等性能方面进行分析与验证,实验表明基于Docker容器的调控云PaaS平台在资源上的合理分配、及时响应、弹性管理等方面具有良好的效果。 相似文献
30.
为了避免因开发不同项目导致开发环境版本不统一的问题,利用Docker这个可执行镜像容器,能够很好的解决这个问题,并且使开发环境变得可配置化,从而大大的加快了开发效率。 相似文献