基于负载预测和强化学习的容器弹性伸缩策略研究.pdfVIP

摘要

弹性伸缩是容器云平台的重要特性，旨在提高应用程序应对负载动态变化的

能力。由于传统的响应式伸缩策略存在着弹性滞后以及配置复杂问题，更智能的

主动式弹性伸缩吸引了众多学者的关注。主动式弹性伸缩策略通过主动预测未来

的资源需求，对可能出现的情况做出预先布置，能够有效避免违反服务水平协议

（ServiceLevelAgreement，SLA），提高资源利用率。然而，精确预测未来负载

并做出合理的弹性伸缩动作，是主动式弹性伸缩任务中的难点问题。针对这一问

题，本文首先开展了负载预测模型研究，在此基础上，提出了一种基于负载预测

和强化学习的容器混合弹性伸缩策略。主要研究内容及创新点如下：

（1）针对云负载序列时序变化模式多样导致的难以准确预测的问题，提出

了基于多尺度空洞卷积和LSTM的负载预测模型。该模型利用平行和堆叠的空

洞卷积残差网络构成多尺度特征提取块，从连续和非连续的输入时间步中提取时

序特征，从而同时学习负载短期波动、持续性变化和周期性信息，再由LSTM从

提取的特征中进一步学习长期时序依赖。在多个云负载数据集上进行了负载预测

实验，得到的结果表明，本文提出的模型的预测精度优于对比模型。

（2）针对云环境下弹性伸缩的复杂性导致的难以做出合理弹性伸缩动作的

问题，提出了基于负载预测和强化学习的混合弹性伸缩策略。该策略的主动式伸

缩模块充分利用应用程序的当前负载状态和预测信息，由强化学习智能体做出对

未来更合理的主动伸缩决策。同时，为了应对极端流量峰值场景，设计了结合SLA

的响应式伸缩模块，能够根据实时服务质量进行及时响应和调整。最后，为了协

调以上两种伸缩策略并结合两者的优点，设计了混合伸缩控制器，以兼顾主动伸

缩决策和在极端峰值流量下的有效伸缩。

（3）为了验证所提出的弹性伸缩策略的有效性，在Kubernetes平台上实现

了弹性伸缩系统。该系统的监控模块采用基于Prometheus的方案实现，能够全

面采集伸缩指标数据并持久化存储；强化学习模块基于OpenAIGym工具实现，

能够便利地抽象Kubernetes环境并搭建强化学习模型；伸缩控制模块基于自定义

控制器实现，能够有效扩展伸缩策略控制逻辑。为了模拟不同的负载场景，选取

了两种具有不同特点的请求负载进行弹性伸缩对比实验。实验结果表明，相比于

现有的方法，本文提出的伸缩策略能更有效地减少SLA违规，提高资源利用率。

关键词：云计算，弹性伸缩，负载预测，深度强化学习，Kubernetes

ABSTRACT

Elasticscalingisanimportantfeatureofcontainercloudplatformsthataimsto

improvetheabilityofapplicationstocopewithdynamicchangesinload.Astraditional

reactivescalingstrategiessufferfromelasticlagaswellasconfigurationcomplexity,

smarterproactiveelasticscalinghasattractedtheattentionofmanyscholars.By

proactivelypredictingfutureresourcedemandsandmakingpreemptivearrangements

forpossiblescenarios,proactiveelasticscalingstrategiescaneffectivelyavoidService

LevelAgreement(SLA)violationsandimproveresourceutilization.However,

accuratelypredictingfutureloadsandmakingreasonableelasticscalingactionsare

difficultproblemsinth