导读:本文包含了容器集群论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:容器,伸缩,集群,资源,网络,服务管理,分布式。
容器集群论文文献综述
张城城[1](2019)在《基于Docker的容器集群管理平台的研究与实现》一文中研究指出随着微服务架构和以Docker为代表的容器虚拟化技术的发展,基于Docker容器化的微服务应用部署方式,为广大开发人员提供了高效、敏捷和轻量级方案。但如何对分布在多个主机上的大量Docker容器应用构成的容器集群进行统一的监控运维管理便成了亟需解决的问题。目前开源也推出了诸多容器集群管理工具如Swarm、Marathon、Kubernetes等,但还存在如下问题:(1)当前的开源工具主要实现了对容器的编排管理功能,没有实现对镜像管理、持续集成、运维部署和远程调试等综合功能。同时都是基于命令行操作的分布式系统,对用户的分布式系统和Linux系统知识要求较高,导致用户入门门槛高,学习成本大。(2)目前对应用的自动伸缩功能支持不完善,目前支持单一伸缩指标,不能基于用户自定义的监控指标进行伸缩。(3)无法对集群中部署的大量Docker服务提供的对外服务能力进行统一的上线、发布、监控检查、下线等生命周期进行统一的管理。本文针对以上问题构建了一个基于Docker的容器集群管理平台。主要研究内容包括以下叁个部分:1)一种基于自定义监控指标的自动伸缩系统的研究与实现,主要包括收集用户自定义的监控指标,实现基于用户自定义的多种监控指标进行自动伸缩,使应用满足在各种场景下的需求。2)一种基于API网关的服务管理的研究与实现,使用API网关作为平台中服务的统一入口,实现对应用的注册、上线,发布、监控检查、下线等全生命周期管理。3)一种基于Docker的容器集群管理平台的构建,基于以上研究内容,构建了一个容器集群管理平台,包括应用的统一资源监控模块、自动伸缩模块、运维管理模块、服务管理模块、持续集成模块和web控制台等模块。本文构建的基于Docker容器集群管理平台,实现了对平台中部署的应用的统一管理,同时实现了集群及应用的统一监控、运维、部署和远程应用调试等多种功能并通过可视化Web界面的方式降低了用户对容器集群管理的学习成本和入门门槛。本系统已经交付甲方进行使用,并且已经在实验室的容器集群中部署使用。(本文来源于《北京邮电大学》期刊2019-06-03)
马希琳[2](2019)在《基于Kubernetes容器集群资源调度策略研究》一文中研究指出容器编排工具的出现使得容器虚拟化技术解决了云平台资源利用率低、调度分发缓慢等诸多问题,因此,研究容器编排工具的调度算法可以有效分配容器集群资源,提高资源利用率,同时最小化资源消费总成本。为得到更好的调度策略,论文使用元启发式算法对主流容器编排工具——Kubernetes的调度策略存在的问题展开研究。针对Kubernetes调度模型在部署长时运行服务时未考虑资源消费成本和多Pod部署未考虑均衡调度的问题,提出改进的蚁群粒子群算法优化基本调度模型。首先建立成本和集群负载度的目标函数;然后通过蚁群粒子群算法的节点寻优策略改进基本调度模型的节点选择策略:最后在CloudSim平台上实现四种调度模型:蚁群、粒子群、蚁群优化粒子群和基本的调度模型。针对以上四种调度模型在集群资源量不足时均存在调度失败率高的问题,提出一种新的抢占式调度策略。首先根据Pod的运行态、终止态和重启策略设计Pod的优先级;其次根据抢占式机制设计新的抢占式调度模型。针对蚁群粒子群算法中节点寻优耗时的问题,提出基于Go调度模型原理实现的并行化算法来优化节点寻优效率。首先在IntelliJIDEA平台上对Goroutine并行度进行测试,找出最优并行度;然后在最优并行度的基础上对蚁群、蚁群优化粒子群和粒子群优化蚁群算法的节点寻优与计算过程进行并行化设计;最后在优化的目标函数基础上,对基本调度模型和并行化调度模型进行实验对比。实验表明:论文设计的蚁群、蚁群优化的粒子群调度模型相比基本调度模型不仅节约资源消费成本,而且降低多Pod调度时集群的负载度;抢占式调度策略在集群资源量不足时使得尽可能多Pod成功调度,降低Pod的调度失败率;在Goroutine最优并行度的实验环境中,并行蚁群算法相比串行蚁群算法的运行时间缩短了近2到3倍,且并行化蚁群调度模型相对其他调度模型分配效果最佳。(本文来源于《西安科技大学》期刊2019-06-01)
王博[3](2019)在《基于边缘计算的多集群容器云资源调度机制研究与实现》一文中研究指出新一代信息技术的不断发展,给互联网产业带来深刻变革的同时,也对计算模式提出了新的要求。集中式云计算无法满足海量边缘数据处理的计算资源和带宽要求,也无法满足应用的实时性和隐私性需求。由于云计算的不足,边缘计算概念开始被广泛关注。分布式的边缘计算模型被认为是云计算的一种补充和扩展,通过将云的计算能力下沉至用户附近,能够有效缓解云中心的计算负载和核心骨干网的带宽压力。任何计算模型都离不开底层虚拟化技术的支持,容器虚拟化由于其高效的性能,被认为是未来边缘计算实现的底层技术基础。考虑到边缘环境中资源受限和异构的特点,研究以容器为载体的应用在有限资源中的调度问题是目前边缘计算的一个主要研究方向。由于边缘计算尚未具备成熟的标准和体系,本文通过将容器技术与边缘计算结合,搭建边缘容器云集群,从实际应用出发,研究多个边缘容器云集群的工作框架及其资源调度策略。本文首先对多集群环境下边缘容器云负载的时空差异性以及边缘应用的时延敏感需求差异性进行分析,提出了一种采用主从模式管理的多集群边缘云框架。框架分为边缘云集群和协同层两部分,边缘云集群执行具体的工作负载,协同层负责边缘集群和边缘应用的管理。框架将边缘应用分为两类,时延敏感应用和时延不敏感应用,并通过域名进行区分。其中时延敏感应用请求直接在附近的边缘云处理,时延不敏感应用请求则通过协同层来完成请求代理和转发,有效解决多集群边缘云协同调度下的应用定位问题。在此基础之上,本文研究了框架中时延敏感应用的资源调度问题。考虑到时延敏感应用往往要求很高的服务质量,但是在应用负载动态变化的边缘环境中,响应式动态伸缩策略由于其滞后性并不能提供有效的服务保障。针对这一问题,本文提出了一种基于灰色模型和加权移动平均模型的主动式动态伸缩策略,本文将其简称为GMHPA(Gray and Moving for Horizontal Pod Autoscaling strategy)。GMHPA利用灰色模型对应用负载预测,并与监测实际值进行对比判断负载变化趋势,然后根据变化趋势,选择不同模型预测结果计算应用副本数目。实验表明,GMHPA策略相比现有的响应式策略,可有效实现时延敏感应用在负载上升时提前扩容,在负载下降时滞后缩容,更好的满足应用的服务质量要求。最后针对多集群环境下边缘容器云负载的时空差异性,为提高集群整体资源使用率,本文提出了一种时延不敏感应用的跨集群资源调度策略,简称为DICCS(Delay Insensitive Cross-Cluster Scheduling)。该策略将调度过程分为叁步:首先对集群按照负载使用率进行分类,然后根据分类结果,在高负载集群中按照调度触发因素选择待调度应用,最后为待调度应用分配目的集群。实验证明,DICCS策略能有效完成时延不敏感应用的跨集群调度功能,提高集群的资源使用率,实现集群间的负载均衡。(本文来源于《山东大学》期刊2019-05-25)
施汶超[4](2019)在《基于Docker的资源分配与容器集群管理系统的设计与实现》一文中研究指出在近几年中,“云计算”一次越来越火热,越来越多的计算开始加入云,因其配置的动态可扩展性和资源的虚拟化,能够带来诸多的好处,众多互联网公司纷纷将企业应用上云,云计算也将成为互联网公司角逐的战场。以发展的眼光来看计算机领域,未来用户所需要的计算与网络等环境一定是极其复杂的,因此我们必须要能更高效的对此进行有效的管理。这样开发者就不必为复杂运行环境而发愁,可以将100%的精力放到最核心的业务逻辑上。除此之外,我们希望在这个基础上为用户提供一个持续集成开发环境,在为用户提供服务器与计算环境地基础上,还希望能够让用户方便快捷地进行资源与环境的申请以及对容器等对象地管理。在几年前,还有许多的云计算平台还是基于虚拟机运行的,虽然相对于物理机的部署方式已经有了很大的提升,但是还是在资源利用率以及性能等方面存在一些问题。大数据计算框架是云平台上非常典型的一种应用场景,基于这种云,大数据框架在处理海量数据的时候,因为其资源率用率和性能掣肘,不能很好的应对这种处理环境。所以它并不是交付应用程序最有效的方式。Docker是容器引擎,具有轻量级及其更好的计算性能,更适用于微服务,同时对资源隔离和控制也更高效等优点,因此Docker在HPC和云计算领域具有很好的应用前景。既然Docker具有以上的优点,完全可以使用Docker作为底层来完全替代掉虚拟机,这样就可以实现高效的虚拟化,并且在应用的启停上取得进步,在此基础上如果能够资源的再分配,并且能够进行有效的容器编排,就可以实现一个基于Docker的分布式的可以进行资源调度的容器集群管理系统。本文主要实现了一个基于Docker的分布式容器编排和部署系统,只有两个核心组成部分,部署简单,且可任意扩展。提供了不同资源维度的调度,同时也负责编排容器,实现了叁种高效的容器分配算法,使其能够高效透明的进行容器的部署和编排行为,并且开发了web API,为用户提供接口进行访问,这样即使用户不了解内部具体实现细节,也可以方便快捷地实现相关操作。在此基础上,通过上层支撑组件统一开发工作流,降低运维复杂度,提供了集开发、部署、运维于一身的持续集成开发环境,对于寻求高效运维方案的组织和个人开发者而言更加友善。本质上来说提供了和k8s/swarm一样的容器编排和调度能力,但是组件就2个,尽可能降低了学习、使用、部署的门槛,并且和mesos 比更加纯粹和简单,没那么繁复的结构,只需要一台机器和一个docker就可以了。(本文来源于《山东大学》期刊2019-05-20)
田春岐,李静,王伟,张礼庆[5](2019)在《一种基于机器学习的Spark容器集群性能提升方法》一文中研究指出目前基于Spark的应用十分广泛,合理的参数配置会使Spark作业具备较高的执行效率,很多学者对虚拟机集群上的Spark参数调优进行了深入研究。近年来,容器作为一种新兴的云计算基础设施越来越广泛地被应用于服务集群中,因而对基于容器集群的Spark参数调优进行研究也具有重要意义。文章研究了Docker容器集群中Spark的参数配置问题,提出了一种新型的参数调优方法(ContainerOpt),使用机器学习方法学习并预测作业在不同参数组合下的性能,同时引入节点自动伸缩机制,使输入规模较大的作业可以获得更优的性能。文章还提出了由时间和资源共同决定的性能表示模型,代替传统的基于单一执行时间的性能表示模型,从而在作业执行时间和资源占用之间达到较好的平衡。实验结果表明,相较于默认配置,该参数调优方法可提升50%的执行效率。(本文来源于《信息网络安全》期刊2019年04期)
杨寅冬[6](2019)在《基于容器构建高性能计算集群》一文中研究指出容器作为物理资源的逻辑抽象,资源占用少、部署方便,适合工作负载突变的互联网应用模式,如何解决HPC环境下的软件依赖问题,一直是计算系统管理员需要解决的问题。将服务发现的自动扩展特性与轻量级虚拟化工具Docker集成,在物理集群硬件上构建虚拟集群。通过对计算环境的隔离,弥补高性能计算环境对软件的依赖。通过实验证明,通过引入容器技术,可以解决高性能计算集群软件依赖问题。(本文来源于《青年与社会》期刊2019年08期)
王宝生,张维琦,邓文平[7](2019)在《面向大规模容器集群的网络控制技术》一文中研究指出针对容器技术在网络层面缺乏控制的问题,设计一套面向大规模容器集群的网络控制架构,分别从容器集群网络的灵活组网、智能适配以及安全隔离叁个方向进行研究,主要解决大规模容器集群部署中的网络适配和隔离控制等关键问题。实验结果表明,设计的网络控制架构可以根据网络特点有针对性地实现虚拟局域网的快速划分、网络节点的稳定迁移和节点通信的精确隔离控制。(本文来源于《国防科技大学学报》期刊2019年01期)
严丽云,何震苇,杨新章,张凌,侯韶新[8](2018)在《基于Kubernetes的容器化数据库及其集群方案》一文中研究指出随着容器技术逐渐成熟,越来越多的互联网企业和IT企业将核心业务平台迁移到容器环境中。Kubernetes经过3年多的快速发展,已成为业界首选的容器集群管理平台。从数据库容器化角度出发,在分析基于Kubernetes实现数据库容器化承载的关键技术基础上,给出了MySQL数据库及其集群的容器化方案。通过对多种数据库模型进行性能和可靠性等方面的评估比较,给出了数据库容器化技术可能遇到的问题及不同场景下的数据库容器承载方案建议。(本文来源于《电信科学》期刊2018年12期)
李斌,冯国礼,李蓉[9](2018)在《Docker容器弹性集群资源调度算法研究》一文中研究指出对Docker弹性集群的设计和优化进行了研究,通过自顶向下的设计思路,完成了集群的整体设计过程,然后从容器访问的原理出发,联系传统方法中跨主机弹性集群中单个主机在小规模应用中的伸缩方法,提出弹性伸缩组在自动服务中的功能优化,并且为了改善集群的性能,提出资源均衡分配的调度思路,基于此思路建立了弹性调度的设定、计算和处理的详细流程,包括初步的筛选、进一步的优选,以及基于阈值判断与统计学分析的综合处理策略。仿真实验结果表明本文提出的Docker容器弹性集群资源调度算法具有优越的性能。(本文来源于《科技通报》期刊2018年11期)
朱瑜坚,马俊明,安博,曹东刚[10](2018)在《一种面向多租户的Linux容器集群组网方法》一文中研究指出目前,越来越多的云平台开始采用容器组成的集群为云服务提供运行环境,而如何在多租户环境下为用户的容器集群提供高效且可用的网络成为了一个重要的技术问题。对此,以Linux容器为例,提出了一种面向多租户的Linux容器集群组网方法。这种方法参考了Kubernetes的组网方法,并在其基础上简化了网络结构,并引入了网络隔离,使得构建的网络能够满足多用户场景下的需求。文中描述了此种组网方法在小规模和大规模应用场景下的设计和它在虚拟云操作系统Docklet中的实现,实现的代码是开源的,并且进行了实验与评估。实验证明,这一组网方法所构成的虚拟网络与原生网络的性能相当接近,其TCP出口下行带宽与原生网络相差0.4%以内,而TCP内部通信带宽只损失了约3.39%,且对批处理型应用和长服务型应用都有良好的支撑。(本文来源于《计算机科学》期刊2018年09期)
容器集群论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
容器编排工具的出现使得容器虚拟化技术解决了云平台资源利用率低、调度分发缓慢等诸多问题,因此,研究容器编排工具的调度算法可以有效分配容器集群资源,提高资源利用率,同时最小化资源消费总成本。为得到更好的调度策略,论文使用元启发式算法对主流容器编排工具——Kubernetes的调度策略存在的问题展开研究。针对Kubernetes调度模型在部署长时运行服务时未考虑资源消费成本和多Pod部署未考虑均衡调度的问题,提出改进的蚁群粒子群算法优化基本调度模型。首先建立成本和集群负载度的目标函数;然后通过蚁群粒子群算法的节点寻优策略改进基本调度模型的节点选择策略:最后在CloudSim平台上实现四种调度模型:蚁群、粒子群、蚁群优化粒子群和基本的调度模型。针对以上四种调度模型在集群资源量不足时均存在调度失败率高的问题,提出一种新的抢占式调度策略。首先根据Pod的运行态、终止态和重启策略设计Pod的优先级;其次根据抢占式机制设计新的抢占式调度模型。针对蚁群粒子群算法中节点寻优耗时的问题,提出基于Go调度模型原理实现的并行化算法来优化节点寻优效率。首先在IntelliJIDEA平台上对Goroutine并行度进行测试,找出最优并行度;然后在最优并行度的基础上对蚁群、蚁群优化粒子群和粒子群优化蚁群算法的节点寻优与计算过程进行并行化设计;最后在优化的目标函数基础上,对基本调度模型和并行化调度模型进行实验对比。实验表明:论文设计的蚁群、蚁群优化的粒子群调度模型相比基本调度模型不仅节约资源消费成本,而且降低多Pod调度时集群的负载度;抢占式调度策略在集群资源量不足时使得尽可能多Pod成功调度,降低Pod的调度失败率;在Goroutine最优并行度的实验环境中,并行蚁群算法相比串行蚁群算法的运行时间缩短了近2到3倍,且并行化蚁群调度模型相对其他调度模型分配效果最佳。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
容器集群论文参考文献
[1].张城城.基于Docker的容器集群管理平台的研究与实现[D].北京邮电大学.2019
[2].马希琳.基于Kubernetes容器集群资源调度策略研究[D].西安科技大学.2019
[3].王博.基于边缘计算的多集群容器云资源调度机制研究与实现[D].山东大学.2019
[4].施汶超.基于Docker的资源分配与容器集群管理系统的设计与实现[D].山东大学.2019
[5].田春岐,李静,王伟,张礼庆.一种基于机器学习的Spark容器集群性能提升方法[J].信息网络安全.2019
[6].杨寅冬.基于容器构建高性能计算集群[J].青年与社会.2019
[7].王宝生,张维琦,邓文平.面向大规模容器集群的网络控制技术[J].国防科技大学学报.2019
[8].严丽云,何震苇,杨新章,张凌,侯韶新.基于Kubernetes的容器化数据库及其集群方案[J].电信科学.2018
[9].李斌,冯国礼,李蓉.Docker容器弹性集群资源调度算法研究[J].科技通报.2018
[10].朱瑜坚,马俊明,安博,曹东刚.一种面向多租户的Linux容器集群组网方法[J].计算机科学.2018