(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211272717.2 (22)申请日 2022.10.18 (66)本国优先权数据 202210942785.9 202 2.08.08 CN (71)申请人 广东技术师范大学 地址 510630 广东省广州市天河区中山大 道西293号 (72)发明人 刘兰　何康健　惠占发　胡峻涵　 杨迪瑾　林子萌　 (74)专利代理 机构 广州新诺专利商标事务所有 限公司 4 4100 专利代理师 吴泽燊 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于协变量的Kubernetes资源调度优化方 法、 存储介质及设备 (57)摘要 本申请涉及一种基于协变量的Kubernetes 资源调度优化方法、 存储介质及设备， 方法包括： 选用预选 策略对节点过滤； 采集过滤出的节点的 指标时序数据， 分析容器任务的通用卷积神经网 络， 得到分析数据， 将分析数据输入CNN执行时间 及性能消耗预测模型， 得到待调度任务的预计执 行时间、 预计性能； 将得到的指标时序数据、 预计 执行时间、 预计性能输入给预测模型进行训练； 根据预测模 型得出结果对节点打分， 将容器任务 调度到得分最高的Node节点上完成任务调度。 本 申请通过将集群节点性能指标时序数据、 待调度 任务的预计执行时间、 预计性能消耗传入预测模 型进行训练， 预测未来一段时间内最适合的调度 目标节点， 实现对节点进行动态分析， 提高了 Kubernetes集群的资源利用率。 权利要求书1页 说明书5页 附图2页 CN 115543577 A 2022.12.30 CN 115543577 A 1.基于协变量的Kubernetes 资源调度优化方法， 其特 征在于， 包括以下步骤： 选择合适的预选策略给调度器对N ode节点进行 过滤得到集群节点； 对过滤得到的集群节点进行性 能指标时序 数据采集， 对容器任务中的通用卷积神经网 络进行分析， 得到分析数据， 将分析数据输入CNN执行时间及性能消耗预测模型， 以得到待 调度任务的预计执 行时间、 预计性能； 将集群节点采集的性能指标时序数据作为数据输入， 待调度任务的预计执行时间、 预 计性能消 耗作为未来已知的协变量， 并传入性能指标时序数据预测模型进行训练， 以得出 各个节点的性能指标 预测数据； 根据各个节点的性能指标预测数据对Node节点打分， 将容器任务调度到得分最高的 Node节点上完成任务调度。 2.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法， 其特征在于， 所 述预选策略包括： HostName策略、 PodFitsHostPorts策略、 MatchNodeSeletctor策略、 PodFitsResources策略和N oDiskConfict策略。 3.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法， 其特征在于， 所 述将集群节点采集的性能指标时序数据作为数据输入前， 还包括如下步骤： 将采集的时序 数据进行 预处理并转换成Pandas  DataFrame。 4.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法， 其特征在于， 所 述分析数据包括： 对模型解析获得的特征提取和数据集大小数据、 对超参数解析获得的神 经元数量和隐藏层数量、 以及对参数解析获得迭代次数。 5.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法， 其特征在于， 所 述性能指标时序数据预测模型为Transformer模型。 6.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法， 其特征在于， 所 述性能指标时序数据包括： 输入/输出和传输速率统计、 CPU统计数据、 内存、 大页面和交换 空间使用统计、 虚拟内存、 分页和故障统计、 中断统计、 网络接口活动、 套接字统计、 运行队 列和系统负载统计、 文件系统利用率。 7.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法， 其特征在于， 所 述对Node节点打 分表示为： 总分＝(权重1*打分函数1)+(权重2*打分函数2)+ …+(权重n*打分函数n)， 其中权重为 指标在整体评价中的相对重要程度， 打 分函数为指标的评分标准。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有至少一 条指令、 至少一段程序、 代码集或指 令集， 所述至少一条指 令、 至少一段程序、 代码集 或指令 集由处理器加载并执行以实现如权利要求1至7任一所述的基于协变量的Kub ernetes资源 调度优化方法。 9.一种设备， 其特征在于， 所述设备包括处理器和存储器， 所述存储器中存储有至少一 条指令、 至少一段程序、 代码集或指 令集， 所述至少一条指 令、 至少一段程序、 代码集 或指令 集由所述处理器加载并执行以实现如权利要求1至7任一所述的基于协变量的Kub ernetes 资源调度优化方法。权　利　要　求　书 1/1 页 2 CN 115543577 A 2基于协变量的Kuber netes资源调度优化方 法、 存储介质及 设备 技术领域 [0001]本发明涉及 计算机技术领域， 具体涉及一种基于协变量的Kubernet es资源调度 优 化方法、 存 储介质及设备。 背景技术 [0002]Kubernetes由于其稳健性、 成熟性和丰富的功能， 已经成为容器编排技术的标准。 Kubernetes是一个管 理容器化工作负载和服务的开源平台， 主要目的是帮助用户自动化工 作负载协调计算、 网络和存储等操作。 它已被广泛用于工业生产系统。 许多深度学习服务平 台， 包括Kubeflow、 RiseML、 微软OpenPAI、 IBM  FfDL， 也都建立在Kubernetes之上， 帮助用户 在Kubernetes上轻松部署和启动深度学习作业。 Kubernetes采用微服务架构， 由多个独立 的模块组成， 而调度模块则是平台资源调度的核心。 [0003]默认的调度策略虽然考虑到了节点CPU和内存的资源使用率的均衡情况等问题， 但该算法的CPU和内存利用率是根据调度策略打分时刻的性能数据来衡量调度优先级的， 并不能很好地反应节点的实际资源使用情况， 导致节点的CPU和内存资源的均衡性有待提 高。 其次， 由于不同的应用实际上对资源的消耗程度是不一样的， 有的应用对CPU比较敏感， 有的应用对内存比较敏感， 有的应用对IO比较敏感， 有的应用对网络带宽比较敏感。 从以上 对调度策略的分析可以看出， 不管是预选阶段还是优选阶段的所有策略都是静态的过滤操 作， 都只是针对调度时刻当下的节点资源情况作为决策 因素， 然而节点是动态的实时的， 现 有默认的调度策略并不能够对节点进行动态分析， 也无法估测节点未来一段时间的性能。 所以我们有必要对调度决策进行动态分析， 把任务调度到更合适的节点上， 从而使得任务 执行更高效， 计算资源的利用率更高。 发明内容 [0004]为了克服上述技术缺陷， 本 发明提供一种基于协变量的Kubernet es资源调度优化 方法， 其能对调度决策进行动态分析， 提高资源的利用率。 [0005]为了解决上述问题， 本发明按以下技 术方案予以实现： [0006]第一方面， 本发明提供一种基于协变量的Kubernetes资源调度优化方法， 包括步 骤： [0007]选择合适的预选策略给调度器对N ode节点进行 过滤得到集群节点； [0008]对过滤得到的集群节点进行性能指 标时序数据采集， 对容器任务中的通用卷积神 经网络进行分析， 得到分析数据， 将分析数据输入CNN执行时间及性能消耗预测模型， 以得 到待调度任务的预计执 行时间、 预计性能； [0009]将集群节点采集的性能指标时序数据作为数据输入， 待调度任务的预计执行时 间、 预计性能消耗作为未来已知的协变量， 并传入性能指标时序数据预测模型进 行训练， 以 得出各个节点的性能指标 预测数据；说　明　书 1/5 页 3 CN 115543577 A 3