Kubernetes6--资源调度

参考论文：

[1]杜军. 基于Kubernetes的云端资源调度器改进[D].浙江大学,2016.

k8s主要应用Pod这一概念进行应用部署和操作，以后是pod对象的创建时序图，pod对象的创建效率直接影响系统的整体性能。

优先级分类与抢占式调度：

按照Pod对象的重启策略分为低优先级以及高优先级

利用双端循环队列，维护队首指针以及队尾指针

Pod对象重启策略为Always加入到队首，优先调度

Pod对象重启策略为OnFailure Never加入到队尾  如果Pod.spec.Host值为非空，说明直接已经调度过需要重新调度，则加入到队首，优先调度

资源配额动态调整调度：

资源申请配额   资源实际使用  利用率较低

动态调整Pod资源的配额,例如内存以及cpu等，pod对象实际使用内存超过申请额度，会被杀死。在此只动态调整cpu的额度。

利用linux  CGroup技术来实现资源配额限制

支持动态调度和负载均衡的云资源管理平台D-Cloud的设计与实现

资源动态调度：

参考论文：[1]杨鹏飞. 基于Kubernetes的资源动态调度的研究与实现[D].浙江大学,2017.

主要对容器层资源（内存使用量、ＣＰＵ使用率、网络带宽和磁盘１０等资源），使用预测模型预测未来一段时间的资源使用量，并
基于预测数据对资源动态调度、实例自动伸缩和考虑资源敏感程度的负载均衡策略等方面。

资源使用量预测模型：

ＡＲＩＭＡ模型也称为差分自回归移动平均模型，能够运用于随机行时间序列预测，在时间序列分析方式中，被认为是最高级、最有效的分析方法。

ＡＲＩＭＡ模型的思想是：在时间序列中，单个的值虽然具有随机性和不确定性，但整个时间序列却有规律可寻，可以用ＡＲＩＭＡ模型进行类似的描述。

ＡＲＩＭＡ模型本质上是三种模型的组合，分别是：

用于处理线性问题的ＡＲ（ｐ）模型（自回归模型）

加入平均滑动的ＭＡ（ｑ）模型（移动平均模型）

针对平稳时间序列的ＡＲＭＡ（ｐ，ｑ）模型（自回归移动平均模型）

AR模型：某一时刻的值yt与过去p个时刻有关

     零均值的白噪声

MA模型：某一时刻的值yt与过去p个时刻的残差序列加权平均值组成

ARMA模型：时间序列对于任意时刻ｔ的值ｘ不仅和历史值有关，还跟外部的干扰有关，并且两者还存在一定的依存关系，在进行数据拟合时，为了保证模型有更大的灵活性，在模型中增加了移动平均部分，并结合自回归模型功能组合成自回归移动平均模型。

ARIMA+RBF模型：

时间序列可以分解成线性关系和非线性关系

用ARIMA对数据进行线性建模，得到预测值Lt,预测值与实际值的误差为：

误差序列隐含了非线性关系。

ＲＢＰ网络模型对误差值序列建模进行数据训练，最终来逼近时间序列中的非线性关系

误差值预测序列：

监控模块：

资源动态调度模块：

总结：

提供对于资源的预测算法

Pod调度到Node节点时，需要考虑多种因素，改进调度器

弹性伸缩的设计