本文提出了一种名为PACE的框架，该框架结合了反应式和主动式自动扩展技术来实现容器化云应用的弹性伸缩。通过K-Means聚类和CNN预测，确定资源需求阶段并进行资源调整。实验表明，该方法在单租户和多租户环境中能有效确保应用性能和服务质量。
Auto-scaling containerized cloud applications: A workload-driven approach
文章目录
Personal Summary
该方法不在直接预测资源，首先 基于K-Means算法判断资源扩缩所处的那个阶段【高增长与高缩小，稳定增长与缩小，缓慢增长与缩小】，然后通过使用CNN来对时间序列做出预测,最后基于预测的结果来对资源做出调整。文章使用了间接的方法来做出预测，即先通过聚类方法判断扩缩的阶段，再通过另一个指标来做出扩缩，读者认为这种方法规避了直接预测时间序列延后性的问题。
本文是基于阈值来被动和主动结合做出调整
- 被动方法 - 即达上升或者下降幅度到某个阈值 ( u p p e r / l o w ) t h r e s h o l d (upper/low)threshold (upper/low)threshold下触发调整策略，文章在调整策略上设置一个参数 S v Sv Svz
- 主动方法 - 通过CNN先做出时间序列的预测，得到预测曲线后，根据window length大小和预测的时间长度 p r e d i c t i o n − s i z e prediction-size prediction−size将预测的序列分割为 p s / w l ps/wl ps/wl段，通过YCSB之前做出的聚类模型我们使用动态时间扭曲算法DTW来计算出每段与聚类结果的距离，这样我们就可以将 p s / w l ps/wl
最低0.47元/天 解锁文章
扫一扫
1972
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
