(19)中华 人民共和国 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 202111658300.5 (22)申请日 2021.12.3 0 (71)申请人 中国—东盟信息 港股份有限公司 地址 530000 广西壮 族自治区南宁市平乐 大道18号 (72)发明人 崔思恒　韦克璐　赵凯麟　尹大力　 (74)专利代理 机构 广州海心联合专利代理事务 所(普通合伙) 44295 代理人 张栩颜　莫秀波 (51)Int.Cl. H04L 41/0896(2022.01) H04L 41/08(2022.01) H04L 41/0894(2022.01) H04L 41/0816(2022.01) H04L 41/147(2022.01)H04L 43/0876(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于流量预测的Kubernetes容器动态 扩缩容方法及系统 (57)摘要 本发明公开了一种基于流量预测的Kubernetes 容器动态扩缩容方法， 涉及信息技术领域， 解决 现有的扩缩容机制反应不够迅速的技术问题， 方 法包括： 获取Pod所属Deployment的流量请求数 据； 搭建生成对抗网络模型GAN、 长短期记忆模型 LSTM； 根据流量请求数据对生成对抗网络模型 GAN进行训练得到流量增强模块， 流量增强模块 输出流量增强数据； 根据流量请求数据、 流量增 强数据对长短期记忆模型LSTM进行训练得到流 量预测模块； 流量预测模块根据当前的流量请求 数据对未来一段时间内Deployment的流量请求 进行预测， 并输出预测值； 根据预测值， 结合自动 扩缩容配置， 通过api server对相应的Pod执行扩 缩容操作。 本发 明还公开了一种基于流量预测的 Kubernetes容器动态扩 缩容系统。 权利要求书2页 说明书5页 附图1页 CN 114389953 A 2022.04.22 CN 114389953 A 1.一种基于流 量预测的Kubernetes容器动态扩 缩容方法， 其特 征在于， 包括： 步骤S1.获取Pod所属Depl oyment的流 量请求数据； 步骤S2.搭建生成对抗网络模型GAN、 长短期记忆模型LSTM， 并确定所述生成对抗网络 模型GAN及长短期记 忆模型LSTM的神经网络的超参数； 步骤S3.根据所述流量请求数据对所述生成对抗网络模型GAN进行训练得到流量增 强 模块， 所述 流量增强模块输出流 量增强数据； 步骤S4.根据所述流量请求数据、 流量增强数据对所述长短期记忆模型LSTM进行训练 得到流量预测模块； 步骤S5.所述流量预测模块根据当前的流量请求数据对未来一段时间内Deployment的 流量请求进行 预测， 并输出 预测值； 步骤S6.根据未来一段时间的预测值， 结合自动扩缩容配置， 通过apiserver对相应的 Pod执行扩缩容操作。 2.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 在步骤S1 中， 通过在Kuber netes集群中运行流量请求数据采集组件， 来 获取需要进 行自动扩缩容的Pod所对应Deployment的流量请求数据； 或者， 通过监控组件Prometheus获 取到该Depl oyment的历史流 量请求数据。 3.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 在步骤S2中， 所述超参数包括激活函数种类、 神经网络层数、 神经元节点数、 学习 率。 4.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 在步骤S2中， 根据Deployment的流量请求数据情况和需要实现的预测精度来确定 生成对抗网络模型GAN及长短期记 忆模型LSTM的输入/ 输出维度。 5.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 在步骤S 3中， 先将所述流量请求数据进 行归一化处理， 然后对 所述生成对抗网络模 型GAN进行训练。 6.根据权利要求5所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 步骤S3包括： 步骤S31.从归一 化处理后的流 量请求数据中随机取 出一定量的训练样本； 步骤S32.首先根据训练样本训练生成对抗网络模型GAN中的判别模型， 需要保持生成 对抗网络模型GAN中的生成模型的网络参数不变， 对判别模型进行预设次数k次的训练； 根 据梯度下降算法更新判别模型的神经网络参数； 步骤S33.训练k次判别模型后， 保持判别模型的网络参数不变， 训练一次生成模型； 根 据梯度下降法更新 生成模型的神经网络参数； 步骤S34.重复步骤S31～步骤S33， 直到判别模型和生成模型均收敛， 得到流量增强模 块； 步骤S35.利用流 量增强模块输出不同时段增强的流 量增强数据； 步骤S36.根据均值或方差指标将流量增强数据和真实的流量请求数据进行比较来评 估流量增强数据的有效性； 如果有效性达标， 则完成对流 量增强模块的训练。 7.根据权利要求5所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特权　利　要　求　书 1/2 页 2 CN 114389953 A 2征在于， 将归一化处理后的流量请求数据与流量增强数据合并作为所述长短期记忆模型 LSTM的训练数据。 8.根据权利要求7所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 步骤S4包括： 步骤S41.从所述训练数据中随机取 出一定量的训练样本， 剩下的为测试集； 步骤S42.通过步骤S41中的训练样本训练所述长短期记忆模型LSTM， 使所述长短期记 忆模型LSTM的神经网络收敛， 得到流 量预测模块； 步骤S43.在测试集上验证流量预测模块的预测效果； 如果能进行有效预测， 则完成对 流量预测模块的训练。 9.根据权利要求1所述的一种基于流量预测的Kubernetes容器动态扩缩容方法， 其特 征在于， 在步骤S 6中， 自动扩缩容配置可以根据需要进 行调整， 配置条件应基于流量预测制 定。 10.一种基于流 量预测的Kubernetes容器动态扩 缩容系统， 其特 征在于， 包括： 流量数据监控收集组件， 用于获取并保存Depl oyment的流 量请求数据； 流量预测组件， 用于根据权利要求1 ‑9任一项所述的Kubernetes容器动态扩缩容方法， 通过所述流量请求数据对生成对抗网络模型GAN进行训练得到流量增强模块， 所述流量增 强模块输出流量增强数据； 通过所述流量请求数据、 流量增强数据对长短期记忆模型LSTM 进行训练得到流量预测模块； 所述流量预测模块根据当前的流量请求数据对未来一段时间 内Deployment的流 量请求进行 预测， 并输出 预测值； 基于流量预测的Pod自动扩缩容组件， 用于根据未来一段时间的预测值， 结合自动扩缩 容配置， 通过apiserver对相应的Pod执 行扩缩容操作。权　利　要　求　书 2/2 页 3 CN 114389953 A 3