随着云计算的飞速发展,支撑云计算的虚拟化技术也更加成熟。Docker容器虚拟化技术是目前该领域的研究热点,Docker容器具有标准化应用发布、计算资源消耗低、快速部署和启动的优势,是承载云平台的主流技术之一。但是云服务的并发访问往往具有突发性,这时云平台的工作负载会急剧增加,需要快速增加计算资源来维持服务质量。同样地,在流量下降时,也需要根据负载量减少空闲资源以降低成本。因此自动伸缩功能对云平台来说至关重要。本文的具体工作如下:(1)本文分析了Docker集群构建所面临的关键问题,针对Docker集群的网络通信和镜像共享的问题,分别使用Calico与Harbor进行解决,实现了Docker集群的构建。(2)在研究了GM(1,1)模型和BP神经网络模型的基础之上,提出一种组合式预测模型,利用BP神经网络模型为灰色预测模型的预测结果完善非线性误差,使预测结果兼顾线性与非线性两个方面。并且根据这种组合式预测模型的预测结果进行资源调度。(3)针对集群的资源监控、负载均衡、服务发现问题,建立了基于CAdvisor与Heapster的资源监控子系统、基于Haproxy的高可用负载均衡和基于Consul的自动服务发现,并在这些模块的基础上利用组合预测模型实现了基于预测结果的Docker集群自动伸缩。(4)通过实验,首先对GM(1,1)与BP神经网络的组合预测模型的预测精准度进行了验证,证明了本文的组合式预测模型具有较好的预测精准度。搭建了基于工作负载预测的自动伸缩Docker容器集群,并对集群的伸缩性进行了测试,证明了集群自动伸缩的有效性。