容器技术的快速发展,使得更加快捷开发、部署和持续性交付成为可能,许多互联网企业逐渐向容器技术靠拢。以Kubernetes为主的容器编排工具的资源调度模块和资源分配仅能对CPU资源进行调整,难以解决因变化的负载使得内存溢出导致容器不断重启的问题;并且在多容器部署时很难考虑到资源消耗和负载均衡问题。为了解决这两方面的问题,本文将着重研究Kubernetes资源预测与调度方法,通过研究容器编排工具的调度算法将有效分配容器集群资源,提高资源利用率,最小化资源消费成本。具体研究工作主要包括以下三个方面:(1)提出了基于循环神经网络的Kubernetes资源的预测方法。针对传统的预测模型存在训练收敛速度慢、精度不高的问题,提出了一种基于深度学习的PP-LSTM(Pictures prediction Long-Short-Term Memory)方法。该方法引入注意门优化遗忘门和输入门,改进传统的LSTM模型,得到PP-LSTM,并用于Kubernetes资源使用的预测建模。实验结果表明,PP-LSTM的预测精度平均提升了近8个百分点,且PP-LSTM深度学习模型能够有效地预测流量变化带来的集群负载变化。(2)提出了基于粒子群算法的Kubernetes资源调度方法。对于原始调度模型的资源消耗模型存在多Pod部署调度和运行时长过长的服务资源难以达到均衡的问题,研究了元启发算法解决云资源调度的问题,并提出新的粒子群模型。首先建立调度模型;再调整速度选择的自适应规则,最后实现了优化粒子群算法及其用于Kubernetes资源调度的方法。实验结果表明,在资源利用率和负载均衡两个实验中验证了改进算法比其它算法在资源利用率上提高了近20%。(3)提出了基于弹性伸缩的Kubernetes资源混合调度方法。通过分别构建资源监控与采集模块,资源预测、自动伸缩模块和资源调度模块,构建Kubernetes资源混合调度方案。监控数据传入资源预测模块,自动伸缩模块得到预测模块的结果进行自动伸缩,资源调度模块将伸缩出的Pod分配给各自的节点。实验验证结果表明,该方法提高了资源的利用率,减少了服务崩溃的可能性,增强了服务质量。