一种基于Kubernetes的轻量级PaaS微服务框架

微服务框架主要有客户端负载均衡和服务端负载均衡两类设计模式。文章提出一种基于Kubernetes的轻量级PaaS微服务框架,框架采用服务端负载均衡模式,设计了自定义的ServiceRoute对象来描述服务路由需求,以ServiceRoute对象的变化来增删服务访问点,基于对服务访问点的DNS名称解析实现服务寻址,采用经LUA扩展的HAProxy实现服务路由和服务治理。框架采用标准的HTTP协议,架构简单清晰、组件实施方便、对应用无侵入,测试结果表明,该微服务框架工作稳定、性能良好,可为受限环境下部署微服务系统提供一种合适的解决方案。

基于Kubernetes的私有云PaaS服务资源管理调度系统研究

Kubernetes因其优良的容器管理能力,已经被广泛应用于私有云平台服务。私有云平台服务存在多种应用类型,其中很多应用相互依赖,但Kubernetes资源调度却没有考虑到这些应用之间相互依赖的关系。因此,当计算资源使用率高时,应用无法提供高质量的服务。经过系统需求分析后,设计了一个基于Kubernetes的私有云PaaS服务资源管理调度系统,该系统主要包括资源监测模块、资源调度模块以及资源预测模块等。通过对该系统的测试情况分析可知,该系统是可行且有效的。

Kubernetes平台下国产GPU的并发容器共享

随着技术的不断发展,机载智能系统正在向智能化发展。相较于虚拟机,轻量灵活且可伸缩的容器技术在安全性和性能均要求较高的机载智能应用中更适用。随着容器技术的不断发展,容器编排系统也迅速崛起,其中Kubernetes已成为主流的容器编排平台。然而目前Kubernetes在GPU管理方面存在不足,多个并发GPU容器无法共享GPU资源。考虑到日益增加的硬件自主可控需求,面向容器技术的国产GPU资源的共享迫在眉睫。针对上述问题,提出了一种名为sharedGPU的通用国产GPU共享方法,所提出的方法面向Kubernetes平台,实现了并发容器之间共享GPU,同时保留容器独占GPU的使用模式。实验结果表明,sharedGPU支持独占和共享两种使用GPU的模式。

基于Kubernetes的无服务器计算与微服务集成架构研究

Kubernetes提供资源调度、应用部署与管理、自动修复、服务发现与负载均衡、弹性伸缩等分布式应用管理功能,屏蔽基础设施差异,成为企业多云管理的操作系统。容器是轻量、可移植、自包含的软件打包技术,能使应用程序在不同平台以相同的方式运行。服务网格将服务治理与业务逻辑解耦,服务治理下沉到基础设施,以无侵入方式实现服务轻量化。无服务器计算是事件驱动、无状态、短运行时间、敏捷自动伸缩和低成本。微服务是去中心、独立、自治、跨语言的小型软件实体集合。以容器为云原生应用的运行载体,用服务网格治理服务,将无服务器计算与微服务相结合,发挥各自优势,为企业提供完备、灵活的云原生应用解决方案。基于Kubernetes的无服务器计算与微服务集成架构为应用提供更好的弹性和灵活性,变革应用的设计、开发和管理模式。

基于Kubernetes的融合云原生基础设施方案与关键技术

随着云原生技术在IT域和CT域的广泛应用,云原生基础设施逐渐成为新一代的云计算基础设施。分析了主流云原生基础设施技术体系及其局限性,提出了基于Kubernetes的轻量级融合云原生基础设施及其管理方案,探讨了融合云原生基础设施的关键技术和应用场景。

基于Kubernetes的多云网络成本优化模型

以Kubernetes为代表的云原生编排系统在多云环境中被云租户广泛使用,随之而来的网络观测性问题愈发突出,跨云跨地区的网络流量成本尤为突出。在Kubernetes中引入扩展的伯克利数据包过滤器(extended Berkeley packet filter,eBPF)技术采集操作系统内核态的网络数据特征解决网络观测问题,随后将网络数据特征建模为二次分配问题(quadratic assignment problem,QAP),使用启发式搜索与随机搜索组合的方法在实时计算的场景下求得最佳近优解。此模型在网络资源成本优化中优于Kubernetes原生调度器中仅基于计算资源的调度策略,在可控范围内增加了调度链路的复杂度,有效降低了多云多地区部署环境中的网络资源成本。

Kubernetes异构资源细粒度调度策略的设计与实现

在异构资源环境中高效利用计算资源是提升任务效率和集群利用率的关键。Kuberentes作为容器编排领域的首选方案,在异构资源调度场景下调度器缺少GPU细粒度信息无法满足用户自定义需求,并且CPU/GPU节点混合部署下调度器无法感知异构资源从而导致资源竞争。综合考虑异构资源在节点上的分布及其硬件状态,提出一种基于Kubernetes的CPU/GPU异构资源细粒度调度策略。利用设备插件机制收集每个节点上GPU的详细信息,并将GPU资源指标提交给调度算法。在原有CPU和内存过滤算法的基础上,增加自定义GPU信息的过滤,从而筛选出符合用户细粒度需求的节点。针对CPU/GPU节点混合部署的情况,改进调度器的打分算法,动态感知应用类型,对CPU和GPU应用分别采用负载均衡算法和最小最合适算法,保证异构资源调度策略对不同类型应用的正确调度,并且在CPU资源不足的情况下充分利用GPU节点的碎片资源。通过对GPU细粒度调度和CPU/GPU节点混合部署情况下的调度效果进行实验验证,结果表明该策略能够有效进行GPU调度并且避免资源竞争。

2023年度奶牛产业与技术发展报告

本文从生产现状、市场与贸易、加工与消费、技术研发等角度对2023年中国奶业发展进行了分析,同时指出中国与奶业发达国家产业素质的差距点,为中国奶业发展提出技术和政策建议。

面向Kubernetes的容器立体化监控系统

容器监控是保证容器基础设施正常运行的核心要素之一,然而当前容器监控角度较为单一,尚缺少直观有效的方法协助运维人员快速定位业务容器异常原因.本文设计并实现了一个面向Kubernetes的容器立体化监控系统,通过监控指标相关性分析,把相关性较强的指标作为立体化监控的核心指标提供给运维人员,更好地实现对容器的全局统筹监控.

基于Kubernetes的资源调度策略研究与改进

针对Kubernetes默认调度策略在多Pod调度时无法考虑多任务调度过程的全局特征,导致无法保证集群整体负载均衡的问题,本文设计了一种优化的静态资源调度策略Ku-PSO,通过改进粒子群算法(PSO),提升集群负载均衡效率。首先,通过建立多Pod调度模型,以集群负载均衡度作为适应函数,并设置约束条件保证集群正常运行;其次,通过改进粒子群算法的惯性因子、个体学习因子和社会学习因子实现权值优化,使得粒子群在前期寻优过程中具有优秀的全局搜索能力,后期寻优过程中能够迅速收敛,应用于集群资源调度能够快速找出资源的最优分配方案。实验表明,使用Ku-PSO算法进行Kubernetes资源调度较默认调度策略集群均衡度显著提升,较PSO算法可以有效减少部署时间,实现更优的均衡调度。

基于负载均衡的Kubernetes改进优化算法研究

为了改善Kubernetes资源调度算法的负载均衡性,针对传统的Kubernetes默认调度算法只考虑了节点的CPU利用率和内存利用率,未考虑磁盘IO利用率和网络带宽利用率的问题,提出一种基于鸽群算法的Kubernetes资源调度算法。选择CPU、内存、磁盘IO和网络带宽平均资源利用率标准差作为适应度函数,通过鸽群算法的调度分配实现资源的最佳分配。研究结果表明,PIO-Kubernetes算法提高了集群负载能力,并且具有更强的并行处理能力。

基于Kubernetes的Fabric链码管理及高可用技术

区块链即服务(BaaS)平台的核心在于如何将区块链网络部署在云计算平台上。Fabric部署可以按照组件启动时间分为静态组件和动态链码两部分,而链码部署是Fabric云化最核心、最复杂的部分。因为Fabric本身没有针对Kubernetes开发接口,所以业界当前的方案均是通过一系列辅助技术实现链码部署,而这些方案并没有将链码随静态组件一起纳入到Kubernetes管理环境中。针对当前BaaS方案存在的问题,主要做了如下几项工作:1)比较全面地研究了底层基础设施,尤其是生产环境下的高可用性Kubernetes平台;2)设计并实现了Fabric在Kubernetes上的云化部署,尤其是链码部分通过一个全新的容器控制插件实现了对Kubernetes在代码级别上的支持,并完成了将链码纳入Kubernetes环境管理的目标;3)用函数计算服务来管理Fabric链码的部署,从而实现了一个全新的链码执行模式,即从"启动-等待-调用-等待"的模式改变为"启动-调用-退出"的模式。上述在Fabric云化部署尤其是链码部署管理方面的工作,对基于Fabric和Kubernetes的BaaS平台优化有一定的参考价值。

突破“卡脖子”技术:知识开发模式对企业关键核心技术及其衍生技术的影响

在新一轮科技革命与百年未有之大变局下,我国企业正面临由贸易之争转变为科技实力之争带来的“卡脖子”技术困境。基于突破“卡脖子”技术的现实问题,以中国上市公司发明专利为数据集,分析企业知识开发模式对关键核心技术及其衍生技术的影响。结果表明,内部创新模式与外部创新模式均对企业关键核心技术及其衍生技术突破具有促进作用,但相比之下,外部模式产生的影响更加显著。进一步研究发现,市场竞争强度在知识开发与衍生技术之间起促进作用;选择外部知识开发模式不仅有利于衍生技术数量增长,而且有助于专利质量提高;衍生技术的成果转化会反馈新的关键核心技术突破。研究结论对我国企业高效选择创新路径,实现“卡脖子”技术突破具有重要参考价值。

基于Kubernetes的AI调度引擎平台

文中介绍了基于Kubernetes的AI调度引擎平台的设计与实现,针对当前人工智能调度系统中存在的服务配置复杂,集群中各节点计算资源利用率不均衡以及系统运维成本高等问题,本文提出了基于Kubernetes实现容器调度和服务管理的解决方案.结合AI调度引擎平台的需求,从功能实现和平台架构等方面设计该平台的各个模块.同时,针对Kubernetes无法感知GPU资源的问题,引入device plugin收集集群中每个节点上的GPU信息并上报给调度器.此外,针对Kubernetes调度策略中优选算法只考虑节点本身的资源使用率和均衡度,未考虑不同类型的应用对节点资源的需求差异,提出了基于皮尔逊相关系数(Pearson correlation coefficient,PCC)的优选算法,通过计算容器资源需求量与节点资源使用率的互补度来决定Pod的调度,从而保证调度完成后各节点的资源均衡性.

Kubernetes水平伸缩策略的改进研究

近几年,基于容器的虚拟化应用技术发展迅速,Kubernetes已经成为容器编排领域的事实标准,其自身的HPA控制器能够自动实现pod的水平伸缩。但Kubernetes本身的伸缩策略是一种响应式策略,pod的水平扩容存在延迟,在这期间将不可避免地会出现响应延迟或响应失败。为改善上述问题,文中设计一种基于预测值的扩容方案,其中的预测算法采用KNG模型。KNG模型是基于Kalman⁃NeuralProphet⁃GRU组合模型优化而来,并对其做出适当的扩展与改动,以更好地适应预测需要。所设计的扩容方案首先使用KNG模型来预测pod的资源使用情况;然后将预测值送入HPA控制器,以计算出所需的pod副本数。实验结果表明,预测算法能够较为准确地预测到pod负载的变化,使HPA控制器能够以预测值为依据,提前完成pod副本数的扩充,从而提高应用在流量高峰初始阶段的响应能力。

基于改进秃鹰搜索算法的Kubernetes资源调度应用

Kubernetes是一个管理容器化应用的开源平台,其默认的调度算法在优选阶段仅把CPU和内存两种资源来作为计算节点的评分指标,同时还忽略了不同类型的Pod对节点资源的占用比例是不同的,容易导致某一资源达到性能瓶颈,从而造成节点对资源使用失衡.针对上述问题,本文在Kubernetes原有的资源指标基础上增加了带宽和磁盘容量,考虑到CPU、内存、带宽和磁盘容量这4类资源在节点上的占用比例对节点的性能的影响,可能造成Pod中应用的非正常运行,甚至杀死Pod,从而影响集群整体的高可靠性.本文将等待创建的Pod区分为可压缩消耗型、不可压缩消耗型以及均衡型,并为每种类型的Pod设置相应的权重,最后通过改进的秃鹰搜索算法(TBESK)来寻找出最优节点进行调度.实验结果表明,随着集群中Pod的数量在不断增加,在集群负载较大的情况下,TBESK算法的综合负载标准差和默认的调度算法相比提升了24%.

Kubernetes HPA技术在气象通信系统中的应用

为提高气象数据的传输时效,在气象通信系统中引入了Kubernetes水平自动伸缩技术(HPA),并分析了基于CPU和内存指标的应用自动伸缩流程。针对气象观测站周期性传输大量小尺寸数据的特点,提出了一种根据文件或者消息数量指标对Pod进行自动伸缩的改进算法。通过对FTP协议和消息模式的传输时效进行实验分析,得出了文中提出的HPA算法具有较高的通信时效和资源利用率,能够满足现代化气象业务的要求。

利用kubernetes集群搭建基于容器技术的分布式架构数据中心研究

目的:建立面向临床、科研、集团化管理的信息技术平台。方法:针对数据驱动的临床研究场景,利用kubernetes集群搭建基于容器技术的分布式架构数据中心,用以实现各类临床数据的结构化、标准化和归一化等处理。结果:通过分布式架构方案,实现了医院数据中心基础设施高可靠的设计需求。结论:为临床应用及科研提供了一套可信赖,可直接分析、利用的高效数据服务系统。

2023年生猪产业与技术发展状况

2023年我国生猪产能持续增长,市场供应持续供大于求,价格长时间低迷,成为自2014年以来首个全年算总账的亏损年,整个生猪行业处于艰难苦撑状态,产能调减力度不足。美国猪肉供应充足,价格下跌;欧盟生猪产量下降,价格上升。猪肉贸易方面,我国仍是世界第一猪肉进口国,全年进口227.5万t。本文总结了2023年度国内外生猪生产与贸易概况,分析了生猪产业不同技术领域的变化,展望了2024年生猪产业发展前景,并提出生猪产业发展的政策建议。

面向Kubernetes的容器混合伸缩方法

Kubernetes中基于容器的微服务系统是一种典型的云原生应用。已有容器动态调度算法大多只考虑容器数量的调整(水平伸缩),没有考虑容器本身的配置调整(垂直伸缩),导致集群资源的分配不合理。因此,论文提出了一种面向Kubernetes的容器混合伸缩方法,该方法采用排队模型计算应用所需的处理能力,以基于深度神经网络的容器性能模型为基础,将处理能力映射为具体的容器混合伸缩配置方案。基于Kubernetes集群上的实验结果表明,在保证服务水平协议(SLA)的前提下,该方法相较于其他方法资源消耗成本最低。