一种容器集群调度方法、装置、设备、存储介质与流程

1.本发明涉及计算机技术领域，特别涉及一种容器集群调度方法、装置、设备、存储介质。


背景技术：

2.目前，云计算的迅速发展使应用部署选择云平台作为部署平台成为一种主流。为了适应动态多变的工作负载、应用场景和服务质量要求，云平台需要以一种可伸缩的方式对工作负载的资源进行动态调整。
3.现有技术中，容器技术中的kubernetes集群的scheduler调度算法，包含两部分调度算法predicates和priorities。scheduler调度算法首先执行predicates算法过滤部分node(节点)然后执行priorities算法为所有node打分，最后从所有node中选出分数最高的最佳的node。priorities算法主要从cr数、空闲资源、资源均衡、亲和性等方便进行线性计算打分node。kubernetes集群的调度算法，计算方式更多的是从自身cr分布，节点亲和出发，对于资源的占用情况，仅仅对空闲资源和资源均衡情况进行了计算，此算法容易产生资源碎片，不能对资源最大化的利用。
4.综上可见，当工作负载需要调度时，如何实现工作负载与节点的最适匹配，充分利用节点资源，减少资源碎片产生。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种容器集群调度方法、装置、设备、存储介质，当工作负载需要调度时，实现工作负载与节点的最适匹配，充分利用节点资源，减少资源碎片产生。其具体方案如下：
6.第一方面，本技术公开了一种容器集群调度方法，包括：
7.采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型；
8.利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点；
9.通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。
10.可选的，所述采集容器集群中各个节点的资源利用情况之前，还包括：
11.创建容器负载请求，并根据所述容器负载请求对应的资源需求情况以及当前各个节点的资源配额情况，确定出相应的初次调度控制参数；
12.利用所述初次调度控制参数对所述容器负载请求进行初次调度，以将所述容器负载请求调度至相应的节点；
13.相应的，所述通过调度器调度所述容器负载请求至所述目标节点，包括：
14.通过调度器将当前可利用资源不足的节点上的所述容器负载请求调度至所述目
标节点。
15.可选的，所述容器集群调度方法，还包括：
16.基于所述容器负载请求的数量增加情况，对所述容器集群进行资源伸缩处理。
17.可选的，所述基于所述容器负载请求的数量增加情况，对所述容器集群进行资源伸缩处理，包括：
18.判断所述容器负载请求的数量变化率是否大于预设变化率阈值；
19.如果所述容器负载请求的数量变化率大于所述预设变化率阈值，则将所述容器集群中的节点的资源进行扩容或缩容处理。
20.可选的，所述基于所述容器负载请求的数量增加情况，对所述容器集群进行资源伸缩处理，包括：
21.判断所述容器负载请求的数量变化率是否大于预设变化率阈值，以及判断所述容器负载请求的数量变化率是否处于持续增加或持续减少状态；
22.如果所述容器负载请求的数量变化率大于所述预设变化率阈值，并且所述数据变化率处于持续增加或持续减少状态，则对所述容器集群中的节点数量进行增加或减少处理。
23.可选的，所述采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，包括：
24.采集容器集群中各个节点在历史预设时间段内的中央处理器平均利用率、内存利用平均值、存储利用平均值、磁盘使用平均值、网络请求平均值，以生成对应节点的采样数据集，并基于所述各个节点的所述采样数据集创建训练集。
25.可选的，所述利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型，包括：
26.基于主成分分析法并利用所述训练集构建节点可利用资源预测模型，以得到相应的基于时间轴的节点可利用资源预测模型，以便利用所述节点可利用资源预测模型预测每个节点在未来预设时间段内的资源利用情况。
27.第二方面，本技术公开了一种容器集群调度装置，包括：
28.模型生成模块，用于采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型；
29.目标节点确定模块，用于利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点；
30.调度模块，用于通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。
31.第三方面，本技术公开了一种电子设备，包括：
32.存储器，用于保存计算机程序；
33.处理器，用于执行所述计算机程序，以实现前述公开的容器集群调度方法的步骤。
34.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的容器集群调度方法的步骤。
35.可见，本技术公开了一种容器集群调度方法，包括：采集容器集群中各个节点的资
源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型；利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点；通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。由此可见，本技术通过基于主成分分析法构建的节点可利用资源预测模型能够更好地解决节点资源碎片问题，进而使节点资源实现最大化利用，并且通过节点可利用资源预测模型所匹配出的目标节点是能够处理容器负载请求最合适的节点，然后调度容器负载请求至目标节点，实现对容器负载请求的分配的弹性调整，并提高节点资源利用率。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
37.图1为本技术公开的一种容器集群调度方法流程图；
38.图2为本技术公开的一种具体的容器集群调度方法流程图；
39.图3为本技术公开的一种容器集群调度方法结构图；
40.图4为本技术公开的一种具体的容器集群调度方法流程图；
41.图5为本技术公开的一种容器集群调度装置结构图；
42.图6为本技术公开的一种电子设备结构图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.现有技术中，kubernetes集群的调度算法，计算方式更多的是从自身cr分布，节点亲和出发，对于资源的占用情况，仅仅对空闲资源和资源均衡情况进行了计算，此算法容易产生资源碎片，不能对资源最大化的利用。
45.为此，本发明相应提供了一种容器集群调度方案，在工作负载需要调度时，能够实现工作负载与节点的最适匹配，充分利用节点资源，减少资源碎片产生。
46.参照图1所示，本发明实施例公开了一种容器集群调度方法，包括：
47.步骤s11：采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型。
48.本实施例中，采集容器集群中各个节点的资源利用情况，可以理解的是，由于节点需要利用自身部分节点资源或全部节点资源处理负载请求，所以采集各个节点的资源利用情况，并基于所述各个节点自身的节点资源以得到每个节点的采样数据集。也即，所述训练
集为基于所有节点的采样数据集的创建的。最后利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型。
49.本实施例中，所述采集容器集群中各个节点的资源利用情况之前，还包括：创建容器负载请求，并根据所述容器负载请求对应的资源需求情况以及当前各个节点的资源配额情况，确定出相应的初次调度控制参数；利用所述初次调度控制参数对所述容器负载请求进行初次调度，以将所述容器负载请求调度至相应的节点。可以理解的是，创建容器负载请求时，预先对容器负载请求所使用的资源配额进行相应的配置，初次调度控制参数具体可以包括但不限于请求参数和限制参数；其中，所述请求参数用于筛选资源配额符合条件的节点，所述限制参数用于限制容器负载请求占用情况。需要注意的是，所述资源配额具体可以包括但不限于：cpu(central processing unit，中央处理器)、内存、磁盘等。然后利用所述初次调度控制参数对所述容器负载请求进行初次调度，也就是说，预先将所述容器负载请求根据初次调度控制参数选定一个合适的节点，并调度所述节点处理所述容器负载请求。
50.步骤s12：利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点。
51.本实施例中，首先获取当前待处理的容器负载请求，然后利用所述节点可利用资源预测模型中的各个节点的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，并从所述各个节点中进一步确定出与所述容器负载请求最适匹配的节点，并将所述最适匹配节点作为目标节点。
52.本实施例中，例如以k个节点一天的资源使用情况为例，将每个小时平均cpu、内存、存储、磁盘使用、网络请求等资源使用情况作为一个数据集，假设所述数据集规格为24
×
n(n代表资源类型)。训练集中有k个节点的数据集。也就是说每个节点都有24
×
n的数据集矩阵.把每一矩阵按从上到下、从左到右的顺序重新排列成一个列向量，那么所有k个节点就构成了一个24
×
n行，k列的矩阵，矩阵的第i列元素就代表了原来的第i个节点的资源使用情况，首先，获取各个节点的资源使用情况，如式(1)所示，
53.x＝(x1,x2,
…
xk)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
54.其中，x表示各个节点的资源使用情况的集合，xk表示第k个节点的资源使用情况，k表示节点编号；
55.然后，根据各个节点的资源使用情况计算节点的平均资源使用情况，如式(2)所示，
[0056][0057]
其中，φ表示节点的平均资源使用情况，xi表示第i个节点；
[0058]
然后，利用各个节点的资源使用情况减去节点的平均资源使用情况以得到各个节点的资源使用情况的差值，根据上述公式(1)和公式(2)计算各个节点的资源使用情况的差值，如式(3)所示，
[0059]di
＝x
i-φ；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0060]
其中，di表示第i个节点的资源使用情况的差值；
[0061]
然后，根据各个节点的资源使用情况的差值构建协方差矩阵，如式(4)所示，
[0062][0063]
a＝(d1,d2,
…dk
)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0064]
其中，c表示各个节点的资源使用情况差值的协方差矩阵，d
it
表示第i个节点的资源使用情况的差值的转置矩阵，a表示所有节点的资源使用情况的差值的矩阵，a
t
为a的转置矩阵；
[0065]
然后，计算矩阵c的特征值和特征向量，如式(5)和式(6)所示，其中通过可以先计算出a
t
a的特征值λi和特征向量，然后根据奇异值分解定理，可以得出a
t
a的非零特征根与aa
t
的特征根相等，所以先计算a
t
a的特征值λi和特征向量，在进一步求出aa
t
的特征向量。
[0066][0067]
其中，ψ表示为贡献率，λi表示为a
t
a矩阵的特征值，
p
表示为按照从大到小的顺序排列的特征值λi的选取数量，并且令α为99％，以保证训练集中的样本数据在变换后的特征空间上的投影有99％的能量。
[0068]
然后求出
p
个特征值对应的a
t
a的正交归一化特征向量νi，并利用正交归一化特征向量νi和选取的特征值λi求出原协方差矩阵的特征向量，如式(6)所示，
[0069][0070]
其中，μi表示为与第i个特征根对应的原协方差矩阵的特征向量；
[0071]
然后，根据计算得到的原协方差矩阵的特征向量μi求出
p
个特征值的特征空间，如式(7)所示，
[0072]
w＝(μ0,μ1,
…
,μ
p-1
)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0073]
其中，w表示为特征空间；
[0074]
然后将每个数据集的差值集di投影到特征空间w上，就可以得到每个数据集的
p
个特征，如式(8)所示，
[0075]
ωi＝w
tdi
；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0076]
其中，w
t
表示为特征空间的转置矩阵，ωi有
p
个分量的列向量，对应表示第i个节点的
p
个特征，ωi称为特征资源集，所述特征资源集为每个节点资源使用情况的模型，也即，节点的可利用资源预测模型。
[0077]
所以，当出现待调度容器负载请求时，将所述可利用资源预测模型从数据库中取出，将所述可利用资源预测模型中的节点的可利用资源与所述待调度容器负载请求所需要的节点资源进行比较，以确定出目标节点，具体确定目标节点的过程如下：
[0078]
首先，将待调度的容器负载请求的差值集合投影到特征空间，得到容器负载请求的特征，如式(9)所示，
[0079]
ω＝w
t
(f-φ)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0080]
其中，f表示为容器负载请求的数据集；
[0081]
然后，从数据库中依次取出每个节点的特征资源集ωi，利用ω与ωi的欧式距离做
相似性判定容器负载请求和各个节点的契合度，计算欧式距离如式(10)所示，
[0082]
σ＝||ω-ωi||；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0083]
其中，σ表示为待调度的容器负载请求与每个节点的特征资源集的欧式距离，当σ小于某个预设阈值ε时，就能以很高的概率得出待调度的容器负载请求和数据库中第i个节点契合度很高。然后，操作人员根据实际应用场景手动确定预设阈值的大小，对ε进行调整，并且当σ值越小时，待调度的容器负载请求与第i个节点的契合度越高。
[0084]
步骤s13：通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。
[0085]
本实施例中，通过调度器将当前可利用资源不足的节点上的所述容器负载请求调度至所述目标节点。可以理解的是，当前节点的可利用资源不足时，首先，根据所述节点可利用资源预测模型确定出的用于处理所述容器负载请求的目标节点，然后调度所述容器负载请求至所述目标节点，以完成对所述容器负载请求的处理。
[0086]
可见，本技术公开了一种容器集群调度方法，包括：采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型；利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点；通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。由此可见，本技术通过基于主成分分析法构建的节点可利用资源预测模型能够更好地解决节点资源碎片问题，进而使节点资源实现最大化利用，并且通过节点可利用资源预测模型所匹配出的目标节点是能够处理容器负载请求最合适的节点，然后调度容器负载请求至目标节点，实现对容器负载请求的分配的弹性调整，并提高节点资源利用率。
[0087]
参照图2所示，本发明实施例公开了一种具体的容器集群调度方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
[0088]
步骤s21：基于容器负载请求的数量增加情况，对容器集群进行资源伸缩处理。
[0089]
本实施例中，当容器负载请求的数量增加或减少时，为避免节点资源浪费，需要对容器集群进行资源伸缩处理
[0090]
在一种具体实施方式中，当所述容器负载请求的数量增加或减少时，判断所述容器负载请求的数量变化率是否大于预设变化率阈值；如果所述容器负载请求的数量变化率大于所述预设变化率阈值，则将所述容器集群中的节点的资源进行扩容或缩容处理。可以理解的是，当所述容器负载请求变化率突然大于预设变化率阈值时，说明所述容器负载请求数量突然增加或减少，这种情况下，由于当前处理所述容器负载请求的节点的资源一般大于当前容器负载请求所需要的资源，所以，对于请求数量突然增加或减少的这种情况，可以先针对当前处理所述容器负载请求的节点进行纵向增加或减少请求参数和限制参数。如果所述当前节点资源不满足时，会根据节点可利用资源预测模型以及调度算法对节点进行重新调度以处理当前容器负载请求。
[0091]
在另一种具体实施方式中，当所述容器负载请求的数量增加或减少时，判断所述容器负载请求的数量变化率是否大于预设变化率阈值，以及判断所述容器负载请求的数量变化率是否处于持续增加或持续减少状态；如果所述容器负载请求的数量变化率大于所述
预设变化率阈值，并且所述数据变化率处于持续增加或持续减少状态，则对所述容器集群中的节点数量进行增加或减少处理。可以理解的是，若所述容器负载请求的数量变化率大于所述预设变化率阈值，并且所述数据变化率处于持续增加或持续减少状态，这种情况才，说明请求数量处于持续增加状态，需要水平增加节点数，以实现对容器负载请求进行分流处理，然后根据节点可利用资源预测模型选择合适的节点；当请求数持续下降时，节点资源使用持续下降，相应的水平减少节点数，减少资源占用。
[0092]
步骤s22：采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型。
[0093]
步骤s23：利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点。
[0094]
其中，关于上述步骤s22、s23更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0095]
步骤s24：通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。
[0096]
本实施例中，参照图3所示，首先根据容器负载请求对容器集群进行伸缩处理后，如果当前节点依旧无法通过自身资源实现对所述容器负载请求进行处理后，则向所述调度器发出节点资源不足，无法处理所述容器负载请求的指令，通过模型库中的所述节点可利用资源预测模型匹配出的最适节点，作为目标节点。另外，资源监控器收集节点1、节点2、节点3、节点4的采样数据信息并生成相应的采样数据集，然后基于所述采样数据集创建训练集，然后将所述训练集上报至模型库中，以便模型库根据所述训练集创建节点可利用资源预测模型，调度器通过调度算法对待调度容器负载请求进行调度，将所述容器负载请求调度至目标节点，以便所述目标节点对所述容器负载请求进行处理。
[0097]
由此可见，本实施例中，根据所述容器负载请求的数量的变化情况，对容器集群进行伸缩处理，并在所述容器负载请求占有资源持续上升时，进行自适应扩容。并且在经过伸缩处理后的节点资源依旧不满足处理所述容器负载请求的条件时，对所述容器负载请求进行重新调度，基于节点可利用资源预测模型找到最适匹配节点，作为目标节点，并将所述待调度容器负载请求调度至所述目标节点，能够解决节点资源碎片和节点资源最大化利用的问题。而且，基于主成分分析法创建的所述节点可利用资源预测模型可以针对不同容器多维度的异构性，合理分配容器部署位置，进而提高物理资源利用率。
[0098]
参照图4所示，本发明实施例公开了一种具体的容器集群调度方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
[0099]
步骤s31：采集容器集群中各个节点在历史预设时间段内的中央处理器平均利用率、内存利用平均值、存储利用平均值、磁盘使用平均值、网络请求平均值，以生成对应节点的采样数据集，并基于所述各个节点的所述采样数据集创建训练集。
[0100]
本实施例中，采集历史预设时间段内的中央处理器平均利用率、内存利用平均值、存储利用平均值、磁盘使用平均值、网络请求平均值，以生成对应节点的采样数据集，其中，所述历史预设时间段可以是0.5天、1天、5天等，所述采样数据集为二维数据集。需要注意的是，采集到的对应节点的采样数据集是携带着相关历史时间标签的数据集，以便通过所述
采样数据集生成的所述训练集也是携带着所述历史时间标签。
[0101]
步骤s32：基于主成分分析法并利用所述训练集构建节点可利用资源预测模型，以得到相应的基于时间轴的节点可利用资源预测模型，以便利用所述节点可利用资源预测模型预测每个节点在未来预设时间段内的资源利用情况。
[0102]
本实施例中，基于主成分分析法并利用所述训练集构建节点可利用资源预测模型，以得到相应的基于时间轴的节点可利用资源预测模型，可以理解的是，由于上述步骤s31中的所述训练集为携带着所述历史时间标签的数据集，所以基于主成分分析法最终生成了基于时间轴的节点可利用资源预测模型，以便利用所述节点可利用资源预测模型预测每个节点在未来预设时间段内的资源利用情况，因为加入了时间元素，所以从时间轴合理预测了节点资源利用情况，计算出节点利用资源情况是持续上升，还是周期往复，合理预测节点资源未来一时间段内的资源利用情况，从而可以进行预测试调度。需要注意的是，由于每个节点自身都有一定的资源最大限制，所以当所述节点可利用资源预测模型预测未来某一时间段内的资源利用情况指的是所述节点的最大资源限制减去历史预设时间段内的节点资源可利用的情况以得到对应的未来某一时间段内的节点资源利用情况。例如，某一个节点的内存为2g，昨天早上九点时处理所述容器负载请求时的节点可利用内存为1.7g，那么可以预测出今天上午九点时该节点的利用情况为0.3g。
[0103]
步骤s33：利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点。
[0104]
步骤s34：通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。
[0105]
其中，关于上述步骤s33、s34更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0106]
由此可见，本实施例中，创建的所述节点可利用资源预测模型不仅可以对节点资源进行非线性的建模，更好的解决资源碎片的问题还可以对未来某一时间段内的节点资源利用情况进行预测，进行预测试调度操作。
[0107]
参照图5所示，本发明实施例公开了一种容器集群调度装置，包括：
[0108]
模型生成模块11，用于采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型；
[0109]
目标节点确定模块12，用于利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点；
[0110]
调度模块13，用于通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。
[0111]
可见，本技术公开了一种容器集群调度方法，包括：采集容器集群中各个节点的资源利用情况，并基于采集得到的采样数据集创建训练集，利用所述训练集并基于主成分分析法构建相应的节点可利用资源预测模型；利用所述节点可利用资源预测模型中的各个节点的可利用资源与当前待处理的容器负载请求进行匹配，以从各个节点中确定出目标节点；通过调度器调度所述容器负载请求至所述目标节点，以便所述目标节点对所述容器负载请求进行处理。由此可见，本技术通过基于主成分分析法构建的节点可利用资源预测模
型能够更好地解决节点资源碎片问题，进而使节点资源实现最大化利用，并且通过节点可利用资源预测模型所匹配出的目标节点是能够处理容器负载请求最合适的节点，然后调度容器负载请求至目标节点，实现对容器负载请求的分配的弹性调整，并提高节点资源利用率。
[0112]
进一步的，本技术实施例还公开了一种电子设备，图6是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0113]
图6为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的容器集群调度方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0114]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0115]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
[0116]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的容器集群调度方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0117]
进一步的，本技术还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的容器集群调度方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0118]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0119]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0120]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0121]
以上对本发明所提供的一种容器集群调度方法、装置、设备、存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。