一种基于机器学习的在线容器迁移预判方法

Abstract

在过去的十年里见证了容器等云计算技术的重要发展,移动边缘计算( Mobile Edge Computing, MEC) 中的网络和计算环境的资源局限性给容器服务实时迁移切换带来了重大挑战,导致了容器在线迁移的代价过高给用户 带来不好的体验,甚至是迁移失败,因此在切换前对环境的预判,从而减小容器的downtime,减少网络开销,从而改 善用户体验,保证切换成功率就显得尤其有意义。本文提出了一种机器学习方法用于容器在线迁移代价的预判,从而 识别出不好的迁移决策。目标是通过降低迁移能耗和在线迁移的迭代次数来优化迁移过程的选择。实验结果表明,所 提出的解决方案可以显著识别出风险和代价较高的迁移决策。