买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学申请的专利一种基于延迟感知的容器云资源智能调度系统及工作方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118331738B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410507430.6，技术领域涉及：G06F9/50；该发明授权一种基于延迟感知的容器云资源智能调度系统及工作方法是由彭玉怀;朱一飞;崔思尧;王晨路;王若愚;焦明海设计研发完成，并于2024-04-25向国家知识产权局提交的专利申请。

本一种基于延迟感知的容器云资源智能调度系统及工作方法在说明书摘要公布了：本发明提供一种基于延迟感知的容器云资源智能调度系统及工作方法。本发明方法具体步骤包括：收集历史应用资源消耗特征，计算系统最小逻辑调度单元Pod的β分位值，利用指数加权移动平均法计算t时刻Pod中第g个容器对某一种资源序号为z的β分位推荐值；确定待优化的GRU模型超参数，采用反向学习策略优化蜘蛛蜂的初始种群；优化后的新种群经历蜘蛛蜂的狩猎阶段、筑巢阶段、交配阶段更新种群，得到一组最优解作为GRU模型的超参数，设定GRU模型；建立延迟感知数学模型，并计算云中心节点和边缘云节点的Pod的综合延迟；得出优选阶段节点的评价函数；设置监控周期T，根据历史负载数据预测下一周期的负载，并输出当前以及下一周期的Pod资源配置建议。

本发明授权一种基于延迟感知的容器云资源智能调度系统及工作方法在权利要求书中公布了：1.一种基于延迟感知的容器云资源智能调度系统，其特征在于，包括：资源画像模块、GRU云负载预测模块、延迟感知模块、动态调度模块和混合扩缩模块，其中： 所述资源画像模块，连接所述GRU云负载预测模块，用于根据历史应用资源消耗的特征，采用指数加权移动平均方法与分位值算法组合，为观测值点赋予权重，并结合分位值算法使推荐值根据调度情况进行自适应调整；具体包括： 根据分位值算法计算观测窗口长度L，获取从时刻到时刻的数据，表示为； 根据历史数据计算Pod资源的分位值；将这L个历史数据从小到大排列后，定义为排序后数列中第h个数，分位值计算如下： 其中，h为整数部分，为小数部分，则所求的分位值数为： 其中，表示Pod资源的分位值； 设Pod中的容器可请求的资源种类为z种，当获取q个分位值后对其按时间先后顺序排列，表示为，则t时刻Pod中第g个容器对资源序号为z的分位需求值的一次移动平均值计算如下： 其中，表示t时刻Pod中第g个容器对资源序号为z的分位需求值的一次移动平均值； 利用指数加权移动平均方法计算t时刻Pod中第g个容器对资源序号为z的分位推荐值； 采用平滑系数计算t时刻预测值，，即： 计算t时刻Pod对资源序号为z的分位推荐值： 其中，表示t时刻Pod对资源序号为z的分位推荐值，m表示容器的总数量； 所述GRU云负载预测模块，一端连接资源画像模块，另一端连接延迟感知模块，用于对GRU负载预测模型的超参数进行寻优，同时采用反向学习策略对蜘蛛蜂算法的初始种群进行优化，增强种群的多样性并扩展算法的搜索范围，将得出的最优解作为预测模型的超参数； 所述延迟感知模块，一端连接GRU云负载预测模块，另一端连接动态调度模块，用于根据差异化的业务需求，结合感知和计算得到的系统最小逻辑调度单元Pod所处位置的综合延迟；具体包括： S31、假设在IIoT环境下的Kubernetes集群中有一组数量为C的Pod，Pod集合表示为，每个通过资源画像模块给出对应的资源需求表示为向量，其中、、、分别表示完成Pod中部署的应用程序任务所需的CPU、内存、网络带宽、磁盘IO的资源画像推荐值； S32、利用集群网络通信机制，来判断Pod是否为工作在云中心节点CloudNode上，Kubernetes集群中分为一个主控节点MasterNode和若干个工作节点集群，工作节点集群又分为处于云计算层的CloudNode与边缘计算层的EdgeNode，MasterNode的APISever向所有节点的Kube-proxy发送位置确认信号，各节点反馈其位置信息，MasterNode判定Pod是否在云中心节点上；若Pod在云中心节点则转到S33，否则转到S34； S33、假设IIoT某一用户的应用程序为，被分配到工作节点上的中部署运行，的数据量大小为；云中心节点CloudNode上的Pod的综合延迟包括运行用户应用程序所产生的处理延迟，表示为，以及拉取下载、传输、存储Pod镜像所产生的网络延迟； 云中心Pod的综合延迟具体计算公式如下： 其中，中的前一项表示传输该应用程序数据量以及运行该应用程序的的容器映像数据量所需的时间，式中的表示运行该应用程序的的容器映像数据量大小，中的后一项表示存储和绑定该应用程序与Pod所需的时间； S34、边缘云节点EdgeNode上Pod的综合延迟具体计算公式如下： 其中，RTT表示从MasterNode到工作节点网络通信的数据往返延迟时间，输出节点Pod的综合延迟； 所述动态调度模块，一端连接延迟感知模块，另一端连接混合扩缩模块，用于根据系统最小逻辑调度单元Pod所处位置的综合时延进行多资源指标改进；具体包括： 根据Pod本身存在的重启规则设定Pod的优先级，Pod重启规则分为Always、OnFailure、Never三个等级，Always是最高优先级，表示Pod不论被驱逐的原因都要优先重启该Pod；OnFailure为中间优先级，表示Pod因异常情况而被终止则进行重启；Never为最低优先级，表示被终止后不再重启； 将Pod按照优先级高低顺序排列后，调度模块从APISever中拉取待调度Pod的队列相关信息，根据优先级顺序拉取Pod作为调度算法预选阶段的输入； 采用Kubernetes默认的五个过滤规则，分别检测待调度Pod的通信端口是否已被该节点上其他Pod占用，该节点是否有充足的资源运行待调度Pod，该节点是否存在存储卷冲突，Pod的标签信息是否有与NodeSelectors匹配的节点，Pod所设定的HostName是否有指定匹配的节点； 对经过预选规则过滤后得到的所有候选Node的各类型资源可用率进行计算打分，结合前述延迟感知模块设定的数学模型，计算部署运行用户应用程序的所需求的各类资源在工作节点上的可用率得分为： 其中，表示工作节点上中可使用的资源k的剩余情况，k的取值为，k的取值分别表示CPU、内存、网络带宽、磁盘IO、网络IO，为资源可用率的得分权重，表示工作节点中资源k的总量； 根据得出的所有候选节点中Pod的综合延迟，按照延迟升序排列，则节点延迟得分为： 其中，为节点Pod延迟的得分权重； 根据节点延迟得分，计算优选阶段Node节点新的评价函数： 将得分最高的节点作为待调度Pod的最优节点进行部署； 所述混合扩缩模块，连接动态调度模块，用于采用自动扩容机制HPA与VPA相结合的工作机制，HPA策略负责网络IO、磁盘IO、带宽利用率三个资源指标的Pod数量增减，完成资源横向动态扩缩，VPA策略负责CPU、内存的纵向资源限额动态扩缩，利用资源碎片运行非实时任务；具体包括： 设置监控周期T，设垂直扩缩容的冷却标志位为，水平标志位为，初始值默认为1，表示冷却完成后进行扩缩，分别计算垂直扩容冷却时间，垂直缩容冷却时间，水平扩容冷却时间和水平缩容冷却时间： 其中，DT为Pod内运行的任务应用服务截止时间，LV为负载的变化频率，,为任务截止时间权重，SCT代表扩容冷却时间，RCT为缩容冷却时间； 在每执行完一次扩缩容之后，标志位置为0，重新开始定时计数，计数为0时，自动置标志位为1，当标志位为0时无法执行扩缩容操作； 在每个监控周期T通过监控模块获取应用所有副本的个资源指标的历史负载数据，并将其输入至组合预测模型，得出下一个周期T的负载预测值； 根据预测的资源负载指标值计算下一周期的期望副本数量，同时计算当前时刻系统的期望副本数量E，期望Pod副本数的计算方法为： 其中，为集群中当前的资源指标值，为集群的资源期望指标值，为当前Pod的副本数量； 判断或是否为1，若或任一值为1，则继续实行下一步骤，否则结束流程； 若为1，执行HPA扩缩策略流程；获取当前已部署的Pod副本数，比较与的数量大小，若数量大小不同，则将的数值作为输出，将输出输入至RC控制器中，执行Pod数量的增减操作，同时置为0；若为1，则执行下一步骤； VPARecommender根据当前资源状态、资源利用率以及预测模型给出的下一周期负载预测值，输出当前以及下一周期的Pod资源配置建议；并在Pod重建时将Pod的资源请求量修改为推荐值； Updater对比推荐值与当前值是否一致，若一致则运行中断保护机制，使原Pod并不立刻驱逐而是持续运行，在重设定新Pod资源规格并保证新Pod运行至可接管原Pod的状态以保证服务进行后，再执行驱逐操作；将VPAAdmissionController依据推荐值修改后的新Pod进行部署运行至原Pod工作状态，Updater驱逐原Pod，置为0； 若Updater对比推荐值与当前值不一致则结束流程。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。