一种适于Docker容器资源控制的分类预测方法∗

李 植 陈莉君

（西安邮电大学计算机学院 西安 710100）

1 引言

云平台作为第三方应用的服务提供商，为应用提供其运行时所需的环境，因此引入了虚拟化技术。随着虚拟化技术的迅速发展，容器作为一种操作系统层上的虚拟化技术，成为了虚拟化领域的热点［1～2］。

容器可被看作是一种“轻量级”的虚拟机，凭借其轻量性和高效性，云平台可利用容器为应用快速的提供隔离的运行环境以及资源。其中，Docker容器因其启动速度快，易于创建和销毁等特点而被业界广泛使用。随着Docker容器在云平台上的广泛应用，为了避免因为容器资源分配不合理，造成容器服务质量下降的现象，需要对容器资源进行合理的控制。

关于容器资源的控制，Kubernetes，swarm等容器管理平台都做了相关方面的研究。以Kuber⁃netes为例，Kubernetes中资源调度的单位为pod，它包含了一个或多个容器。针对pod，Kubernetes提出了多种资源调度算法，为其选取合适的运行节点［3］。同样，Swarm也是基于一种调度策略，来为容器提供相适应的运行节点［4］。而两者对容器资源的控制实际是通过cgrous机制来完成。

现阶段cgroups对容器资源的控制方法是，首先人工根据现有的容器资源使用数据预测应用的资源需求，然后对容器资源进行配额［5］。但该方法存在局限性，人工可分析的数据范围有限，参考的因素有偏差，且存在主观影响。所以预测结果存在偏差，可参考性不足，使得cgroups对容器资源的控制效果并不明显。

针对上述缺点，本文通过研究cgroups对Dock⁃er容器资源的控制方法，以及可控制的资源种类，提出了一种分类预测算法来提高cgroups控制容器资源的效率。

2 Docker资源控制方法

Docker是一款开源的应用容器引擎，该容器引擎是基于Linux container（LXC）技术的扩展，它提供了用于管理容器的libcontainer库，如图1所示［6］。其中，库中的cgroups机制用于Docker对容器资源的控制。

图1 libcontainer的组成

cgroups机制是用于控制一组进程能够使用资源多少的机制，其结构如图2所示。容器包含了一个或多个cgroups，相互关联的cgroups以树状组织成层级结构（hirearchy），不同的层级结构挂载着不同的子系统（subsystem）。其中，子系统代表cgroups机制可控制的资源种类［7］。

图2 cgroups机制结构

当前，使用cgroups对容器资源进行控制的方式比较简单，人工参考容器在短时间内的资源使用情况，预测其后期的使用情况，根据预计结果设置cgroups的资源控制文件，从而使得cgroups达到资源控制的目的。然而，人工可分析的数据范围有限，参考的因素有偏差，且存在主观影响。这些因素会对预测结果产生偏差，影响cgroups对容器资源的控制效果。

因此，需要有效且可靠的容器资源控制方法来支持cgroups对容器资源的控制，保证容器为应用提供的服务质量。

3 容器资源控制方法

为了避免因为容器资源分配不合理，造成容器服务质量下降的现象，需要对容器进行资源控制来保证容器的服务质量。

假设当前可为容器提供m种资源，并且每种资源的使用情况可被分为n种（比如：少量，一般，超量等），则容器对整体资源的使用情况可分为nm种。如果对nm种使用情况的整体数据集合进行分析，则会因为使用情况之间的差异，造成预测结果存在偏差，不适用于整体容器。为了提高预测结果的精确度，分别对每种使用情况进行分析，并将各种使用情况的分析结果作为预测凭据，cgroups利用该预测凭据可提高对容器资源的控制效率。为此，提出了基于cgroups的分类预测算法。

该算法首先对所采集的数据集合进行分类，数据集合中的数据来自任意时间点上容器资源的使用情况，是随机且复杂的。因此，数据集合可被看作是一个不规则形状的数据空间。为了得到数据空间最优的分类结果，采用谱聚类算法进行分类。谱聚类算法是一种基于图论的算法，该算法能够对任意形状的样本空间进行聚类且收敛于全局最优解［8～9］。

对数据集合进行分类后，对每种使用情况进行详细的分析，计算出nm种资源使用情况各自所对应的类别权重。利用类别权重可预测容器在后期的资源使用情况，从而使用cgroups进行资源控制。类别权重的求取，其实是一个子类与其他子类的划分，是一个二分类过程。因此，采用泛化能力良好，且解为全局最优解的支持向量机算法进行计算［10］。

因此，基于该分类预测算法的容器资源控制框架如图3所示。整体框架为该分类预测算法利用谱聚类对使用情况进行分类，并利用支持向量机计算类别权重。依据类别权重预测容器后期的资源使用情况，使用cgroups对容器资源进行控制。

4 分类预测算法

在容器资源控制框架中，针对容器资源使用情况的随机性和复杂性，提出了分类预测算法。该算法分为两步，第一步是利用谱聚类对容器资源使用情况进行分类，第二步是利用支持向量机计算每种类别的类别权重，计算过程如图4所示。

图3 容器资源控制框架图

图4 算法计算过程

图4中，数据集合V由容器资源的使用情况组成，V中每个数据点vi代表任意时间点容器资源的使用情况，可表示为

其中，xi代表一种资源的使用情况，n表示容器可使用n种资源。

如果将每种资源看作一个维度，则该数据集合可被看作一个多维度数据空间。数据集合V中的数据点vi之间存在差异性，则该多维度数据空间的形状是不规则。针对该不规则形状的多维度数据空间，利用谱聚类算法和支持向量机算法来进行分类与类别权重的计算。

4.1 谱聚类算法

谱聚类算法的主要思想是将数据点作为图中的顶点，且数据点之间用边相连。相似度较低的两点，边权重值较低；反之，边权重值较高。数据集合因此成为了一个无向加权图G=(V，E)，V表示图G中所有顶点的集合，E表示图G中所有边的集合［8～9］。数据集合V的分类实质为图G的分类。

谱聚类算法通过对图G进行切图，使切图后的子图之间的边权重和尽可能地小，子图内的边权重和尽可能地大，从而达到聚类的目的。将图G划分为A，B两个子图的代价函数为

其中，A∪B=V，A∩B=∅。

而容器资源的使用情况具有多样性，因此采用谱聚类多路规范割集准则，来获得全局最优的划分结果，目的是将图G同时划分为k个子图。目标函数为

将上述目标函数连续放松，将其转换为对拉普拉斯矩阵L的谱分解问题。拉普拉斯矩阵L是通过相似矩阵W和对角矩阵D进行求取：

L=D-W

相似矩阵W由数据点之间的高斯距离求得，即：

其中，σ表示预先指定的参数，目的是对数据点之间的距离进行合适的放大或缩小。

对角矩阵 D=diag{d1，d2，…，dn}由相似矩阵W可得，其中di表示相似度矩阵W 第i行的行和，表示为

规范化拉普拉斯矩阵L，可得矩阵Lsym：

求取矩阵Lsym前m个最大特征值所对应的特征 向 量 k1，k2，…，km，构 造 特 征 向 量 矩 阵K=[k1，k2，…，km]，将矩阵 K 的行向量转变为单位向量，得到矩阵Y，即：

利用k-means算法对矩阵Y进行聚类，可分得m类容器资源的使用情况类别，且该分类结果是全局最优的。

4.2 支持向量机

利用谱聚类算法对数据集合划分之后，获得子类数据集合，可表示为

其中，Vi'为划分后的子类样本。

随后，通过求取子类Vi'的类别权重，预测容器资源的使用情况。类别权重为每种资源的权重值所构成的向量，表示为

其中，ωi表示第i个子类的类别权重，表示子类中第j种资源的权重。

类别权重的求取，实际为划分单个子类与其他所有子类的过程，是二分类。为了在二分类的同时获得类别权重，故采用支持向量机进行计算。

支持向量机的主要思想是在数据集合中寻找一个超平面，使属于不同类别的数据点正好位于超平面的两侧，该超平面既能保证分类的精度，也能让子类之间的间隔最大［10］，如图5所示。

图5 支持向量机原理示意

支持向量机的目的是，根据有限样本信息在模型中的学习，保证后期对未知样本数据具有良好的泛化能力，既能求取全局最优解，又能保证目标检测分类器具有可靠的分类结果。另外，支持向量机避免了推演、归纳等复杂的计算过程，使得计算快速简便。

寻找最优超平面的问题是一个复杂的过程，所以支持向量机利用拉格朗日优化方法将其转化为二叉规划问题。在数据集合V中，假设超平面为

其中，x表示数据集合V中的数据点，ωT表示权重，b表示影响因子。

根据平面几何知识，数据集合中任一点x与超平面上的投影点x0之间的关系为

由上述两公式，可得两点之间的距离为

为了使分类效果更明显，距离γ需要增大，则||ω||需要减小。所以，可得目标函数为

其中，yi为xi的类别标签。对上式引入拉格朗日乘子α并定义拉格朗日函数L：

使得问题变为二叉规划问题，最终求得目标函数为

随后，利用迭代求解的方法，从αi中任意提取两个乘子，并固定其他乘子进行计算，最终达到求解原问题的目标。同时，获得ω与b的结果，即类别权重与影响因子。

综上，便是分类预测算法的整体计算过程。

5 实验

5.1 实验内容

通过在单核虚拟机中采集容器资源使用情况，使用分类预测算法进行训练，求取类别权重。随后采集测试集数据，验证该算法的可用性。

实验在单核虚拟机中进行，操作系统为cen⁃tos，容器为Docker。运行2个容器应用，以及1个容器压力测试工具，并采集3种容器在运行过程CPU和内存的使用情况数据。如图6、图7所示。

图6 CPU资源使用率

图7 内存资源使用率

图6中，容器1对CPU资源使用率较高，基本处于40%～70%之间；容器2对CPU资源的使用率较低，基本处于10%～30%之间；容器3对CPU资源使用率一般，基本处于20%～40%。

图7中，容器1对内存资源的使用率基本处于10～40（MB）之间；容器2对内存资源的使用率基本处于30～40（MB）之间；容器3对内存资源的使用率基本处于20～30（MB）。

由两幅图，可看出当容器1处于波峰时，会导致其他容器处于波谷。所以，通过控制容器的CPU资源使用率和内存资源使用率，使其靠近使用频率最频繁的情况下，限制类似于波峰的资源使用情况，空闲出资源为其它容器所使用。

5.2 实验结果

通过谱聚类算法对数据集合进行分类，实验规定了2种资源，以及每种资源的使用情况分为2类，则对该数据集合进行4分类，结果如图8所示。

图8 谱聚类分类结果

利用支持向量机计算每种类别类别权重，结果如表1所示。

表1 类别权重表

表1中，W1、W2表示两种资源，b表示影响因子。由表1可看出类别权重分为了4种情况，分别对应4种类别。最后，利用测试集验证该分类预测算法，结果如表2所示，精度可到96%，适用性良好。

表2 实验结果数据表

6 结语

本文针对容器资源控制，提出了分类预测算法，对容器资源的使用情况进行分类，获取每种类别的类别权重，从而用于对容器资源使用情况的预测。依据类别权重可提高cgroups的控制效果。实验结果表明，该分类预测算法的可用性较高。但该实验中，采集的资源种类较少，运行环境较为单一，因此后期需对实验环境，以及数据的采集进行扩展。同时，需对算法进行优化，使其满足各种场景需求。