|
|
|
摘要 随着智慧矿山的快速发展，无服务器计算凭借其弹性扩展和自动化管理特性，为矿山云服务提供了高效的计算支持。然而，函数即服务（FaaS）模式中容器在空闲时缩减至零的特性虽然优化了资源利用率，但也引入了冷启动问题，严重影响高时延敏感型矿山任务的实时响应能力。针对这一问题，本文提出一种基于SARIMA-LSTM混合模型的预测驱动资源调度方法。首先，通过SARIMA捕捉计算请求的线性趋势和季节性特征，结合LSTM学习非线性动态变化，实现对函数调用量的精准预测。在此基础上，设计SARIMA-LSTM预测驱动的自动扩展器，基于预测结果并综合考虑Pod处理能力、副本创建时间和现有容器数量等参数，预先计算并部署所需容器实例。该方法能在请求到达前完成资源准备，有效降低冷启动延迟并提升资源利用率。实验结果表明，本文方法在Kubernetes真实环境中显著优于默认的水平自动扩展策略（HPA）。相较于HPA,SARIMA-LSTM预测驱动的自动扩展器的资源消耗减少了13.86%，同时显著降低了冷启动延迟，尤其在请求量突增的场景下表现更为突出。
|
|
| 关键词 ：
智慧矿山,
时序预测,
矿山云服务,
冷启动优化
|
|
|
| 基金资助:自然资源部矿山智能化试点项目（LMKY-SCJS-GKZB-2023004）； |
|
|
