容器凭借着其灵活、高效、快速的特点促使了容器云的快速发展,应用容器化成为个人或企业用户的首选,但是,由于容器技术发展时间较短,成熟度不高,在大规模集群中应用中,往往面临复杂的资源管理问题,并且随着容器技术的发展与应用,DevOps的开发理念深入人心,对资源的需求也不断发生变化,高并发、高可用、高弹性、高灵活性等需求越来越强烈,如何在保证云计算环境安全和稳定运行的前提下,将资源进行合理和高效的配置,成为当前领域研究的热点问题之一。本文主要从以下三个部分对容器云平台的资源预测与配置进行相关研究:(1)一种基于改进遗传算法优化LSTM神经网络的容器云资源预测模型。资源预测是通过对历史数据进行分析与处理,来提取数据在时间维度上的前后相关性的潜在特征,再对其进行建模来预测该资源在未来一段时间的资源负荷数据。本文利用遗传算法的全局寻优能力,并对遗传算法进行改进,结合LSTM NN对资源负荷时间序列数据进行建模,通过智能调参来实现较高的资源预测准确率。(2)一种新的容器云平台结构设计及实现方案。针对容器面向应用具有解决应用程序和依赖关系的绝对优势,借助硬件辅助虚拟化技术,实现系统级别的安全隔离和对硬件资源虚拟的高灵活性目的,解决容器存在共享内核带来的安全和隔离问题。通过KVM对物理硬件设备进行虚拟化,建立共享虚拟资源池,利用Docker和Kubernetes构建CaaS服务平台。(3)一种基于预测模型的容器云集群资源配置机制。由于容器为应用提供了较强的封装性和隔离性,且容器云集群中的容器实例也越来越多,以集群为单位的资源配置研究需求也越来越迫切。本文在已构造的资源预测模型基础上,结合定义的资源预测反馈机制,提出一种基于预测的容器云资源自适应弹性配置策略和机制,对已有的或者新增的任务请求进行资源配置。将资源预测、资源监控、资源配置三者建立密切的联系,从而达到容器云平台集群资源的合理利用与配置。最后,在现有的物理设备与公共数据集上进行模拟和对比实验,实验结果表明,改进的遗传算法在LSTM NN结构参数最优解组合搜索方面更加高效,预测模型准确率较高,容器云平台设计方案可行性高,资源配置策略与机制提高了集群资源的利用率。