随着近年来容器技术的不断发展,继IaaS、PaaS、SaaS之后,在云计算领域又出现了容器即服务(Container as a Service,CaaS)的运作模式。CaaS不仅更细化了资源划分的粒度,同时还进一步扩大了云计算的规模,但这也导致了云数据中心的能耗问题日益严重。容器负载与其产生的能耗之间有着密切联系,因此可以根据容器的负载状态来进行资源的动态配置和调度,从而优化系统的整体能耗。但由于云环境中容器负载状态变化频繁,从监控软件获得的负载值可能存在很大的滞后性,因此需要借助数学模型来预测容器的负载状态。除此之外,由于容器规模大,调度过程不仅涉及到容器本身还涉及到虚拟机,因此CaaS模式下的节能调度问题会更加复杂。综上,如何准确预测容器负载并能依据预测结果对容器进行有效资源配置和调度是当下亟待解决的问题。在这样的研究背景下,本文所做的主要工作有:(1)本文调研了在负载预测领域广泛使用的单值预测模型,并分析指出此类模型存在误差敏感、鲁棒性差等缺点,不利于资源配置和调度决策。为此,本文在传统区间预测模型的基础上,提出了一种基于趋势感知的区间预测模型(简称SAC-GPSO-SVM)。该模型通过频谱特征和自相关系数分析来对不同趋势的负载进行分类(SAC),并结合SVM方法进行针对性的预测。为了提升预测效果,模型还引入了带梯度信息的粒子群算法(GPSO)来优化SVM中的超参数。在公开数据集上的实验结果表明,SAC-GPSOSVM能在提升预测区间对真值覆盖率的同时有效窄化区间宽度。(2)为保证服务质量且有效降低云数据中心能耗,本文提出了基于动态伸缩的容器调度策略(简称DSCS)。该策略首先会根据容器伸缩规则以及SAC-GPSO-SVM模型对容器负载的预测结果,有针对性地增加或减少容器副本,尽可能以最小容器数量保证服务正常运行。接着,通过策略中基于负载相关性分析的容器选择算法(MCor-ML)和主机选择算法(CorHS),来有效地放置新增容器,并以最小代价实现过载/欠载主机上容器的迁移/合并过程。最后,策略会根据系统状态,销毁没有容器运行的虚拟机并使闲置主机进入休眠,从而减少资源浪费、降低能耗。在扩展了容器仿真功能的CloudSim平台上的实验结果表明:与其他策略相比,在保证云服务质量的同时(SLA违反率小于5%),DSCS能达到更优的节能效果(节能效果提升7.41%)。