摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-14页 |
1.1 研究工作的背景与意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-12页 |
1.3 本论文的研究内容与创新 | 第12-13页 |
1.4 本论文的结构安排 | 第13-14页 |
第二章 web系统高并发架构演变过程与分析 | 第14-17页 |
2.1 web系统架构演变过程 | 第14-15页 |
2.2 容器化高并发web系统架构设计的困难与挑战 | 第15-16页 |
2.3 本章小结 | 第16-17页 |
第三章 docker容器和Kubernetes容器集群化原理 | 第17-22页 |
3.1 docker技术简介 | 第17-19页 |
3.1.1 docker架构 | 第17-18页 |
3.1.2 docker技术原理 | 第18-19页 |
3.2 Kubernetes技术简介 | 第19-20页 |
3.3 Kubernetes容器平台的局限与不足 | 第20-21页 |
3.4 本章小结 | 第21-22页 |
第四章 基于docker容器的高并发系统架构的设计 | 第22-43页 |
4.1 系统总体设计 | 第22-23页 |
4.2 基于工作负载特性的动态负载均衡策略设计 | 第23-27页 |
4.2.1 基于Nginx负载均衡默认策略的分析 | 第23-24页 |
4.2.2 动态负载均衡策略设计 | 第24-27页 |
4.3 基于负载预测的弹性伸缩策略设计 | 第27-30页 |
4.4 基于蚁群算法并行容器调度模型设计 | 第30-42页 |
4.4.1 Kubernetes通用型调度器调度过程分析 | 第31-33页 |
4.4.2 基于蚁群算法的并行调度模型设计 | 第33-34页 |
4.4.3 蚁群并行调度算法设计 | 第34-41页 |
4.4.3.1 关于蚁群算法的变量定义 | 第35页 |
4.4.3.2 调度优势计算 | 第35-39页 |
4.4.3.3 信息素浓度矩阵的初始化以及迭代更新规则 | 第39页 |
4.4.3.4 蚂蚁进行路径选择的策略 | 第39页 |
4.4.3.5 蚁群算法停止条件判断 | 第39-40页 |
4.4.3.6 蚁群算法总体流程图 | 第40-41页 |
4.4.4 Goroutine pool设计 | 第41-42页 |
4.5 本章小结 | 第42-43页 |
第五章 基于docker容器高并发web系统架构的实现 | 第43-57页 |
5.1 集群性能监控系统搭建 | 第43-44页 |
5.2 系统核心数据模型实现 | 第44-48页 |
5.2.1 容器以及主机数据模型实现 | 第44-46页 |
5.2.2 Informer设计模式实现 | 第46-47页 |
5.2.3 Goroutine pool实现 | 第47-48页 |
5.3 动态负载均衡的实现 | 第48-50页 |
5.3.1 Nginx负载均衡器的实现 | 第49页 |
5.3.2 动态负载均衡控制器实现 | 第49-50页 |
5.4 基于灰度模型的负载预测弹性伸缩实现 | 第50-52页 |
5.5 基于蚁群算法并行资源调度器实现 | 第52-56页 |
5.5.1 核心蚁群算法计算模块实现 | 第52-53页 |
5.5.2 蚁群算法核心方法实现解析 | 第53-56页 |
5.6 本章小结 | 第56-57页 |
第六章 系统测试与分析 | 第57-71页 |
6.1 系统测试环境搭建 | 第57-59页 |
6.2 动态负载均衡测试 | 第59-62页 |
6.3 弹性伸缩测试 | 第62-66页 |
6.3.1 基于灰度模型的资源利用率预测值测试 | 第62-64页 |
6.3.2 基于负载预测弹性伸缩与传统k8s HPA策略性能比较 | 第64-66页 |
6.4 基于蚁群算法的并行资源调度器测试 | 第66-70页 |
6.4.1 通用型算法与蚁群算法调度优势随迭代次数变化 | 第67页 |
6.4.2 蚂蚁数量对于蚁群算法调度优势收敛影响 | 第67-68页 |
6.4.3 通用型算法与蚁群算法调度结果比较 | 第68-70页 |
6.5 本章小结 | 第70-71页 |
第七章 总结与展望 | 第71-73页 |
7.1. 总结 | 第71页 |
7.2. 展望 | 第71-73页 |
参考文献 | 第73-76页 |
附录 | 第76-80页 |
致谢 | 第80-81页 |
作者攻读学位期间发表的学术论文目录 | 第81页 |