Kubernetes中基于能效意识的调度多目标框架

《IEEE Transactions on Network and Service Management》：A Multi-Objective Framework for Power-Aware Scheduling in Kubernetes

本研究提出了一种面向Kubernetes的多目标调度框架，通过机器学习模型动态预测节点功耗，结合TOPSIS和分布式NSGA-II算法优化能耗、资源利用率及负载均衡，实验表明其相比基线方案在功耗降低40%的同时提升CPU和内存利用率达74%和68%。

　　

摘要：

在Kubernetes中实现高效的工作负载调度对于优化大规模和异构集群中的能源消耗和资源利用至关重要。然而，现有的Kubernetes调度器要么忽略对功耗的考虑，要么依赖于简化的、静态的功耗模型，这限制了它们在动态工作负载下管理能源效率的能力。为了解决这些问题，我们提出了一个多目标调度框架，用于在线Kubernetes容器放置，该框架同时考虑了功耗、资源利用和负载均衡。该框架采用两阶段设计：(i) 节点功耗分析组件根据实际功耗测量数据训练机器学习模型，以预测不同利用率下的节点功耗；(ii) 在线调度器在多目标优化框架中使用这些预测结果。我们使用两种算法（TOPSIS和NSGA-II）来实现调度优化，并将其适配到Kubernetes环境中；同时，我们还提出了NSGA-II算法的分布式版本，该版本通过控制工作节点之间的迁移来并行化适应度评估。实验结果表明，所提出的框架优于基准调度器，实现了40%的功耗降低，CPU和内存利用率分别提高了74%和68%，并且在高负载下仍保持了良好的可扩展性。据我们所知，这是首次将学习到的功耗模型和分布式多目标优化集成到Kubernetes中，以实现基于功耗的容器调度。