基于Docker集群的农业云平台资源监测管理系统设计与实现
这是一篇关于农业云平台,Docker集群,资源监测,时序预测,弹性伸缩,自动化部署的论文, 主要内容为随着互联网的普及和云计算技术的发展,越来越多的应用基于云平台技术进行系统部署工作。传统的云平台1.0通常使用虚拟机技术搭建,能够在一定程度上降低软件运维成本,提高安全性。但是这种云平台在虚拟机启动时间和部署新应用等方面表现不佳,而使用Docker容器技术的云平台2.0启动时间更快,且占用的资源更低,尤其在微服务方面表现较好。当前,随着以物联网为代表的新一代信息技术在农业生产实践中的大量应用,各种农业信息系统日益增多,通常需要借助于云平台对这些系统进行集成与管理。特别是随着智慧农业的研究与建设,农业云平台的终端量和其产生的数据量快速增长,业务性密集计算与业务端低算力装备的矛盾表现得较为普遍,智能农业终端往往要借助于云端的算力来完成计算工作。在智慧农业场景下,终端设备除了需要在云平台静态加载应用服务外,还需要在云平台动态加载服务,对短周期数据进行实时决策,基于虚拟机的云平台不能够很好地应对这种应用场景。而基于Docker容器的云平台2.0技术,由于自身优势,更适用于这种场景。当前Docker容器技术仍然存在着资源管理机制不够完善的问题,以及当前的管理系统在动态资源分配方面不够灵活,且无法在保证应用服务质量的前提下最大化系统整体利用率。中原农村信息港是基于虚拟机技术和Docker容器集群技术建设的河南省国家农村信息化示范省综合服务平台,本文以中原农村信息港农业云平台Docker容器集群为研究对象,围绕Docker容器资源管理问题,进行容器资源监测模块设计,构建容器资源预测模型,并在此基础上建立基于Docker集群云平台的资源监测管理系统,实现农业云平台的容器资源实时监测、资源弹性化管理和应用服务自动化部署。主要研究内容包括:(1)设计基于Docker集群的云平台资源监测管理架构。采用c Advisor、Prometheus等技术构建容器集群云平台资源监测架构,实时采集各个容器所使用的系统资源情况,并将这些数据用Influx DB数据库进行持久化存储,为弹性化资源管理提供决策数据。(2)构建基于深度学习的容器资源预测算法。针对该容器集群的CPU、内存等时间序列的监测数据,构建双层LSTM、Attention-LSTM、GRU-LSTM等模型进行资源预测,并根据预测结果实现容器集群的弹性伸缩和异常数据的及时告警。在农业云平台应用场景下,对资源预测模型的运行效率提出较高要求,而GRU-LSTM预测模型的预测时间相较于Attention-LSTM模型效率提高了80%,GRU-LSTM模型预测内存使用率的MSE为0.032,而双层LSTM模型在预测内存使用率的MSE为298.33,相比之下,GRU-LSTM预测效果更好。因此本文选用GRU-LSTM作为系统中容器资源数据模块使用的预测模型。(3)设计应用自动化部署模型。设计基于Jenkins技术的镜像管理和应用自动化部署模型,测试结果表明,能够实现对平台镜像的有效管理和平台应用的自动化部署。(4)综合上述研究结果,构建基于Docker集群的农业云平台资源监测管理系统,进行了中原农村信息港农业云平台资源管理的仿真实验,实验结果表明,该系统可以实现对容器资源监测与可视化展示、资源预测与弹性伸缩调度、应用的自动化部署等管理功能。本文构建的基于Docker容器集群的农业云平台资源监测管理系统,实现了平台资源的有效管理,可以提高平台整体资源利用,可以为农业云平台资源管理提供可借鉴的思路和技术工具支持。
基于Docker集群的农业云平台资源监测管理系统设计与实现
这是一篇关于农业云平台,Docker集群,资源监测,时序预测,弹性伸缩,自动化部署的论文, 主要内容为随着互联网的普及和云计算技术的发展,越来越多的应用基于云平台技术进行系统部署工作。传统的云平台1.0通常使用虚拟机技术搭建,能够在一定程度上降低软件运维成本,提高安全性。但是这种云平台在虚拟机启动时间和部署新应用等方面表现不佳,而使用Docker容器技术的云平台2.0启动时间更快,且占用的资源更低,尤其在微服务方面表现较好。当前,随着以物联网为代表的新一代信息技术在农业生产实践中的大量应用,各种农业信息系统日益增多,通常需要借助于云平台对这些系统进行集成与管理。特别是随着智慧农业的研究与建设,农业云平台的终端量和其产生的数据量快速增长,业务性密集计算与业务端低算力装备的矛盾表现得较为普遍,智能农业终端往往要借助于云端的算力来完成计算工作。在智慧农业场景下,终端设备除了需要在云平台静态加载应用服务外,还需要在云平台动态加载服务,对短周期数据进行实时决策,基于虚拟机的云平台不能够很好地应对这种应用场景。而基于Docker容器的云平台2.0技术,由于自身优势,更适用于这种场景。当前Docker容器技术仍然存在着资源管理机制不够完善的问题,以及当前的管理系统在动态资源分配方面不够灵活,且无法在保证应用服务质量的前提下最大化系统整体利用率。中原农村信息港是基于虚拟机技术和Docker容器集群技术建设的河南省国家农村信息化示范省综合服务平台,本文以中原农村信息港农业云平台Docker容器集群为研究对象,围绕Docker容器资源管理问题,进行容器资源监测模块设计,构建容器资源预测模型,并在此基础上建立基于Docker集群云平台的资源监测管理系统,实现农业云平台的容器资源实时监测、资源弹性化管理和应用服务自动化部署。主要研究内容包括:(1)设计基于Docker集群的云平台资源监测管理架构。采用c Advisor、Prometheus等技术构建容器集群云平台资源监测架构,实时采集各个容器所使用的系统资源情况,并将这些数据用Influx DB数据库进行持久化存储,为弹性化资源管理提供决策数据。(2)构建基于深度学习的容器资源预测算法。针对该容器集群的CPU、内存等时间序列的监测数据,构建双层LSTM、Attention-LSTM、GRU-LSTM等模型进行资源预测,并根据预测结果实现容器集群的弹性伸缩和异常数据的及时告警。在农业云平台应用场景下,对资源预测模型的运行效率提出较高要求,而GRU-LSTM预测模型的预测时间相较于Attention-LSTM模型效率提高了80%,GRU-LSTM模型预测内存使用率的MSE为0.032,而双层LSTM模型在预测内存使用率的MSE为298.33,相比之下,GRU-LSTM预测效果更好。因此本文选用GRU-LSTM作为系统中容器资源数据模块使用的预测模型。(3)设计应用自动化部署模型。设计基于Jenkins技术的镜像管理和应用自动化部署模型,测试结果表明,能够实现对平台镜像的有效管理和平台应用的自动化部署。(4)综合上述研究结果,构建基于Docker集群的农业云平台资源监测管理系统,进行了中原农村信息港农业云平台资源管理的仿真实验,实验结果表明,该系统可以实现对容器资源监测与可视化展示、资源预测与弹性伸缩调度、应用的自动化部署等管理功能。本文构建的基于Docker容器集群的农业云平台资源监测管理系统,实现了平台资源的有效管理,可以提高平台整体资源利用,可以为农业云平台资源管理提供可借鉴的思路和技术工具支持。
基于Docker集群的农业云平台资源监测管理系统设计与实现
这是一篇关于农业云平台,Docker集群,资源监测,时序预测,弹性伸缩,自动化部署的论文, 主要内容为随着互联网的普及和云计算技术的发展,越来越多的应用基于云平台技术进行系统部署工作。传统的云平台1.0通常使用虚拟机技术搭建,能够在一定程度上降低软件运维成本,提高安全性。但是这种云平台在虚拟机启动时间和部署新应用等方面表现不佳,而使用Docker容器技术的云平台2.0启动时间更快,且占用的资源更低,尤其在微服务方面表现较好。当前,随着以物联网为代表的新一代信息技术在农业生产实践中的大量应用,各种农业信息系统日益增多,通常需要借助于云平台对这些系统进行集成与管理。特别是随着智慧农业的研究与建设,农业云平台的终端量和其产生的数据量快速增长,业务性密集计算与业务端低算力装备的矛盾表现得较为普遍,智能农业终端往往要借助于云端的算力来完成计算工作。在智慧农业场景下,终端设备除了需要在云平台静态加载应用服务外,还需要在云平台动态加载服务,对短周期数据进行实时决策,基于虚拟机的云平台不能够很好地应对这种应用场景。而基于Docker容器的云平台2.0技术,由于自身优势,更适用于这种场景。当前Docker容器技术仍然存在着资源管理机制不够完善的问题,以及当前的管理系统在动态资源分配方面不够灵活,且无法在保证应用服务质量的前提下最大化系统整体利用率。中原农村信息港是基于虚拟机技术和Docker容器集群技术建设的河南省国家农村信息化示范省综合服务平台,本文以中原农村信息港农业云平台Docker容器集群为研究对象,围绕Docker容器资源管理问题,进行容器资源监测模块设计,构建容器资源预测模型,并在此基础上建立基于Docker集群云平台的资源监测管理系统,实现农业云平台的容器资源实时监测、资源弹性化管理和应用服务自动化部署。主要研究内容包括:(1)设计基于Docker集群的云平台资源监测管理架构。采用c Advisor、Prometheus等技术构建容器集群云平台资源监测架构,实时采集各个容器所使用的系统资源情况,并将这些数据用Influx DB数据库进行持久化存储,为弹性化资源管理提供决策数据。(2)构建基于深度学习的容器资源预测算法。针对该容器集群的CPU、内存等时间序列的监测数据,构建双层LSTM、Attention-LSTM、GRU-LSTM等模型进行资源预测,并根据预测结果实现容器集群的弹性伸缩和异常数据的及时告警。在农业云平台应用场景下,对资源预测模型的运行效率提出较高要求,而GRU-LSTM预测模型的预测时间相较于Attention-LSTM模型效率提高了80%,GRU-LSTM模型预测内存使用率的MSE为0.032,而双层LSTM模型在预测内存使用率的MSE为298.33,相比之下,GRU-LSTM预测效果更好。因此本文选用GRU-LSTM作为系统中容器资源数据模块使用的预测模型。(3)设计应用自动化部署模型。设计基于Jenkins技术的镜像管理和应用自动化部署模型,测试结果表明,能够实现对平台镜像的有效管理和平台应用的自动化部署。(4)综合上述研究结果,构建基于Docker集群的农业云平台资源监测管理系统,进行了中原农村信息港农业云平台资源管理的仿真实验,实验结果表明,该系统可以实现对容器资源监测与可视化展示、资源预测与弹性伸缩调度、应用的自动化部署等管理功能。本文构建的基于Docker容器集群的农业云平台资源监测管理系统,实现了平台资源的有效管理,可以提高平台整体资源利用,可以为农业云平台资源管理提供可借鉴的思路和技术工具支持。
基于J2EE的Docker集群监控和管理系统的设计与实现
这是一篇关于Docker集群,监控,容器,镜像的论文, 主要内容为作为一个新兴的构建部署应用的平台,由于Docker自身容器化技术给企业所带来的方便性,使得它被越来越多企业采用,可以说Docker已成为当前企业运维平台的最受欢迎的工具之一。然而,企业级应用的业务或服务大多都是极其复杂的,一般情况下更是以分布式多节点部署居多。当企业采用Docker作为构建部署平台之时,由于多节点下Docker集群动态性和复杂性的特点,这就会使得企业往往难以对应用进行监控和管理。因此,一个针对多节点下Docker集群监控和管理的系统应运而生。Docker集群监控和管理系统依据软件开发流程,首先对监控和管理系统的需求进行了分析,分析了系统角色模型、功能以及非功能需求并给出不同角色对象用例图。接着以B/S架构为基础对监控和管理系统的总体架构进行设计,并依照模块划分,将系统划分成平台管理、集群监控代理管理、集群节点信息管理等六大功能模块并分别进行了详细设计。然后对系统划分的模块分别给与实现,在系统实现的过程中主节点的监控和管理平台使用了Spring+Hibernate+SpringMVC框架、Docker Remote API和指标时序数据库influxDB等技术,而监控节点端的监控代理则采用Python、Docker等技术,与主节点端交互采用的是influx DB API接口技术。最后针对监控和管理系统六大功能模块设计了测试用例,进行了功能性测试,并且还从安全、性能两个方面对系统进行了非功能性测试,从而保障了系统的质量。Docker集群监控和管理系统不仅帮助用户解决了多节点下节点机器与Docker集群性能监控、容器和镜像管理问题,并且还提供了众多能够提升用户工作效率的功能。
基于J2EE的Docker集群监控和管理系统的设计与实现
这是一篇关于Docker集群,监控,容器,镜像的论文, 主要内容为作为一个新兴的构建部署应用的平台,由于Docker自身容器化技术给企业所带来的方便性,使得它被越来越多企业采用,可以说Docker已成为当前企业运维平台的最受欢迎的工具之一。然而,企业级应用的业务或服务大多都是极其复杂的,一般情况下更是以分布式多节点部署居多。当企业采用Docker作为构建部署平台之时,由于多节点下Docker集群动态性和复杂性的特点,这就会使得企业往往难以对应用进行监控和管理。因此,一个针对多节点下Docker集群监控和管理的系统应运而生。Docker集群监控和管理系统依据软件开发流程,首先对监控和管理系统的需求进行了分析,分析了系统角色模型、功能以及非功能需求并给出不同角色对象用例图。接着以B/S架构为基础对监控和管理系统的总体架构进行设计,并依照模块划分,将系统划分成平台管理、集群监控代理管理、集群节点信息管理等六大功能模块并分别进行了详细设计。然后对系统划分的模块分别给与实现,在系统实现的过程中主节点的监控和管理平台使用了Spring+Hibernate+SpringMVC框架、Docker Remote API和指标时序数据库influxDB等技术,而监控节点端的监控代理则采用Python、Docker等技术,与主节点端交互采用的是influx DB API接口技术。最后针对监控和管理系统六大功能模块设计了测试用例,进行了功能性测试,并且还从安全、性能两个方面对系统进行了非功能性测试,从而保障了系统的质量。Docker集群监控和管理系统不仅帮助用户解决了多节点下节点机器与Docker集群性能监控、容器和镜像管理问题,并且还提供了众多能够提升用户工作效率的功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/51514.html
