(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210619775.1 (22)申请日 2022.06.02 (71)申请人 苏州思萃工业互联网技 术研究所有 限公司 地址 215000 江苏省苏州市高新区科技城 锦峰大厦1幢16 01室 (72)发明人 李胜　李明　陈美如　金伟毅　 (74)专利代理 机构 济南信达专利事务所有限公 司 37100 专利代理师 潘悦梅 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) G06N 3/12(2006.01) (54)发明名称 基于遗传算法的Pod调度方法及系统 (57)摘要 本发明公开了基于遗传算法的Pod调度方法 及系统， 属于kubernetes集群调度技术领域， 要 解决的技术问题为如何克服对pod的调度时、 由 于node中CPU和内存比例失衡造成的资源浪费。 如下步骤： 确定目标pod的CP U需求量和内存需求 量； 基于kubernetes自身的过滤方法对所有 node 进行过滤， 基于所有符合要求的node构建可调度 node集合； 计算node当前CP U和内存的比例值； 将 目标pod的CPU需求量和内存需求量之间的比值 作为理想值， 基于 可调度node集合中每个node对 应的比例值， 通过遗传算法求解最优解的思想， 选出与理想值 最接近的比例值作为 最优比例值。 权利要求书5页 说明书12页 附图6页 CN 115145704 A 2022.10.04 CN 115145704 A 1.一种基于遗传算法的Pod调度算法， 其特征在于基于遗传算法求解最优解的思想， 在 Kubernetes的po d调度中， 选出CPU和内存之间比例值满足理想值的node作为最优node， 所 述方法包括如下步骤： 确定目标pod的CPU需求 量和内存需求 量； 基于kubernetes自身的过滤方法对所有node进行过滤， 基于所有符合要求的node构建 可调度node集合； 对于可调度node集合中每个node， 基于所述node当前CPU剩余量与目标pod的CPU需求 量之间的差值以及所述node当前内存剩余量与目标pod的内存需求量之间的差值， 计算所 述node当前CPU和内存的比例值， 记为所述 node的比例值； 将目标pod的CPU需求量和内存需求量之间的比值作 为理想值， 基于可调度 node集合中 每个node对应的比例值， 通过遗传算法求解最优解的思想， 选出与理想值最接近的比例值 作为最优比例值， 将所述 最优比例值对应的n ode作为最优node。 2.根据权利要求1所述的基于遗传算法的Pod调度算法， 其特征在于通过遗传算法求解 最优解的思想， 选出与理想值 最接近的比例值作为 最优比例值， 包括如下步骤： S100、 对于可调度node集合中的N个node， 按照node当前CPU剩余量对所有node进行升 序排序， 得到一个数组； S200、 对于可调度n ode集合每个node， 采用二进制编码方式进行染色体编码； S300、 对于可调度node集合 中每个node， 计算所述node的适应度 值， 所述适应度值表示 所述node被选取的可能性大小； S400、 对于可调度node集合中的每个node， 基于其染色体编码和适应度值创建对应的 个体； S500、 基于步骤S40 0创建P个 体， 并基于所述P个 个体创建种群； S600、 对于所述种群中每个个体， 计算所述个体的适应度值， 并选取适应度值最大的个 体作为所述种群中最优个 体； 所述个体的适应度值为node中CPU剩余量和内存剩余量的比值， 所述剩余量为所述 node的当前资源剩余 量与目标pod的资源需求 量之间的插值， 所述资源 对应CPU和内存； S700、 通过轮盘赌的方式计算每个个体的选择算子， 所述选择算子表示个体被选为适 应度值最大个体的概率， 个体Ni的选择算子Fi的计算公式为： 所述Fi取值范围为[0,1]， 种群中全部个 体的被选择概 率总和为1； 其中， P表示种群中个 体的数量， fi表示个体的适应度值； S800、 基于每 个个体的选择算子， 计算每 个个体的累计概 率qi； S900、 在[0,1]区间生成一个随机数 X作为轮盘选择的指针， 如果 qi‑1<X≤qi 序号i对用的个 体Ni被选择为父代； SA00、 重复执 行步骤S90 0两次， 得到 两个父代， 分别为第一父代和第二父代；权　利　要　求　书 1/5 页 2 CN 115145704 A 2SB00、 对所述第一父代和第二父代进行交叉， 得到 子代； SC00、 重复执 行步骤S90 0至步骤SB0 0共P次， 得到P个作为子代的个 体； SD00、 对于所述P新 生成的个 体， 随机选择V个体进行变异； V＝v×P 其中， V表示产生变异的个 体数量， v表示变异的概 率， P表示种群的数量； SE00、 重复执行步骤SA00 ‑SD00创建下一代种群， 计算每个个体 的适应度值， 如果子代 个体的适应度值fi大于最优个 体Nbest的适应度值， 则将这个子代作为 最优个体Nbest； SF00、 重复执行步骤S700值步骤SD00， 迭代G次直至生成PG代种群， 从所述PG代种群中选 出最优个 体， 所述最优个体Nbest对应的node即为目标pod的最优调度节点。 3.根据权利要求2所述的基于遗传算法的Pod调度算法， 其特征在于染色体长度的计算 公式为： 2x<N≤2y y表示染色体的长度， 则创建一个长度为y的数组， 数组中的值为1或者0， 序号为i的 node的染色体用DNAi表示， 染色体的解码如下： 表示这个染色体的个 体对应的是切片N odeSlice中下标为i位置的node节点Ni。 4.根据权利要求2所述的基于遗传算法的Pod调度算法， 其特征在于编号为i的node的 适应度值fi计算公式为 ri表示编号为i的node在调度pod后的CPU和内存的比例， z表示目标node中CPU和内存的 比例值， M表示当fi表示编号 为i的node的适应度值； Ci＝capacityCPUi‑sum(requestedCPU)i‑requestCPU Mi＝capacityMemoryi‑sum(requestedMemory)i‑requestMemory 其中， Ci表示序号为i的node当前CPU剩余量， Mi表示序号为i的node当前内存的剩余量， 其中capacityCPUi表示序号为i的node最初最大的CPU量， sum(requestedCPU)i表示当前CPU 已经分配的总量， requestCPU表示目标Pod的CPU需求量， capacityMemoryi表示序号为i的 node最初最大的内存量， sum(requestedMemory)i表示当前内存已经分配的总量， requestMemory表目标pod的内存需求 量。 5.根据权利要求2所述的基于遗传算法的Pod调度算法， 其特征在于通过匹配交叉算法 对第一父代和第二父代进行交叉， 包括如下步骤： 第一父代和第二父代内随机生成两个交叉点， 两个交叉点内基因数相等， 分为作为交 叉操作的第一基因串和第二基因串； 将第二基因串复制到第一父代中相应位置， 生成第一子代的染色体， 将第二基因串复权　利　要　求　书 2/5 页 3 CN 115145704 A 3