机器学习作为当前数据计算科学领域的焦点,强化模型预测性能是学界长期关注的热点方向,在此背景下研究者们提出了集成学习方法,该方法的基本思想是通过集成多个模型的推断结果,改善单个模型学习能力较弱的困境。但目前传统的集成学习仍存在两点缺陷:一是模型训练运行效率低下,即为了获得更优秀的模型性能导致单一模型训练运行时间以及集合推断结果的时间不断增长,传统的单机串行方式无法满足其应用需求;二是模型超参数依赖人为设置,其无法根据数据特征的改变做出动态选择调整。针对上述问题,本文设计基于Kubernetes集群的分布式集成学习动态系统。其通过集成学习的分布式部署机制实现弱学习器的高效并行训练运行,并通过弱学习器动态调整机制实现弱学习器的动态选择优化。其主要从三个方面实现:1)集成学习分布式部署机制:通过多数据卷数据集划分算法实现分布式环境下数据集的高效划分和传输,通过共享区加权轮询方法实现分布式环境下模型集成,从而达到提升部署效率和节约集群计算资源的目的。2)集成学习弱学习器动态调整机制:通过基于阈值判断和相似度度量的弱学习器选择规则算法实现弱学习器的选择替换,通过基于随机搜索的弱学习器调优方法实现单弱学习器性能的提升,从而提高集成模型性能。3)系统与Kubernetes平台部署:依据上述两种机制,基于Kubernetes分布式集群建立分布式集成学习动态系统,实现通过界面交互进行集成学习器任务的高效分布式部署运行,同时实现实时显示集成学习任务状态及上下线更新。本文对系统从机制测试、部署效率、弱学习器模型容器性能、分布式集成学习效率和系统稳定性等方面进行测试。经测试在多弱学习器并行情况下集成学习任务训练运行时间接近理想并行条件;在测试集上相较于传统集成学习在多个测试数据集上实现了平均5%的准确度提升。在实际应用环境下本系统相较于其他集成学习系统可以更好地发挥分布式集群算力,节约计算资源成本;同时相较于弱学习器固定的集成学习系统,其在提升结果准确度的同时降低了人工调优成本。