随着云计算和微服务技术的发展,将微服务在云平台中部署运行变得非常普遍,容器作为其中一种技术则变得炙手可热,其中容器云平台中的资源能否得到充分利用,微服务能否稳定地在容器中运行是现阶段面临的主要问题。在实际生产环境中,容器云平台负载往往会表现出周期性规律,而局部负载则会表现出不稳定性。针对局部负载的突发性变化,需要根据节点剩余资源对容器资源使用量进行动态地限制。针对周期性负载变化,需要在高负载时段增加计算资源来维持服务质量,而在低负载时段需要根据负载量减少空闲资源以降低成本。因此云平台容器集群的资源限制和动态伸缩是十分必要的。过去关于云平台资源调度问题的研究主要集中在容器创建时的调度,但容器运行生命周期中资源负载具有不确定性。通过预测模型对未来负载进行预测是当前研究的热点,但当前研究主要集中于使用单一预测模型进行实时的预测,由于资源负载短时间内变化大,会造成预测精度低和反复调度的问题。针对云平台的资源动态调度问题,本文首先对容器云平台中相关前沿技术进行研究。其次对主流预测算法进行了对比分析,针对机器学习和深度学习预测模型对小样本预测精度低和耗时长的缺点,利用灰色模型的特点解决了实时负载预测的问题。最后针对传统ARIMA模型低阶预测准确度不高,高阶参数估计困难的问题,通过结合卡尔曼滤波算法,提出了一种基于ARIMA的混合预测算法。基于以上研究,设计了一种基于Docker Swarm平台的中小企业容器资源负载监控、预测和资源动态调度系统,通过对容器负载实时监控,结合容器与节点可用资源之间关系,分别使用灰色模型和ARIMA混合模型对容器负载进行了预测,并根据预测结果对容器进行资源限制和水平伸缩。最后设计了对比实验对平台的性能进行了测试,实验结果表明,本系统保证在满负载状态下节点中微服务容器运行稳定不退出,弹性伸缩模块保证了微服务集群在不同负载情况下都有最佳性能表现,使平台达到高可用性。