随着互联网行业的高速发展和物质生活的极大丰富,国内外涌现出大量的互联网电商平台。持续膨胀的数据量以及日益复杂的业务场景,对支撑电商平台的基础架构的性能和稳定性提出了重大考验。在保证系统性能和稳定的同时科学地控制运营成本是管理者关注的重要方面。本文通过对基于微服务及云原生架构的互联网电商平台的业务特点和Kubernetes集群的负载指标进行分析,指出了存在的资源浪费和服务抖动问题:负载指标变化规律与人类生活特点密切相关,存在明显的波动性与周期性,在负载较低时会浪费大量的集群资源。采用Kubernetes集群Pod水平自动扩缩（Horizontal Pod Autoscaler,HPA）这类被动弹性策略虽然可以节约部分资源,但扩容过程中新实例从调度到最终可用需要多达数十秒的时间,这段时间可能会发生服务的抖动,造成服务质量下降。针对以上问题,论文提出基于长短期记忆（Long-Short Term Memory,LSTM）网络的Kubernetes主动弹性扩缩方案,一方面利用LSTM对Kubernetes集群负载进行主动预测并调度,另一方面开启了共享GPU支持的Kubernetes集群也作为预测应用部署的载体,具体研究内容如下:1.对Kubernetes集群Pod水平自动扩缩原理进行研究,分析了被动式弹性扩缩方案产生服务抖动、质量下降的原因。并提出使用主动式的弹性扩缩方案,在负载高峰到来之前,预判性地提前对服务的副本数（Pod）进行扩容。结合电商平台集群负载数据特征和业务场景,对常见的时间序列预测模型（基于线性模型的ARMA、基于集成学习的决策树模型、基于循环神经网络的LSTM模型）进行了研究、分析和对比。提出LSTM是电商平台负载指标预测最适合的模型,改善了服务扩容时的抖动现象,提高了服务的质量。2.构建了基于LSTM的服务负载指标预测模型。首先对负载指标进行采集和预处理,然后使用正则化、调整epoch、随机失活等方式解决了过拟合问题,使用调整激励函数和Batch Norm方法解决了梯度消失的问题。为优化模型反复调整了网络深度、神经元个数、优化器和学习率。为提高LSTM模型训练速度,对开启GPU进行模型训练的原理以及Kubernetes集群共享GPU方案进行了研究,提出了基于Gaia GPU的Kubernetes集群共享GPU方案。最终解决了在Kubernetes集群中运行GPU程序资源共享和资源隔离问题,提高了LSTM预测模型的训练速度和预测的准确率。3.基于以上研究内容,设计并实现了一款Kubernetes集群Pod预测性水平扩缩组件-PHPA。该组件遵循云原生的设计和部署原则,与Kubernetes高度适配,通过简单的配置即可自动对Kubernetes集群中指定的服务进行负载指标收集、预测模型训练、负载指标预测、服务副本数调度的工作。经测试PHPA组件能较好的适应电商平台负载特点,有效解决传统响应式弹性扩缩滞后性引起服务质量下降问题,显著提高服务质量。