随着容器技术的快速发展,Docker凭借轻量级、启动快、隔离性高和资源损耗低等优势,迅速成为了当前企业部署云平台的首选。在容器云平台中存在大量容器,因此需要一个高效的容器编排系统对集群进行管理。在市场上众多的产品中,具有代表性的开源工具Kubernetes作为新一代的佼佼者,其卓越的性能可以为广大用户提供更加便捷的服务。本文以Kubernetes作为研究对象,介绍了 Kubernetes的系统架构和功能设计,分析了 Kubernetes系统默认的调度机制。在云平台运行过程中,调度任务具有随机性和多元性特征,资源需求处于不断变化的过程。固有的静态资源分配机制缺乏灵活性,很难满足需求变化,资源浪费现象比较严重。针对上述问题,本文设计了一套资源调度的优化策略。首先,针对目前静态资源调度方案滞后性的问题,提出了一种基于预测模型的资源调度机制。通过对云平台资源使用量特性进行观察,发现资源使用量会随着应用负载的波动而变化,包含线性和非线性的特征。因此对适合线性序列预测的ARIMA模型及适合预测非线性序列的BP神经网络进行了研究,并结合两种预测模型提出一种组合预测模型。其次,Kubernetes调度组件无法在应用出现资源消耗瓶颈之前触发资源调度,很容易造成资源消耗的瓶颈。为了提升Kubernetes系统中应用程序的服务质量,将组合预测模型结果应用到资源调度模块中,使得Kubernetes集群应用可以动态地选择调度方案。最后,对当前Kubernetes基础架构进行优化,增加了监控模块、预测模块、自动伸缩模块和资源调度模块等四个模块,并分别对以上模块进行设计与实现。为了验证改进后的Kubernetes云平台使用效果,本文对预测模型的精度、自动伸缩策略和资源调度策略进行了一系列实验。实验结果表明,提出的组合预测模型误差较小,能够较好地反映出应用资源的请求变化规律;自动伸缩策略能够随负载增大而扩大集群规模,提升了集群的可用性;资源调度机制可以更有效地提升应用的资源平衡度,提高了应用的服务质量。