传统的关系型数据库计算与存储一体化,在面临大数据挑战时难以存储大规模的数据,随着Docker容器技术的出现和快速发展,Docker与Kubernetes组合的容器化环境具备自动化管理、弹性伸缩等优势,将数据库容器化部署成为必然的趋势。但容器化RDS(Relational Database Service,关系型数据库服务)存在I/O性能消耗(响应延时),导致RDS能力QPS(Queries Per Second,每秒查询数)降低。因此本文提出了基于容器化的共享缓存模型优化方法以及基于自动伸缩机制的优化方法,本文主要研究内容如下:(1)提出了基于容器化环境的共享缓存模型设计方案。针对传统计算与存储分离架构I/O优化方案代价昂贵、只针对计算层或存储层进行优化等问题,参考传统RDS应用场景利用分布式缓存拦截大量的读写请求,避免与存储层的直接I/O,以此优化I/O的方法,设计一个基于容器化环境的共享缓存模型优化RDS持久化过程的I/O消耗。设计过程综合考虑了容器化环境的资源对象Pod、Name Space、Service的特点,对共享缓存模型的可用性、一致性、Key值唯一性以及串联访问模式等进行了详细设计。本文设计的基于容器化环境的共享缓存模型,在提供可接受的服务能力的前提下,降低了计算与存储分离架构中的容器化RDS的I/O响应时间,同时提升了容器化RDS的性能(QPS)。(2)提出了改进的自动伸缩算法IMHPA(Improve Horizontal Pod Autoscaler)。Kubernetes自身的HPA(Horizontal Pod Autoscaler,水平Pod自动伸缩)基于阈值伸缩算法,存在响应不及时的问题,并且现有的基于预测的伸缩算法存在预测误差较大以及支持的指标值类型单一的问题,本文提出的IMHPA算法,支持多种指标值类型(利用率Utilization、平均值Average Value、值Value),并且综合考量HPA定义文件中多项指标对服务的影响,进行及时精确的扩容,以此提高共享缓存模型的吞吐量,降低容器化RDS的I/O响应时间。(3)设计并实现了一个容器化RDS性能优化原型系统,该原型系统包含集群信息提交、RDS注册、共享缓存模型、自动伸缩、Pod工作负载以及RDS性能展示等模块,通过简单的配置操作,提供一个高效的关系型数据库随机注册以及RDS性能实时展示平台。综上所述,本文通过设计基于容器化的共享缓存模型和基于IMHPA算法的自动伸缩机制两个方面降低容器化关系型数据库I/O消耗,提出的方法有效降低了RDS的I/O响应时间。并设计实现了包含RDS注册、共享缓存模型创建、自动伸缩策略等模块的容器化RDS性能优化原型系统。