Kubernetes凭借其强大的集群编排管理能力,被广泛地应用于各类场景下的资源管理,然而现有Kubernetes技术尚未满足IIoT场景的需要。针对IIoT场景下Kubernetes负载压力预测以及资源调度技术存在的不足,本文对现有技术进行改进,从而预测IIoT场景下的集群负载状态,实现准确、灵活、高效地资源调度,最终将Kubernetes技术真正地应用于IIoT场景中。首先,本文提出了一种工业物联网下的多资源调度（MRS）策略,从待部署任务自身的资源需求和集群系统当前资源的使用状况两方面综合考虑,动态地权衡CPU资源、内存资源、网络带宽资源、磁盘空间资源等多种资源的重要性,改进了默认调度器的打分策略,从而在IIoT环境下合理地调度集群的资源。同时,进一步考虑了Pod部署之后的时延限制,可以满足IIoT场景下的低时延要求。实验证明了本方法的有效性。其次,本文提出了一种基于期望最大化注意力模型（EMA）的集群负载压力预测方法,通过对集群历史资源使用情况的学习,预测未来集群的负载状态,并根据集群状态指导集群调度。本文提出的EMA前馈神经网络（EMA-FNN）通过对参数（基）的最大似然估计,寻找更紧凑的基集,从而得出低噪的输出,并大大降低了计算复杂度。在此基础上,为了提高预测方法的鲁棒性和准确性,将EMA-FNN与RF以及XGBoost进行了模型融合。实验证明,该预测方法得到的预测结果更为准确。最后,基于上述研究,本文详细设计了Kubernetes在工业物联网场景下实际应用,涵括了集群监控方案,负载预测方案以及资源调度方案。该调度策略首先对集群内的资源使用信息进行监控、收集、存储并可视化,然后根据收集信息进行基于EMA的集群负载预测,最后再进行工业物联网场景下的多资源调度。