随着云计算相关技术不断地发展和变革,以虚拟化技术为核心的传统云计算模式发生了重大变化。Docker作为容器技术的代表,掀起了新一代资源计算模式的浪潮。现有的弹性伸缩方法或碍于物理机缺乏灵活性以致资源弹性供应困难的限制、或者碍于虚拟机资源供给时效性的限制,很难应对大规模动态变化的云环境。以Docker容器为代表的容器引擎技术,对解决上述问题提供了新思路。针对现有弹性伸缩策略存在弹性伸缩指标单一且弹性伸缩不合理造成资源浪费等问题,本文提出了基于机器学习XGBoost预测算法的容器弹性伸缩方法。该方法使用容器的资源指标和性能指标作为弹性伸缩的特征数据,通过使用预先训练的XGBoost预测模型,预测下一时间窗口内弹性伸缩的容器数量,然后使用Kubernetes容器编排工具完成扩容或缩容操作。本文提出的弹性伸缩方法与现有弹性伸缩方法相比,在动态变化的云环境中能保证服务及时响应,并且云服务违约率低于0.5%。此外在所提出的弹性伸缩方法的基础上设计了一个基于微服务架构的容器弹性伸缩系统。首先,采用微服务架构为设计理念对容器弹性伸缩系统进行了总体层次架构设计,将系统划分成4个部分,包括前端展示层、服务管理层、核心业务层和数据存储层。其次,根据业务需求对核心业务层的功能模块进行详细设计,主要包含四个模块,分别是系统管理模块、集群数据监控模块、弹性伸缩模块和集群管理模块。最后,对系统的微服务基础组件和各个核心模块进行了设计和编程实现,对系统的核心模块采用黑盒测试的方法,测试结果验证了本文的提出方法的有效性。