得益于Docker容器轻量级虚拟化的优点,越来越多的企业将Docker集群作为主要的任务执行环境。通常Docker集群中的各个节点上会部署很多不同类型的应用容器来执行不同的任务,当大量任务同时运行和调度时,有资源抢占、负载过度等异常情况出现的可能性,进而导致集群负载不均衡。在这种情况下,对集群运行状态的监控是非常有必要的。对于Docker容器的原生集群Docker Swarm,它虽然有默认的容器调度策略,但并没有一套完整的异常发现、分析并解决的方案。针对以上问题,本文进行了以下研究:第一,基于容器集群的节点监控和容器性能监控的需求,本文应用Prometheus技术、c Advisor技术和Grafana技术实现了对于Docker Swarm的实时监控。第二,针对应用容器对资源使用偏好的不同,本文引入了一种PCA降维与KNN算法相结合的分类模型,将应用容器分为CPU密集型、内存密集型、磁盘I/O密集型和网络密集型这四种类型,通过监控服务对容器性能数据进行采集,并将其作为数据源进行多次实验。实验结果表明,相对于现有KNN分类算法,PCA降维与KNN相结合的算法分类准确度有所提升,并且运行时间大大缩短,验证了将该分类模型应用于容器调度迁移方案的可行性。第三,通过研究现有的虚拟机调度迁移策略,针对虚拟机调度迁移策略中涉及的四个阶段,即迁移时机、待迁移虚拟机的选择、目标节点的选择和迁移方式,本文结合Docker容器的特点,针对以上四个阶段,提出了容器迁移相应的算法策略;同时将分类模型应用于待迁移容器的选择策略中,提出一种基于PCA降维与KNN分类相结合的最小资源利用率容器选择策略PK-MU（PCA-KNN-based Minimum Utilization Container Selection Policy）,设计并实现了一套容器调度迁移方案。最后,本文将监控方案和容器调度迁移方案集成为一套自动化的容器集群监控迁移方案,并在Docker Swarm环境中进行测试。实验结果表明,该方案可以对容器集群进行实时监控,并且在集群负载不均衡的情况下,通过应用容器在节点间的自动迁移,使集群的负载均衡度和节点的资源均衡度均得到了提升,充分证明了本课题的研究意义和实用价值。