随着Docker容器技术的发展普及，越来越多的企业开始利用Docker容器构建云平台。为了使Docker容器上托管的应用程序可以安稳运行，都会为其调配充足的资源。但大多数情况下托管的应用程序不是以最高负载的状态运行，并且CPU、内存等各项资源也不会同时处于最高负载的状态，因此预先调配的资源在大多数时候会处于空闲状态，从而造成了资源的浪费。当应用处在负载较高的状态时，预先分配的资源也不一定够用，在这种情况下，使用特定的预测算法来预测容器和应用的资源需求，并提前做好资源分配优化，可以提高资源的利用率和服务质量。

为了解决容器负载的实时预测问题，信息存储与光显示功能实验室硕士生张良康，在谢雨来教授的指导下提出了一种新的基于三次指数平滑（Triple exponential smoothing）和长短期记忆模型（LSTM）的混合预测方法。首先观察了现有容器负载的特点，然后根据实时预测的要求，我们将一种传统的统计学方法三次指数平滑和一种深度学习方法LSTM进行混合。LSTM可以捕获负载中的长短期依赖和周期性特征，三次指数平滑可以消除容器负载波动对预测带来的影响。通过模型的实时更新解决了负载变化带来的预测准确率降低的问题。同时，我们还提出了一种如图1所示的实时容器负载预测系统方案。在预测准确率方面，相对于单一模型Triple exponential smoothing，LSTM和之前的ES-ARIMA模型，混合模型的MAPE分别降低了12.18%，3.24%和12.42%。

该研究于2023年2月被IEEE Transactions on Network and Service Management（IEEE TNSM）录用，题为“一种Docker容器负载预测混合模型”（A Novel Hybrid Model for Docker Container Workload Prediction）。

该项研究受到国家重点研发计划青年科学家项目（No.2022YFB4501300）和国家自然科学基金（No.61972449, No.61972448, No.61821003）等多个项目的支持。

图1 Docker负载预测系统实现方案