买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉复旦大学申请的专利一种基于惩罚因子的自适应抗风险Kubernetes集群调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115981806B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211544417.5，技术领域涉及：G06F9/48；该发明授权一种基于惩罚因子的自适应抗风险Kubernetes集群调度方法是由文韬;田斌涛;邹卓设计研发完成，并于2022-12-04向国家知识产权局提交的专利申请。

本一种基于惩罚因子的自适应抗风险Kubernetes集群调度方法在说明书摘要公布了：本发明属于边缘计算技术领域，具体为一种基于惩罚因子的自适应抗风险Kubernetes集群调度方法。本发明通过预留一定量的计算资源、并且根据集群的状态自适应地对预留计算资源池做出变化，从而来抵抗突发的高负载计算任务；本发明改进了Kubernetes默认调度算法中的优选算法，引入均值和标准差对集群资源状态进行评估，并且添加相应的惩罚因子去权衡不同维度的资源状态，优化评分规则；同时引入影响权值对评分规则作为补充，当有两个Worker节点的所有资源状态以及评分分数都一致时，将此节点得到的历史评分纳入评分规则，优选出更加适合的此负载任务的Worker节点，有效保证集群的负载均衡。

本发明授权一种基于惩罚因子的自适应抗风险Kubernetes集群调度方法在权利要求书中公布了：1.一种基于惩罚因子的自适应抗风险Kubernetes集群调度方法，其中，所述Kubernetes集群由主控节点Master，以及多个工作节点Worker组成；用户通过图形化界面或者命令行界面与主控节点Master交互，并且通过资源清单文件自定义部署负载任务；其特征在于，通过预留一定量的计算资源、并且根据集群的状态自适应地对预留计算资源池做出变化，从而来抵抗突发的高负载计算任务；具体步骤为： 步骤1.首先准备一个包含应用负载镜像的资源请求清单的yaml文件；当用户通过图形化界面或者命令行界面发出部署工作负载的指令时，主控节点的Kubectl组件解析请求清单中的配置并且根据其内容构造相应对象的HTTP请求参数；通过相应的检查后，请求以HTTP的方式发给主控节点的APIServer组件进行处理；当请求被验证通过以后，主控节点的APIServer组件在分布式的键值对数据存储系统etcd中创建对应的资源对象；最后APIServer组件构造HTTP响应返回给客户端； 步骤2.利用监控指标收集器收集集群中各工作节点滑动窗口内的负载信息，滑动窗口的长度由期望的监控周期确定；监控指标收集器从工作节点Worker中的Kubelet组件收集资源负载信息，并通过相应的应用程序接口将它们暴露在集群中供其它各种组件使用；得到不同维度的负载信息以后，首先对待调度负载Pod进行优先级评估，将优先级最高的负载Pod调整到待调度队列头，将优先级最低的负载Pod调整到待调度队列尾，然后利用默认调度器的预选算法对各Worker节点进行筛选； 步骤3.利用优选算法对上一步骤得到的Worker节点列表进行评分，找到一个最优的Worker节点； 其中所述优选算法，是在SchedulerFramework在调度器核心代码的基础上进行改造而实现，具体在原调度逻辑的所有关键路径上设置plugins扩展点，据此，在不修改Kubernetes调度器核心代码的前提下开发plugins，扩展优选算法的调度逻辑，根据该优选算法寻找最优的Worker节点的具体流程为： 1首先，获取待调度的Pod的请求资源，包括CPU资源rcpu和内存资源rmemory，接着计算待评分当前节点在一段时间内的CPU利用率平均值avgcpu和标准差stdcpu，内存利用率平均值avgmemory和标准差stdmemory，同时得到当前节点的计算资源负载限额cap； 2假设该Pod被调度到当前工作节点，由公式1-4分别计算出当前工作状态CPU负载的平均值的归一化值μcpu、当前工作状态内存负载的平均值的归一化值μmemory、当前工作状态CPU负载的标准差的归一化值σcpu和当前工作状态内存负载的标准差的归一化值σmemory；其中，α和β是用来调整标准差影响的超参数； μcpu＝avgcpu+rcpucap，1 μmemory＝avgmemory+rmemorycap，2 3通过该节点当前工作状态负载的平均值和标准差的归一化值，由公式5、6计算出对应的CPU负载风险值riskcpu和内存负载风险值riskmemory，并且根据风险值进行评分，由公式7、8计算得到CPU负载得分scorecpu和内存负载得分scorememory；如果该节点当前负载的平均值和标准差越高，风险值则会越高，得分也就越低，反之如果该节点当前负载的平均值和标准差越低，风险值则会越低，得分越高； riskcpu＝μcpu+σcpu2，5 riskmemory＝μmemory+σmemory2，6 scorecpu＝1-riskcpu*100，7 scorememory＝1-riskmemory*100；8 4最后，对不同负载类型的评分施加自适应动态变化的惩罚因子γ和η，由公式9和公式10给出，惩罚因子γ和η分别是用来调整CPU和内存各自所占分值比重；这惩罚因子随着集群状态自适应变化；当负载类型为CPU时，惩罚因子γ自适应动态变化为：评分相对较高时，则超过CPU负载的风险相对较低，但是此时集群整体的利用率可能较低，因此，γ适当降低，最终维持在抗风险能力与集群利用率动态平衡的状态；当负载类型为内存时，惩罚因子η同样的自适应动态变化；由公式11得到最终得分finalScore；其中，γ0、η0为超参数的初始值，ω1、ω2、ε1、ε2为冗余修正项；同时引入影响权值λ对评分规则作为一个补充，最终得分finalScore将受到历史得分pastScore的影响，影响程度根据自身需求去确定公式12，并且得到的最终得分会存入缓存中待下一次调度逻辑评分使用公式13； finalScore＝γ*scorecpu+η*scorememory，11 finalScore＝λ*finalScore+1-λ*pastScore，12 pastScore＝finalScore13 通过以上步骤，选出最优的工作节点Worker。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。