一种基于在线学习的容器弹性扩展方法

本发明属于资源管理与负载预测领域，具体说是一种基于在线学习的容器弹性扩展方法，包括以下步骤：1)构建ETG模型，将历史负载数据划分为多个输入序列，提取去趋势数据以及对应的趋势方程；将去趋势数据与经过处理后的原始数据拼接，并进行训练和预测，输出最终的负载预测数组；2)将ETG模型集成到在线学习框架中，通过实时更新模型参数；3)引入多步融合预测算法，对来自不同时间步的预测结果进行加权求和，生成融合预测值，通过融合预测值作为资源调整的依据，进而优化资源配置。本发明将ETG模型和多步融合预测算法融合进在线学习框架中，在线学习通过实时更新模型参数，使系统能够快速适应数据分布的变化，提升对负载变化的响应能力。