伴随Docker、Kubernetes、Istio等技术的成熟与流行,容器云平台正在成为越来越多企业IT基础设施架构的转型方向。尤其是互联网公司纷纷选择将在线服务应用运行在容器云平台上来为客户提供服务。在容器云平台中,服务请求数的实时波动使得在线服务的资源用量一直处于动态变化中。手动配置告警规则的方式过于依赖运维人员的经验,并且配置一条高可用告警规则往往需要多次实践。此外,用户访问量的正常抖动会掩盖部分在线服务异常事件,导致业务出现问题时响应时间过长。同时,在线服务还存在多样性的特点,不同服务对各项资源指标的偏向程度各不相同,使用固定标准算法对所有在线服务统一进行检测准确性较差。针对上述问题,本文基于经典孤立森林算法提出了一种异常检测方法。该方法聚焦于容器云平台在线服务的运行状态,可以在无需设定告警阈值的前提下使用少量时序数据完成异常检测工作。考虑到在线服务资源负载具有波动性的特点,通过服务请求数指标数据计算出一组正常运行状态下较稳定的资源指标优化数据。综合分析不同服务对资源使用偏重的差异,将经典孤立森林算法中的特征随机选择改为特征加权选择,通过提升服务偏重资源的权重系数来提高异常检测准确率。该方法首先会优化在线服务资源指标数据,随后使用半固定滑动窗口模型选取数据集,并基于资源动态特征加权方法构建孤立森林,最后计算待测阶段在线服务的异常分数完成异常检测。实验结果表明,该方法能够准确检测出容器云平台在线服务的异常状态。本文还设计实现了一个容器云平台异常检测系统。实验结果表明,该系统能够实时收集在线服务各个维度的监测数据,在进行自动异常检测与告警的同时确保稳定运行。