近年来,随着云计算市场规模的高速增长,数据中心的数量和规模迅速扩张,但同时也带来了电力资源消耗大和资源利用率低的问题。为了解决这一问题,目前数据中心普遍采用电力超额订购（Over-subscription）的方式,在现有供电能力范围内运行尽可能多的服务器。电力超额订购的基本假设是所有服务器的功耗同时达到峰值状态的概率很低,但是当大量工作负载同时运行在多台服务器上而产生功耗峰值时,会增加数据中心断路器跳闸而断电的风险。功耗攻击利用电力超额订购的特性,在数据中心服务器中运行恶意代码,这些恶意代码可以同时在多台服务器上产生功耗峰值,直至超出机柜或断路器供电容量,导致断路器跳闸甚至整个数据中心电力中断,形成数据中心拒绝服务攻击。数据中心功耗攻击造成网络服务中断的损失和影响远远大于普通的网络安全攻击,已成为数据中心面临的关键威胁之一。随着容器技术的发展,当前的许多工作负载容器化部署在多租户容器云平台。然而,由于当前容器技术的隔离性不高,多个容器共享一个操作系统内核的隔离方式容易产生信息泄漏通道,这将导致一些包括服务器功耗数据在内的系统状态信息暴露给容器。恶意的容器所有者可以利用这些系统状态信息发起功耗攻击,使得云服务提供商和良性租户遭受巨大损失。因此,有效地检测出容器云环境下的功耗攻击并进行研究和分析,对于保障容器云平台乃至整个数据中心的正常运行具有重要意义。本文主要围绕容器云平台上的容器功耗预测和功耗攻击检测两个部分展开研究,具体工作内容如下:（1）为了预测容器的实时功耗,提出了基于GBRT-PL的容器功耗预测方法。通过选取容器与服务器功耗相关性较大的性能指标作为功耗建模的特征,利用GBRT中多棵回归树的集成预测能力以及单棵回归树叶子结点的分段线性模型来充分拟合容器性能指标与服务器功耗之间的非线性关系。实验结果表明,GBRT-PL模型在大部分工作负载下对单个容器组和多个容器组进行功耗预测的准确性要高于其它模型,在4组多容器组实验中,预测结果的平均相对误差率最高为6.72%,90%分位的相对误差率最高为11.66%,同时也能准确预测出大部分功耗峰值。（2）为了识别功耗异常的服务器并定位遭受功耗攻击的容器组及其内部单容器,提出了基于功耗感知的容器云平台功耗攻击检测方法,该方法包括基于LSTM-NSLOF的服务器功耗异常检测和基于单类支持向量机（One Class-SVM,OCSVM）的容器功耗攻击检测两部分。首先利用LSTM神经网络模型对服务器的正常用能规律进行时序预测,并将预测值的残差序列作为待检测样本,先后利用N-sigma检测和LOF检测识别出功耗异常的服务器。在功耗异常的服务器上,利用基于GBRT-PL的容器功耗预测模型估计出容器组及其内部单容器的功耗,然后利用OCSVM模型进行单样本检测,依次定位遭受功耗攻击的容器组及其内部单容器。实验结果表明,该方法可以准确识别出功耗异常的服务器以及功耗异常的时间段,在功耗异常服务器上定位遭受功耗攻击的容器组的准确率为95%,在容器组被准确定位的情况下定位单容器的准确率为78.95%,当容器组内只有一个容器时,准确率为100%。为了降低容器云平台遭受功耗攻击的风险,本文首先提出了一种容器功耗预测方法,实现容器粒度的功耗可见性,然后结合容器功耗预测方法分别提出了一种服务器功耗异常检测和容器功耗攻击检测方法。该方法首先筛选出功耗异常的服务器,再定位功耗异常服务器上遭受功耗攻击的容器组及其内部单容器,达到了较高的检测准确率,对维护容器平台的稳定性和安全性具有较强的应用价值。