随着云计算技术和容器技术的快速发展,基于容器的服务应用规模不断扩大,容器数量也不断增加,容器云平台需要对所有容器进行监控、调度和管理。目前以Kubernetes（K8s）为代表的容器云平台大都使用了响应式或计划式自动伸缩策略。这些被动策略存在伸缩延迟的问题。目前的研究并未对欠预测问题加以解决,这个问题将导致应用服务能力不足,进而造成请求超时率和拒绝率上升,最终降低服务质量。针对以上的这些问题,论文从以下三个方面进行了深入研究:（一）容器云的水平伸缩策略研究中,针对欠预测导致网络应用访问请求丢失问题的现有研究主要集中于对欠预测情况的预测,并没有查找到从欠预测情况发生后进行干预的策略方案的情况。提出了一种容器云水平伸缩策略称为PFCS。该策略在已有水平伸缩策略的基础上对策略框架进行了重新设计,优化了各模块的功能与各模块间的数据交换关系,主要从对欠预测发生后的干预措施出发,减小服务质量因欠预测的持续造成下降的问题,整合了两套独立的负载预测模型与一套应急伸缩算法。（二）为了进一步减小容器云运行过程中因负载预测耗时导致的伸缩延迟概率,提出了面向Kubernetes容器云平台特点的微服务负载预测模型称为TSBT。该模型主要通过对深度学习模型Transformer的针对性优化完成对微服务负载的快速预测。该模型通过对历史数据进行处理、分析,做出对未来短期内负载量变化的预测。通过与现有主流负载预测模型进行对比实验,该模型在保证预测精度不低于其余几种对比模型的情况下,预测时间减少了91%以上,提高了负载预测效率。（三）针对负载欠预测情况的发生,提出了一种应急伸缩算法称为ESA。该算法可以有效检测欠预测情况的发生。在一般情况下仅依靠一套负载预测模型以降低系统能耗;在检测到欠预测情况发生后立即激活应急预测模型,为伸缩决策提供更多预测结果,缩短应对欠预测的反应时间。实验结果表明,该算法能够在保证预测精度评价指标的情况下,降低请求拒绝率18.6～19.8%,保证了系统遭遇负载欠预测时的服务质量。