随着“新基建”时代的到来,数据中心规模越来越庞大,要求数据中心的能耗预测和评估模型同时具有高度的准确性和可解释性。此外,根据数据中心容器定价等服务策略和安全运维策略,服务器日常维护需求主要分为物理机层级的硬件安全维护和容器层级的工作流容器调度。因此,本文针对如何在这两个层级分别构建高精度和高度可解释性共存的能耗模型进行了研究,分别为两个层级设计了不同的特征数据采集方法和可解释性能耗模型。。在物理机层级,能耗模型特征数量少且固定不变。本文提出了一种物理机硬件能耗可解释性框架,并使用基于共同特征贡献值的可解释性方法对已经构建好的模型进行解释工作。相比传统特征贡献值解释法,该方法实现了更好的物理机层级能耗模型可解释性效果。同时,由于该方法属于事后可解释性方法,因此保留了原始模型的高精度。在容器层级,能耗模型特征数量多且不断变化。本文提出了一种基于容器特征的能耗可解释性框架。并在此基础上采用分层神经网络模型将物理机能耗分解为容器能耗之和,进而将每一个容器的能耗分解为容器分配资源产生的能耗。通过将容器层级分解得到的能耗与容器分配资源使用情况进行相关性分析,验证了该方法在容器层级的高度可解释性。