云服务器的能耗管控是云计算节能技术方向一个重要的研究点。精准、高效的服务器功耗预测模型能够提供具有前瞻性的决策依据,实现智能、自适应的能耗管控,达到服务器高能效运行的目标。传统机器学习方法优秀的预测表现需要充足、高质量的数据支撑。然而,面对数据中心云服务器异构、频繁地扩展迭代和容纳负载复杂多变的特点,构建精确的机器学习预测模型需要在数据采集和存储上耗费巨大的时间和空间成本。云服务器冗余的供电策略可以保证服务的稳定可靠,但是有分析表明服务器运行的大部分时间并非处于满载状态,因此存在能源浪费的情况。功耗封顶技术常被用于限制服务器的峰值功耗、降低电力资源的过度分配,但也会带来服务器性能的退化,如何在保证服务质量和实现节能之间达到平衡是需要解决的问题。针对现有研究工作存在的问题和挑战,本文提出了相应的解决思路并验证其有效性,其中主要研究内容和贡献如下:（1）调研分析目前云计算场景中主流预测任务的研究现状。归纳总结迁移学习的基本概念、相关定义、技术方法和应用场景,作为后续提出基于迁移学习功耗预测模型的工作基础。对目前常见的服务器功耗管理机制以及节能技术进行调研分析,重点对基于DVFS技术和功耗封顶技术的相关应用研究开展分析讨论。（2）迁移学习模型可以通过重用相似领域的数据,结合少量的目标领域数据训练得到与传统机器学习模型媲美的预测效果。为了能够重用相似服务器的功耗数据,降低采集和存储数据的成本,本文设计实现一种基于实例迁移的服务器功耗预测模型（TLSPP）。TLSPP属于一个多值预测模型,本文结合服务器功耗预测场景的特性从模型的特征构造、源域数据选择、迁移预测算法以及模型的更新进行逐一实现。实验结果表明,对比其他机器学习方法,TLSPP在节约50%的目标域数据规模的同时,实现约7%预测误差,能够有效地节约采集和存储大量目标域数据耗费的时间和空间成本。（3）针对功耗封顶技术可以降低服务器功耗,提高能源利用效率,但是也会带来性能退化的问题,本文借助功耗预测模型,实现一种功耗预测驱动的服务器功耗封顶节能技术（PDPC）。该方法的本质是一种“四段式”的方法,目标封顶功耗值则基于预测功耗值动态调整,而封顶的上限阈值、下限阈值和封顶解除阈值用于保证服务质量的损失在可控范围内。实验结果表明,PDPC方法在执行不同类型负载和同类方法对比的实验中均取得较好的节能效果和保持较好的服务质量。