混部（colocation）是使用离线作业填充以在线作业为主的集群空闲资源的技术,可以解决现代数据中心的资源利用率普遍较低的问题。然而,混部技术的应用也带来了许多问题,例如不同类型作业间共享资源导致的性能干扰问题,本文称之为混部干扰。混部干扰将造成不可忽视的影响,为此,本文提出了一种预测混部集群中的混部干扰的方法,并通过调度算法来降低混部干扰带来的影响。本文的主要工作如下:（1）本文首先对阿里巴巴混部集群的数据集进行了数据分析,发现重调度现象会造成混部集群的性能波动与资源浪费,并且直接影响作业的运行、响应时间,与混部干扰有很强的相关性。本文将重调度的发生与否作为混部干扰的指标,然后基于重调度发生时的数据,制作了描述混部干扰发生时的资源特征的数据集,本文把这些数据集称为干扰画像。最后,本文提出了一个基于干扰画像和Light GBM的混部干扰预测方法（IPLPF）,IPLPF首先通过SMOTE-Tomek混合采样和重要特征选择改进训练数据集,然后基于贝叶斯优化选择Light GBM的训练参数,最后通过Light GBM训练出的模型进行预测。实验表明,IPLPF训练出的预测模型比直接使用Light GBM训练出的预测模型准确率更高,并且与其他机器学习算法训练出的预测模型相比,IPLPF训练出的混部干扰预测模型在预测重调度的准确率上最高可以达到86.3%。且混部干扰预测模型的ROC曲线明显优于其他预测模型,这说明混部干扰预测模型具有更好的预测效果。（2）为了减少混部干扰对混部集群的影响,本文面向混部集群中的离线作业进行了调度优化,提出了基于混部干扰预测模型的调度算法Co IP,Co IP由离线作业调度算法和离线作业重调度算法组成。Co IP的核心思想是基于混部干扰预测模型对可能到来的混部干扰进行预测,并根据预测的结果进行调度判断,尽可能最小化目标服务器上因混部干扰导致的重调度次数,从而提高离线作业的吞吐率与集群的资源效率。为了对Co IP调度算法进行功能与数据上的契合,本文还提出了一个基于Co IP的调度系统。最后,本文基于Colocation Sim（一个基于Cloud Sim的混部集群调度仿真器）仿真了阿里巴巴混部集群的实验环境,所有涉及混部环境下的调度实验都在该仿真环境上进行。实验结果表明:与其他调度算法相比,Co IP调度算法在CPU资源效率和内存资源效率上最多分别提高39.53%和39.24%,且Co IP调度算法在不同干扰强度和离线作业负载环境下均具有较高的吞吐率和抗干扰能力,将重调度次数最多降低了86%。