云平台已经发展成为提供计算服务的基础平台。云集群上在线任务运行所需的资源变化较大,为了保证在线任务的服务质量要求,云集群会给在线任务分配其峰值时所需的资源大小,导致云集群的总体资源利用率处于较低的水平。为了提高云集群的资源利用率,越来越多云服务提供商将离线任务与在线任务混合部署形成混部云集群。云集群中离线任务必然与在线任务争抢集群的资源,导致在线任务的服务质量下降。为解决上述问题,本文首先以混部云集群负载特征为例,分析混部云集群中混合任务的负载变化,接着提出预测云集群上在线任务性能的方法,最后提出混部云集群场景下的在线任务性能分类模型。本文的主要工作分为以下三部分:(1)针对大规模云集群上任务类型多、数量多和任务混合部署等特征,本文以阿里巴巴混部云集群日志数据集为研究对象,分析混部云集群中任务的负载变化。研究表明在线任务的CPU资源利用率符合周期为一天的周期性波动,而内存资源利用率一直稳定在较高水平,说明内存资源是云集群的资源瓶颈。离线任务的CPU和内存资源利用率都符合周期为一天的周期性波动,但是其峰值和谷值所在的时间与在线任务不同,离线任务的CPU利用率峰谷值时间分别是6时和23时,在线任务的CPU利用率峰谷值时间分别是11时和5时。(2)针对云集群上容器性能受诸多因素干扰的问题,本文提出使用LGB(Light Gradient Boosting,LGB)模型对容器性能进行预测。首先把影响容器性能的原因分为静态因素和动态因素、单容器因素和多容器因素,然后使用LGB模型预测容器性能,最后用仅包含在线任务的物理机日志数据集验证预测模型,实验结果表明动态因素和单容器因素对容器性能的影响较大,说明在云集群中容器的动态资源使用和容器上任务运行特征对容器性能的影响较大。使用LGB模型预测容器性能的预测均方误差为0.009,优于对比模型LR(Linear Regression,LR)、Lasso(Least absolute shrinkage and selection operator,Lasso)和CART(Classification And Regression Tree,CART)决策树,实验结果表明本文所提算法具有更高的准确率和更好的稳定性。(3)针对混部云集群中离线任务对容器性能的干扰,本文提出把离线任务对容器性能的干扰转化为分类问题,通过预测分类问题的类别判断离线任务干扰下的容器性能。首先提取影响混部云集群中容器性能的因素,然后提出PCA-GNB(Principal Component Analysis and Gaussian Naive Bayes,PCA-GNB)模型预测混部云集群上的容器性能。最后在混部云集群日志数据集上验证本文提出的模型,实验结果表明PCA-GNB模型的预测准确率为97.95%,相较于逻辑回归模型和支持向量机模型能达到更高的准确率和更好的模型稳定性。上述研究成果为研究混部云集群中离线任务对在线任务的干扰提供参考,有助于提高混部云集群的资源管理效率。