近年来虚拟化技术的快速发展,促进现代数据中心管理进入了一个按需服务的云计算新时代。虚拟化技术为云计算提供了高资源利用率、快速服务伸缩、安全隔离、高可用性以及高效管理等诸多优势,但是目前还不能为共享同一台宿主物理机的多个虚拟机用户提供完美的性能隔离。虚拟机性能干扰效应可能会导致云计算中应用的实际性能不稳定且难以预测,甚至远远低于用户预期。目前已有一些研究者对虚拟机性能干扰问题进行了探讨,大多是收集虚拟机监视器中的系统参数特征并通过机器学习算法建模以预测应用的性能,但是缺乏对虚拟机中不同应用内在性能行为的精确刻画。此外,底层虚拟机监视器和客户虚拟机都有自己独立的资源调度器而且彼此不可见,使得应用的性能行为更加难以预测。因此,进一步深入地研究虚拟机客户应用的性能干扰以及性能感知的虚拟机资源管理机制是保证云计算高可用性和高可靠性的重要课题。针对上述问题,本文从云数据中心用户QoS保证和能耗优化的角度分别在虚拟机性能干扰预测和性能干扰感知的云数据中心资源管理两个方面开展研究工作,提出了精确的虚拟机性能预测方法以及高效的能耗和性能优化管理机制,并通过大量实验验证了算法的有效性。本文主要贡献为以下两点:（1）针对虚拟机性能干扰的问题,我们首先进行了大量的实验性研究,通过跟踪和对比不同的基准测试应用组合的运行时状态,探究虚拟机性能干扰的根本原因和外在表现。实验证明,一方面VCPU绑定PCPU可以减少VCPU在物理处理器上浮动带来的开销,能显著的提高应用性能;另一方面,VM exits事件平均需要数千个时钟周期处理,而且需要在虚拟机和hypervisor之间频繁地进行切换,是造成虚拟机性能干扰的主要原因。基于上述虚拟机性能干扰根本原因的实验性分析,本文进一步提出了基于核函数典型相关性分析（KCCA）的虚拟机性能干扰预测模型,精确地刻画了复杂的虚拟机应用性能干扰行为。该模型通过Intel Pin插桩和收集微处理器无关的应用内在指令级特征,以及使用Xentrace跟踪虚拟化层运行时的系统级特征,并基于核函数典型相关性分析KCCA建立了应用特征集和性能参数的相关性关系,最后提出了虚拟机性能干扰预测方法。通过实验证明,该模型能够准确地预测虚拟机客户应用在不同后台虚拟机应用组合下的实际性能。（2）基于KCCA虚拟机性能干扰预测模型,本文进一步对云数据中心的虚拟机资源管理机制进行了性能干扰感知的优化。针对虚拟机的在线部署问题,我们定义了应用的性能效益函数,并基于虚拟机性能干扰模型提出了性能干扰感知的UtilityFit算法,使得虚拟机应用实例的性能最优同时对其宿主物理机环境造成的性能下降最少。云数据中心运行时间较长后会状态欠佳,需要进行周期性虚拟机整合,降低云数据中心的能耗,并优化云数据中心的效益能耗比。针对用户应用QoS需求和云数据中心能耗优化冲突的问题,我们提出了一种高效的应用性能和云数据中心效益均衡的周期性虚拟机整合算法LeastInterferenceFirst,以最大化最小性能干扰的应用组合的物理资源利用率。通过模拟实验分析和证明,LeastInterferenceFirst虚拟机整合算法能够有效地保障用户QoS,并优化云数据中心能耗。