云计算为客户提供了一种按照使用量进行付费的服务模式,它为企业或者个人提供了便捷的、按需的和高效的网络服务访问,允许客户使用可供配置的计算资源共享池,包括网络、服务器、存储、应用软件等。随着目前中小企业不断地扩大业务规模的同时又希望降低硬件设备购买成本的趋势,云计算平台逐渐成为了很多企业需求服务的首选目标。云计算平台一般是由大量通过网络协议通信的计算机组成,又称计算机集群。然而,集群通常会面临着较低的计算机资源利用率的问题,这会给云服务提供商和客户带来高额的成本损失。本文针对云平台的性能从两个层面进行了研究。首先从云平台性能瓶颈分析出发,针对阿里巴巴发布的云计算集群公开数据集,本文提出了一种基于机器学习的方法对集群后台任务进行分类,然后根据分类结果来研究云平台的资源利用特性,包括后台任务特征以及性能瓶颈;其次从云计算平台任务调度问题出发,研究支持混合任务负载的云计算资源调度机制以及任务调度策略,设计了一种基于反馈控制的混合负载任务调度策略,从而从任务调度的角度优化了云平台的性能。本文的主要工作和贡献如下:1.分析了现有的云计算集群数据集,发现大多数研究都停留在统计分析的层面,而假如使用机器学习聚类算法来研究任务以及集群的数据,则可以提高任务分类以及研究结论的准确度。本文提出了一种基于聚类算法对阿里云计算集群后台任务分类的方法。针对阿里发布的云计算集群公开数据集,筛选出了任务和机器的关键数据,基于机器学习中的聚类算法设计了四个步骤以获得最终的分类结果,通过数理统计的知识以及分析图验证该分类算法的有效性。2.利用了基于聚类算法的任务分类结果,结合了阿里集群管理架构设计,分析了集群后台任务特征以及性能瓶颈,总结出了一系列有参考意义和研究价值的结论。其中一部分结论（如集群内存容量显著不足）可以帮助云计算服务提供商有针对性地提高云计算性能,另一部分结论则有助于深入研究云计算环境下的任务调度问题,从而进一步优化云平台的性能和效率。3.针对混合任务负载云计算环境下的任务调度问题,研究了支持混合任务负载的云计算资源调度机制,提出了两种任务优先调度策略,分别为延迟敏感任务优先调度策略和吞吐量敏感任务优先调度策略。延迟敏感任务优先调度策略保证延迟敏感型任务具有更高的调度优先级,而吞吐量敏感任务优先调度策略保证了仅有接近截止时间的延迟敏感型任务具有更高的调度优先级。这两种调度策略实现了一个高性能且高效率的云平台任务调度解决方案,保证了不同类型任务的高效混合调度。4.通过搭建Hadoop集群,然后基于Apache Hadoop Yarn实现调度器,最后设计真实实验验证了支持混合负载的云计算任务调度策略的高效性和可靠性。实验表明相较于Fair Scheduler,延迟敏感任务优先调度可以减少约62.5%的任务延迟,而吞吐量敏感任务优先调度可以减少大约47.5%的任务延迟。另外还使用Cloud Sim云仿真平台设计仿真实验,相较于默认调度策略,延迟敏感任务优先调度策略可减少大约74.4%的任务延迟,吞吐量敏感任务优先调度策略,可减少大约71.4%的任务延迟,从而证明了使用本文提出的云计算任务调度策略来调度任务是高效且可靠的。云计算已经成为了当前社会发展的科技基础,而如何优化云计算服务性能,做到高服务质量和高利润收益成为了一个重要的问题。因此,分析研究云平台的性能瓶颈并探究其性能优化方法,具有极高的经济效益、实用性以及推广价值。