代丽萍，王敬雄，李为丽，刘春红,2*，程渤

（1.河南师范大学计算机与信息工程学院，河南新乡 453007；2.智慧商务与物联网技术河南省工程实验室河南新乡 453007；3.北京邮电大学网络与交换技术国家重点实验室北京 100876）

1 引言

大规模云平台运行着成千上万项应用，云集群管理系统调度各种资源，以保障应用的正常运行，并提高云资源的利用率［1］。目前，云资源调度策略的优化已成为提高资源利用率的重要手段。其中，基于机器学习的任务终止状态预测结果，作为调度器采取相应调度策略的决策依据，已成为云资源管理优化的研究热门［2‑10］。

在分布式云平台的调度管理中，用户的应用请求以作业的形式提交到数据中心，每个作业由调度器分配计算和存储资源，作业的一次调度运行，称为任务。作业包含一个或多个任务。其中，任务终止状态包含驱逐、失败、完成和被杀［1］。提前预测任务的终止状态，对不能成功完成的任务采取相应的调度策略，可有效节约资源，缩短任务的运行时间，提高资源的利用率［6‑7,9‑10］。

云平台失败任务预测研究分为任务终止状态影响因素的分析和终止状态预测方法两个领域。任务终止状态影响因素的分析从失败预测的可行性、任务和资源请求等属性的相关性以及故障表征研究等进行分析［3‑6］。Jassas 等人［2］探索了失败作业与CPU 资源请求等因素之间的相关性。Islam 等人［3］对task 进行了故障表征研究，并探索云平台进行失败预测的可行性。基于机器学习技术的终止状态预测是近年来的研究热点。……