互联网+时代下,各种新技术的出现极大地改变了人们的生产和生活,商业银行的数字化转型势在必行。数据处理技术由原来的单一数据库、数据集市、数据仓库等传统离线数据分析模式（OLAP）进一步发展为融合了离线分析、流式计算、在线分析等模式的复杂场景,数据处理对象也由单一的结构化数据逐步向半结构或非结构化数据拓展。大数据平台所承载的业务场景日趋复杂,数据量呈现出爆发式增长,技术平台也从传统的集中式向分布式架构进行转型。如何保障企业级大数据系统在面向业务发展赋能的过程中稳定运行成为信息系统建设的关键之一。在商业银行大数据系统中,系统作业是业务逻辑的载体,系统作业运行过程中可能存在性能隐患,这其中以事中作业性能风险和事前新增作业性能隐患最为致命。事中作业风险是指已经在生产环境中运行的大数据各系统作业超时和中断的情况,作业加载的数据体量、关联逻辑的复杂程度等都可能影响作业运行的时效。事前作业风险隐患是指随着银行业务种类的增长和经营范围的扩展,在大数据系统中反映出来的是更多的新增作业被带入生产环境,这些新增作业在不进行性能隐患排查而直接投放至生产极有可能造成作业中断的现象,从而造成经营损失。在事中作业性能风险预警方面,本文以K-Means（K均值聚类）+ARIMA（差分自相关回归移动平均模型）与K-Means+LSTM（长短期记忆人工神经网络）作为对比模型。数据选取生产环境2019年6月至2020年6月一年内的15300个样本,综合考虑作业运行时长的均值、方差等基本统计指标以及作业所在系统,使用聚类方法获取高风险隐患作业。随后,通过传统统计算法ARIMA和深度学习算法LSTM完成相应风险隐患作业的时序预测。在事前作业性能风险排查方面,本文通过关联性分析从ETL调度指标、作业逻辑代码指标和大数据系统集群相关指标选中如SELECT出现次数、作业并发数、JOIN表个数等22个维度作为模型的输入特征。以RandomForest（随机森林）和XGboost（极限梯度提升算法）作为对比模型,针对15300个样本实现了回归预测。经实验分析,本文提出了 K-Means+ARIMA+XGBoost的组合模型来实现大数据系统事中性能风险隐患精准预警和事前性能风险隐患精确排查。该组合模型较之其它对比模型表现优异。构建完成后的模型为商业银行大数据系统带来的提升是多方面的,首先在事前通过组合模型可以直接排查大数据系统新增作业性能风险隐患,并通过特征贡献度,给出代码及架构层面修改意见。将性能风险扼杀在作业代码开发阶段;其次针对大数据平台生产环境已在运行的各业务系统作业,通过性能预警的方式在T日提前预警T+1和T+2日的作业性能风险。提前将风险作业告警至生产运维系统进行人工干预。组合模型的提出极大地降低了商业银行大数据系统因性能风险带来的损失。