高性能计算（High Performance Computing,HPC）除了在海洋模拟、气候预测、分子动力学模拟等科学计算领域具有传统优势之外,近年来也逐渐被广泛应用于人工智能、核能模拟、能源勘探、国民经济预测和决策等方面。高性能计算为这些领域带来了更高效、更准确的数据分析和计算能力,已成为当前世界各国争相抢占的科技制高点,是国家综合科技实力的重要标志。高性能计算集群内各个节点通过高速协同工作,可以提供比传统计算机或服务器更强大的计算性能,使超级计算机或高性能计算集群成为现代超算中心必不可少的基础设施。随着云计算技术的成熟,越来越多的学术机构和商业用户开始尝试使用云平台来支撑HPC应用运行。大量研究与实践已证明,云计算技术以其弹性供应、轻量虚拟化和资源控制等方面的优势,可作为高性能计算集群的有益补充。越来越多的超算中心已经或即将在传统高性能计算集群的基础之外,构建以虚拟机或容器为资源调度单位的云计算集群,以满足更多的应用场景。可以预见,异构超算中心将越来越广泛地基于云计算集群与传统高性能计算集群构成的混合集群,为各类高性能计算作业提供计算服务。然而,这种基于混合集群的计算模式也面临新的挑战:一方面,云计算集群虽然能够支撑高性能计算作业,但在性能方面仍然劣于传统高性能计算集群,将何种高性能计算作业调度到云上运行,是为用户提供最高的性价比计算服务的关键。另一方面,混合集群采用的资源管理与调度技术不同,计算资源配置也不同,将高性能计算作业调度到高性能计算集群还是云计算集群上,是使数据中心层面整体资源达到负载均衡的关键。因此,如何基于高性能计算与云计算混合集群进行高性能计算作业预测和调度,保证HPC用户获得更高的性价比并提高数据中心资源利用率,是当前异构超算中心混合集群管理领域急需研究和解决的问题。针对上述问题,本论文以HPC应用在物理HPC集群以及Kubernetes集群中运行时反映的性能特征为基础,从不同环境下运行HPC作业对集群能量消耗和作业执行成本的影响出发,对混合集群中HPC作业的感知与调度进行研究。主要研究内容和创新点如下:（1）设计了一种面向混合HPC应用场景的多元特征预测模型,并在物理HPC集群环境和Kubernetes集群环境下分别进行训练,以预测HPC作业需求特征。该模型可以根据用户提交的HPC作业需求,感知作业任务在某一集群环境下运行所需的总时间、CPU需求量和内存需求量,该感知预测功能为形成混合集群中HPC作业调度策略方法提供必要前提;（2）提出了一种基于混合集群的HPC作业调度策略方法,该方法以多元特征预测模型为基础,根据HPC作业的需求对运行时间、CPU和内存资源的需求量进行感知,以得到作业任务在各集群环境下运行所需的集群能量消耗和货币成本,并将其作为策略特征,将用户提交至数据中心的HPC作业任务调度至相对产生更少集群能量消耗和作业执行成本的集群环境中;（3）构建了一种基于物理HPC集群和Kubernetes集群混合的作业感知与调度方法架构,并对多元特征预测模型和HPC作业调度策略方法进行功能集成,以验证本论文提出的感知与调度方法对资源数据中心的影响。