大规模云平台运行着成千上万项作业,云平台管理系统的调度器调度各种资源,保障任务（作业的一次运行）的正常运行,并提高云资源的利用率。目前,智能云资源管理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措施的决策依据,已成为云资源管理改进的研究热门。然而,大规模云平台上,具有任务数量巨大、运行所需资源多样、终止状态影响因素复杂等特点,如何在大规模云平台上准确预测任务的终止状态,是亟待解决的问题。本文以Google云平台的计算调度系统Borg为研究对象,利用Google公布的Borg代表性工作负载监控日志进行研究验证,分别对任务失败状态和更细粒度的任务终止状态进行预测。主要研究内容如下:（1）任务终止状态影响因素的统计分析。在深入研究Borg集群管理系统的调度管理机制基础上,使用大数据统计的方法对任务终止状态影响因素进行分析,确定影响任务终止状态的属性,并据此进行特征选择。为了更早地对任务的终止状态进行预测并采取调度措施,确定任务运行到1/3时刻的静态、动态属性信息,以便在任务运行早期进行终止状态的预测。（2）针对任务早期运行阶段动态信息不足,使得预测模型的泛化性能和预测精度低的问题,提出了一种基于相似作业之间相关信息挖掘的失败任务早期联合预测方法（Early Prediction Task Failure,EPTF）,在任务运行1/3阶段时,预测出失败的任务。相似作业包含的任务具有相似的负载变化模式,负载序列间存在结构相关性,这个相关性信息能有效提高预测模型的泛化性能。首先,提出了一种作业聚类算法,从包含不同任务数量的作业中,聚类出相似度更高的作业。其次,对于得到的作业聚类,构建鲁棒多任务学习模型,挖掘作业之间的域信息,进行失败任务的联合预测。实验结果表明,预测时机方面,EPTF是在任务运行到1/3时期进行预测,比常用的方法选定的1/2时期要更早,且因此节省了大约42.76%的CPU资源。预测性能方面,EPTF在更早运行时刻内进行预测时,可以得到更高的预测精度、更好的鲁棒性和更低的假负率。（3）为更细粒度进行调度决策,需要对任务的终止状态进行多分类预测。针对多分类过程中的不均衡问题和类重叠度问题,提出了一种基于类重叠度区分的自定义步长-梯度提升决策树（Self Paced-Gradient Boosting Decision Tree,SP-GBDT）模型,分别从数据和算法层面解决不均衡问题,提高预测少数类任务状态的准确率。首先,将终止状态的多个类别拆分成若干个二类组合,根据支持向量数据描述模型筛选出类重叠度较低的最优二类组合。然后,分别对最优的二类组合进行扩展采样比例的自定义步长欠采样。最后输入构建梯度提升决策树模型,将欠采样之后的数据进行多分类。实验结果表明,在任务运行到1/3时刻进行的多分类预测,具有良好的预测性能,和常用的决策树和随机森林的多分类预测方法相比,SP-GBDT算法的F1-score分别提高了30.39%、18.26%。