由于大数据与云集群计算技术的不断发展,用户能在越来越多的使用场景中享受云集群技术带来的便捷高效。近年来,云集群作业及其计算过程造成的数据安全事故频发,引发行业对集群作业本身以及作业计算过程的安全性的关注。因此,集群环境下高效的异常作业预测方法的研究已经成为热点。本文从作业子任务角度考虑作业异常,首先叙述集群环境下异常作业预测方法的基础理论,并分析现有异常作业预测方法的不足;之后阐述并说明集群作业处理机制及作业运行状态与其状态相关性;叙述作业子任务运行的不同阶段预测方法技术中的支持向量机(support vector machine,SVM)模型预测原理并分析门控递归单元(gated recurrent unit,GRU)神经网络预测作业时的优缺点。其次,针对现有集群环境下异常作业在线预测方法预测效率低、预测时间长且未考虑作业相关性等问题,设计一种基于改进门控递归单元神经网络的集群异常作业在线预测方法(online cluster anomaly job prediction method based on improved gated recurrent unit neural network,OCAJP-IGRU)。方法先设计作业子任务的动态特征计算方式,并依据此动态特征设计一种改进的门控递归单元(improved gated recurrent unit,IGRU)神经网络用于提高在线实时预测任务终止状态的效率;再依据作业的状态相关性检索异常作业。实验选择GRU方法、异常频率阈值学习算法(abnormal frequency threshold learning algorithm,AFTL)、在线序列极限学习机模型(online sequential extreme learning machine,OS-ELM)与OCAJP-IGRU方法对比预测效率及预测时长。实验结果表明,OCAJP-IGRU方法在现有的集群环境下的异常作业在线预测方法中具有较高的预测效率与较短的预测时长。最后,为进一步提高异常作业预测方法的预测效率并缩短预测耗时,提出一种集群异常作业分段预测方法(staged cluster anomaly job prediction method,SCAJP),方法在OCAJP-IGRU预测之前增加离线预测阶段。离线阶段的预测选取作业子任务静态特征并采用SVM根据静态特征预测作业子任务的终止状态,并根据作业的状态相关性检索异常作业;在线阶段仅预测离线阶段结果正常的作业。设计实验对比分析SCAJP方法、OCAJP-IGRU方法、SVM方法及OS-ELM方法的预测性能,实验结果表明SCAJP方法的预测性能明显优于其它预测方法。