随着云计算的发展以及大数据时代的到来,企业对大数据业务的需求日益增长,大数据分析所需要的计算速度、存储容量,使得云计算与大数据的结合日益紧密。同时,云计算弹性伸缩的特点可以很好得解决高性能计算领域的峰值问题,高性能计算与云计算的结合也越来越受到业界的瞩目与追捧。工业云时代的兴起是必然的,个人计算机、工作站全面云化,以及高性能计算云化发展是大势所趋,计算型任务逐渐在云数据中心占据越来越重要的地位。时至今日,数据中心的资源利用率低仍然是一个亟待解决的问题,即使是Google这样的顶级公司,其数据中心的资源利用率低于50%。其主要原因是用户过高估计任务的资源需求,而服务提供商需要保证服务质量,导致大量计算资源空闲。同时,在科学计算任务中,存在一些已经死循环的任务,它们的计算结果对用户来说已经价值不大,但是仍占用了计算资源。为了提高数据中心的资源利用率以及用户体验,本文针对计算型任务设计了一种自适应的动态资源需求预测算法。通过预测值辅助云资源管理器动态伸缩资源,提高资源利用率。文中利用Google数据中心的监控数据,验证了算法在生产平台的准确率以及自适应能力。同时,本文还针对HPC中的迭代计算型任务VASP设计了一种两阶段的模型进行收敛性判定。其目的是判断用户提交任务的收敛性,从而提前结束非收敛的长任务,提高资源利用率和用户体验。利用中科大超算中心VASP任务的监控数据,本文验证了算法的有效性。