随着高性能计算系统计算能力不断提升,其体系结构和软件系统的复杂性和规模也不断增加,这对各种大规模并行应用的设计和优化带来极大的挑战,因此面向高性能系统的大规模并行应用性能建模的研究越来越重要。准确地预测大规模并行程序的性能,不仅能够为用户分析程序性能,使其能在高性能计算系统上高效地执行应用程序,还能帮助用户管理和调度作业,合理地分配调度策略,减少作业等待时间,并且能够进行资源评估,指导用户申请资源。本文提出一个并行程序性能预测框架,由特征获取、性能建模和性能预测三部分组成。该框架使用基本块频率作为程序特征,然后利用机器学习算法构建多输入参数的性能预测模型。在获取特征的过程中,首先通过插桩技术获取小规模并行程序运行时特征,然后使用预处理技术选择有用的特征。在性能建模部分,以基本块频率和进程为输入,程序运行时间为输出,进行性能建模。在性能预测部分,为了降低获取大规模并行程序特征的开销,提出了混合插桩算法和程序删减算法。在本文的最后,通过在天河二号平台上执行六种常用的并行测试程序,对提出的性能预测框架进行验证。实验结果表明,当该性能预测框架采用支持向量机回归建模时预测效果最好,平均预测误差低于10%,误差的标准差低于7%。本文还与两个典型的以输入参数为特征的建模方法进行对比,实验证明,本文提出的方法优于其他两种方法。此外,预测开销低于整个程序开销的0.13%。综上所述,本文提出的并行程序预测框架生成的预测模型具有强泛化能力,并且预测的开销小。