وابستگی روزافزون زندگی بشر به سامانه های محاسباتی منجر به اختصاص سهم بزرگی از مصرف انرژی الکتریکی دنیا به این سامانه ها شده است. عدم مهار مصرف توان در این محیط ها می تواند اثرات منفی متعددی از جمله تحمیل هزینه های سرسام آور، تهدید دسترسی پذیری خدمات، و تخریب محیط زیست را به بار آورد. از این رو تلاش تحقیقاتی بسیاری بر بهینه سازی مصرف این سامانه ها تمرکز یافته است. یکی از گام های مهم و پایه در تکاپوی تحقیقاتی وسیع در راستای این هدف، دارا بودن درک مناسبی از رفتار مصرف انرژی در این محیط هاست که موجب تمرکز محققان مختلفی بر مسأله مدل سازی (بویژه مدل سازی برخط) جهت تخمین مصرف توان محاسباتی گشته است. اگر چه مدل های برخط می توانند برای مدیریت محلی توان موثر واقع شوند، در سامانه های بزرگ مقیاس نظیر گریدهای محاسباتی، مدل هایی که بتوانند توان مصرفی بار کاری را قبل از اجرای آن پیش بینی کنند می توانند در مدیریت پیشدست این سامانه ها بسیار سودمند واقع شوند. پیش بینی مصرف قبل از اجرا به لحاظ ذاتی مسأله پیچیده تری از تخمین توان در طول اجرا می باشد. چرا که مدل های برخط برای پیش بینی مصرف توان از ورودی هایی نظیر تعداد فقدان دسترسی به حافظه که دارای همبستگی با توان هستند استفاده می کنند؛ اما این ورودی های به خاطر وابستگی به ماشین قابل کاربرد در مدل های پیش بینی قبل از اجرا نیستند. تحقیق حاضر به مدل سازی مصرف توان بارهای کاری چند ریسمانی، جهت پیش بینی قبل از اجرای مصرف توان با توجه به خصوصیات بار کاری و منبع اختصاص دارد. برای رسیدن به این هدف، اقدام به تحلیل و شناخت بارهای کاری و تببین خصوصیات موثر بر توان مصرفی آن ها شده است. برای مهار فضای بزرگ ناشی از پیچیدگی سامانه های مدرن امروز، چارچوب پیشنهادی، پیش بینی توان را در دو گام متوالی توسط دو زیرمدل انجام می دهد. در گام اول، مدلی بر اساس رابطه فیزیکی مصرف توان مدارات سی ماس برای پیش بینی میزان مصرف توان یک ریسمان بار کاری در یک فرکانس مرجع به کار گرفته می شود. این زیرمدل با کمک یادگیری ماشین و بر اساس خصوصیات بار کاری و منبع پردازشی ایجاد می شود. خروجی به دست آمده از گام نخست، توسط زیرمدل دوم که بر پایه تئوری amdahl بنا شده است به تعداد مورد نظر ریسمان اجرایی در فرکانس دلخواه مقیاس می یابد تا خروجی نهایی مدل به دست آید. آزمایشات عملی بر روی بارهای کاری مختلف و ماشین های متفاوت بیان گر دقت بالای این رویکرد با میانگین خطای 3.7% بوده که قابل مقایسه با سایر روش ها (حتی روش های تخمین برخط نظیر روش های مبتنی بر شمارنده های بازدهی) می باشد.