在上一次组会报告中，我对我的研究《A QoS-Aware Job Scheduling Framework for Applications in Clouds: DQN Based Reinforcement Learning Algorithm with Preemption
》进行了初步的介绍。目前该研究的相关实验已经基本完成，并且正在撰写论文，因此本次组会汇报将围绕我的研究内容以及写作分为三部分介绍，首先是对于文章背景，科研目的，公式以及框架等内容的回顾；其次是对于实验最终结果的汇报；最后会和大家分享一些最近写作的感想以及分享比较好用的写作网站。具体内容如下：

第一大部分

研究背景：

因此，随着云服务市场规模的不断扩大，越来越多的公司选择将自己的应用迁移到云服务平台上进行，然而，这同时也带来了相应的挑战，首先由于在云平台上加载的工作流的大小在不断的变化，对于云服务供应商而言难以去追踪每一个工作流的服务质量。其次，云服务供应商可以提供多种类型的虚拟机，例如高计算性能或高内存的虚拟机实例，并且每一个虚拟机实体的计算性能各不相同，与此同时，基于云服务平台的应用不仅需要执行用户所提交的任务，同时也需要满足用户对于该应用的服务质量要求。

科研目的：

因为云服务供应商无法提供类似的优化，因此我们希望设计基于深度强化学习的框架，能够让应用学会自己来进行实时任务的调度，并且能够满足用户的期望，即在用户所期待的最长执行之间之内完成任务。

与此同时，为了进一步提升任务执行的成功率，我们提出了一种抢占机制，并把这种抢占机制应用到了即将超过用户期待时间的任务中，从而进一步提高任务的成功率。

框架：

第二大部分实验结果：

首先是在不同任务到达率情况下任务的成功率以及任务的相应时间，其中肉色的bar代表我们自己的方法：

其次是在任务类型（computing intensive/ I/O intensive）比例不同的情况下，不同任务调度方法的成功率与响应时间：

在最终的第三部分，想和大家分享一下最近写文章的时候，通过自己的一些亲身体会，谈谈对于先写英文再翻译成中文与直接用英文写的差别，以及如何克服类似一用英文写文章就没有什么头绪等等的问题。