本次组会将会介绍关于基于深度强化学习和遗传算法的成本感知云工作流实时调度研究进度,主要内容如下：

科研背景:
工作流是由多个具有依赖关系的任务组成的流程化任务，普遍存在于工业(事务密集型工作流，如商务流程)和科学研究(数据与计算密集型科学工作流，如地震数据分析流程)领域。其多任务的特点使得工作流常在分布式系统中进行调度。
云计算在虚拟化技术的推动下，其服务性能不断提升，功能不断完善，所提供的强大且低成本共享式存储资源和计算资源成为各类应用程序构建基础服务架构最受欢迎的选择之一。与实体环境和传统分布式系统不同，云计算提供的计算服务具有弹性拓展的特性，其服务质量受网络，负载等多因素影响，使得云计算环境更加复杂。
工作流复杂的结构和依赖关系使其很难进行高效调度。在以往对工作流任务在分布式系统的调度研究中，多将工作流任务建模为有向无环图采用启发式和元启发式技术优化调度。但在云计算环境下，工作负载的不确定性和云环境的多变性使得以往启发式和元启发式方法无法在云中对工作流实现高效实时调度。同时，云环境下的调度往往需要考虑多种优化目标，如用户服务质量，虚拟机成本等，基于启发式的技术优化目标单一，元启发式技术对多目标优化的时间和计算成本过高。因此，云环境下的工作流调度必须寻找能够适应云环境动态变化的方法，以实现高效调度。

科研问题：
在动态多变的云环境中，如何对具有复杂结构的工作流实现高效实时的调度。

科研目的：
通过使用遗传算法计算工作流在虚拟机中的执行顺序，简化工作流结构，帮助构建基于深度强化学习工作流调度模型，该模型能够感知虚拟机成本，优化工作流响应时间和执行成本，实现对复杂的工作流实时，高效的调度。

研究框架：