本次组会将会介绍关于基于深度强化学习的工作流任务云调度研究,主要内容如下：

科研背景:
近几年来，云计算技术的飞速发展，国内外涌现了大量云计算服务提供商，他们提供了大量计算和存储资源，为众多应用程序开发者提供了便捷，低成本的基础服务平台，使得越来越多的应用程序供应商将应用程序迁移至云平台。随着云计算的覆盖程度不断加深，应用程序对于云计算的要求也不断提高。

云计算环境受网络、负载等因素影响，具有动态性和不确定性，这使得实现云计算资源管理和性能优化成为了重要问题。在过去几年的研究中，针对云任务调度问题，提出的算法大多是批处理任务，而不是实时处理任务，这对于用户服务质量要求高的应用，如购物应用，竞拍应用等，批处理往往难以达到用户要求。

科研问题：
在实际情况中，云应用提供者希望能满足用户的服务质量要求，在很多场景中，如购物等，任务请求不断随时间变化，批任务处理往往无法满足用户要求。因此，如何实现实时任务调度，提高任务调度和处理速度，成为云计算研究领域的重要问题。

科研目的：
为了实现云计算实时任务调度，我们针对workflow(工作流)任务提出使用深度强化学习和元启发式算法相结合的方法DQN-GA。该方法以深度强化学习DQN算法作为智能任务调度器进行任务实时调度，以元启发式算法遗传算法作为部署模块在虚拟机中部署workflow任务，通过训练DQN算法，实现对workflow任务的实时调度。

流程框架：

本次组会将会介绍有关《DRL-Scheduling-一种面向云应用的智能Qos感知作业调度框架》的有关内容以及自己的一些理解，主要从以下几个方面介绍：

科研背景：
随着云计算技术的不断发展，Iaas供应商（如Amazon EC2和Microsoft Azure）能为用户提供强大的计算和存储资源，使得应用程序供应商能以更低的成本构建自己的IT基础设施。因此，越来越多的应用程序迁移至云环境。基于云的应用程序的资源管理特别是实现高效的作业调度，满足用户的服务质量要求成为备受关注的问题之一。

科研问题：
不同于传统操作系统调度和分布式计算调度， 云环境下的任务调度环境更加复杂，影响因素更多，任务和虚拟机种类繁多，基于理论研究和启发式算法不能很好的实现云计算作业调度。因此，解决云环境下作业调度问题，实现高效，实时并尽量满足用户QoS要求的作业调度是主要解决的问题。

科研目的：
构建基于深度强化学习的智能调度框架，实现对云环境实时作业调度的优化，减少作业平均响应时间并尽量满足用户QoS要求。

使用方法：
深度强化学习DQN算法