Future Generation Computer Systems 94 (2019) 453-467 Contents lists available at

B. Qureshi / Future Generation Computer Systems 94 (2019) 453–467
Fig. 4.
Power consumption and map/reduce completion rate for SentiStrength with (a) Dataset 1 workload on 4 VM (b) Dataset 4 on 4 VM configuration for RIoTU Testbed.
•
Workflow ID (
W
k
): At the initiation, the application manager
would initiate a work flow that contains various applica-
tions/tasks to be executed on the cluster. A workflow iden-
tifier is a unique identifier.
•
Task ID (
T
ki
): A workflow consists of multiple applications and
tasks. The task ID is a unique identifier.
•
Arrival time (
a
ki
): The arrival time is the instant in seconds
when the task arrived. This time is utilized in a task assign-
ment to a VM.
•
Expected completion time (
e
ki
): Based on the cost of execut-
ing a task, an expected completion time is computed.
•
Requested resources: This is a combination of two param-
eters, requested CPU and memory workload in bytes. The
requested resources are used in assignment of VMs to tasks.
•
Power profile: This contains information about the power
consumption parameters. These values are used in conjunc-
tion with the power attributes defined in the VM profile for
power-aware placement of tasks in the data center.
Fig. 5
shows the task deployment flow chart for the new frame-
work. As a new workflow arrives with multiple tasks, tasks are
registered by the scheduler in the framework. If an AP exists for this
task, the status information is pulled, and based on the workflow
parameters, requested resources, including CPU, memory, etc., are
determined. Information related to task initialization, such as task
arrival time, workload, expected completion time, and power con-
sumption, is analyzed. Once the cost analysis is completed, the
task is assigned to VMs, and VMs are placed on the PMs in the
cluster. As the task executes, runtime status parameters, such as
completion rate and power consumption, are recorded. Actual
completion times and power consumption information is recorded
in the profile as the task completes. In case, when an AP for a task
does not exist, the scheduler estimates the runtime based on the
workflow size using general distribution. Over a period, with larger
data availability, the cost analysis improves the overall efficiency
of the framework.
Fig. 5.
Power-aware profile-based task deployment for a workflow.
4.2. System model
Since workflow scheduling is a well-known NP-complete prob-
lem, a great deal of research work has been proposed to gain
near-optimal solutions. There are three typical approaches, meta-
heuristic based, list based and Partial Critical Path (PCP) based.
In this section, we first provide a model for the power aware
workflow scheduling for cloud clusters with predictable or certain
workloads. Next we provide a heuristic based scheduling algorithm

---

B. Qureshi / Future Generation Computer Systems 94 (2019) 453–467
461
Fig. 6.
Power-aware profile-based scheduling model with a sample of a VM and an Application profile.
that incorporates event-driven and periodic rolling strategies. We
assume, events are the arrival of workflows in the cloud environ-
ment. In what follows, we present a system model for scheduling
of certain workflows in the cluster.
Fig. 6
shows the power-aware
profile-based scheduling model for the new framework.
The scheduler consists of various components including work-
flow analyzer, controller, resource manager, application and VM
profiles. The controller receives the workflow, the workflow an-
alyzer determines the number of tasks, types of tasks, resources
needed for each task by querying information available in the APs.
In this work, we assume that workflows represent a set of tasks
that need to be executed as part of an application in the cloud.
Workflows