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

Acknowledgment
This work is partially supported by the Robotics and Internet of
Things Lab in the Research and Innovation Center at Prince Sultan
University, Saudi Arabia.
References
[1]
I.M. Llorente, The limits to cloud price reduction, IEEE Cloud Comput. 4 (3)
(2017) 8–13.
[2] A. Shehabi, et al., United states data center energy usage report, (2016) [on-
line] Available:
https://publications.lbl.gov/islandora/object/ir%3A1005775/
datastream/PDF/view
.
[3]
Ashok Sekar, Eric Williams, Roger Chen, Changes in time use and their effect
on energy consumption in the united states, Joule 2 (3) (2018) 521–536.
[4] R. Miller, Data centers efficiency will yield $60 billion in savings, Data Cen-
ter Frontier, (2016 Jun.). [Online]. Available:
http://datacenterfrontier.com/
report-data-centers-are-energy-
misers-not-power-hogs/.
[5]
M.S. Hossain, S. Rahaman, A.L. Kor, K. Andersson, C. Pattinson, A belief rule
based expert system for datacenter PUE prediction under uncertainty, IEEE
Trans. Sustain. Comput. 2 (2) (2017) 140–153.
[6]
J. Wan, X. Gui, R. Zhang, L. Fu, Joint cooling and server control in data centers:
a cross-layer framework for holistic energy minimization, IEEE Syst. J. PP (99)
(2017) 1–12.
[7] J. Whitney, P. Delforge, Scaling up energy efficiency across the data center
industry: evaluating key drivers and barriers (Issue Paper), Natural Resources
Defense Council (NRDC), 2014.

---

B. Qureshi / Future Generation Computer Systems 94 (2019) 453–467
467
[8]
A. Varasteh, M. Goudarzi, Server consolidation techniques in virtualized data
centers: a survey, IEEE Syst. J. 11 (2) (2017) 772–783.
[9] S.B. Shaw, J.P. Kumar, A.K. Singh, Energy-performance trade-off through re-
stricted VM consolidation in cloud data center, in: International Conference
on Intelligent Computing and Control (I2C2), Coimbatore (2017), pp. 1-6.
[10]
K. Zheng, X. Wang, J. Liu, DISCO: distributed traffic flow consolidation for
power efficient data center network, in: IFIP Networking Conference (IFIP
Networking) and Workshops, Stockholm, 2017.
[11]
X. Wu, Y. Zeng, G. Lin, An energy efficient VM migration algorithm in data
centers, in: 16th International Symposium on Distributed Computing and
Applications to Business, Engineering and Science (DCABES), 2017.
[12]
B. Wang, Y. Song, X. Cui, J. Cao, Mathematical programming for server con-
solidation in cloud data centers, in: 4th International Conference on Systems
and Informatics (ICSAI), Hangzhou, 2017, pp. 678–683.
[13] X. Shi, H. Jiang, J. He, H. Jin, C. Wang, B. Yu, X. Chen, Developing an optimized
application hosting framework in clouds, J. Comput. System Sci. 79 (8) (2013)
1214–1229,
http://dx.doi.org/10.1016/j.jcss.2013.02.003
.
[14] F. Alharbi, Y.C. Tain, M. Tang, T.K. Sarker, Profile-based static vm placement for
energy-efficient data center, in: 18th IEEE International Conference on High
Performance Computing and Communications; (HPCC2016), Sydney, NSW,
(2016) pp. 1045-1052.
[15]
B. Qureshi, G. Min, D. Kouvatsos, Countering the collusion attack with a multi-
dimensional decentralized trust and reputation model, Springer J. Multimed.
Tools Appl. 66 (2) (2013) 303–323.
[16]
X. Tang, K. Li, G. Liao, K. Fang, F. Wu, A stochastic scheduling algorithm for
precedence constrained tasks on grid, Future Gener. Comput. Syst. 27 (8)
(2011) 1083–1091.
[17]
D. Poola, S.K. Garg, R. Buyya, Y. Yang, K. Ramamohanarao, Robust scheduling
of scientific workflows with deadline and budget constraints in clouds, in:
28th IEEE International Conference on Advanced Information Networking and
Applications (AINA), 2014, pp. 858–865.
[18]
M. Thelwall, K. Buckley, G. Paltoglou, D. Cai, A. Kappas, Sentiment strength
detection in short informal text, J. Am. Soc. Inf. Sci. Technol. 61 (12) (2010)
2544–2558.
[19]
E. Feller, L. Ramakrishnan, C. Morin, Performance and energy efficiency of
big data applications in cloud environments: a hadoop case study, J. Parallel
Distrib. Comput. Volumes (2015) 79–80.
[20]
J. Conejero, O. Rana, P. Burnap, J. Morgan, B. Caminero, C. Carrión, Analyzing
hadoop power consumption and impact on application qos, Future Gener.
Comput. Syst. 55 (2016) 213–223.
[21]
Z. Zhou, F. Liu, Z. Li, Bilateral electricity trade between smart grids and green
datacenters: pricing models and performance evaluation, IEEE J. Sel. Areas
Comm. 34 (12) (2016) 3993–4007.
[22]
C. Li, Y. Hu, J. Gu, J. Yuan, T. Li, Oasis: scaling out datacenter sustainably and
economically, IEEE Trans. Parallel Distrib. Syst. 28 (7) (2017) 1960–1973.
[23]
S. Ibrahim, et al., Governing energy consumption in hadoop through cpu
frequency scaling: an analysis, Future Gener. Comput. Syst. 54 (2016) 219–
232.
[24]
N. Tiwari, U. Bellur, S. Sarkar, M. Indrawan, Identification of critical parame-
ters for mapreduce energy efficiency using statistical design of experiments,
in: IEEE Intl Parallel and Distributed Processing Symposium Workshops
(IPDPSW), Chicago, IL, 2016, pp. 1170–1179.
[25]
F. AlMudarra, B. Qureshi, Issues in adopting agile development principles
for mobile cloud computing applications, in: 6th International Conference
on Ambient Systems, Networks and Technologies, London, United Kingdom,
2015, pp. 2–5.
[26]
F. Kong, X. Liu, GreenPlanning: optimal energy source selection and capacity
planning for green datacenters, in: ACM/IEEE 7th International Conference on
Cyber-Physical Systems (ICCPS), Vienna, 2016.
[27]
M. Anan, N. Nasser, A. Ahmed, A. Alfuqaha, Optimization of power and
migration cost in virtualized data centers, in: IEEE Wireless Communications
and Networking Conference, Doha, 2016, pp. 1–5.
[28]
X. Dai, J. Wang, B. Bensaou, Energy-Efficient VMs scheduling in multi-tenant
data centers, IEEE Transactions on Cloud Computing (2016) 210–221.
[29]
K. Shvachko, H. Kuang, S. Radia, R. Chansler, The hadoop distributed file sys-
tem, in: The Proceedings of 26th IEEE Mass Storage Systems and Technologies
(MSST) 2010, 2010, pp. 1–10.
[30]
L. Gu, H. Li, Memory or time: performance evaluation for iterative operation
on hadoop and spark, in: 10th IEEE International Conference on High Perfor-
mance Computing and Communications, 2013, pp. 721–727.
[31]
M. Duan, K. Li, Z. Tang, G. Xiao, K. Li, Selection and replacement algorithms for
memory performance improvement in spark, Concurr. Comput.: Pract. Exper.
28 (8) (2016) 2473–2486.
[32]
M. Zaharia, M. Chowdhury, M.J. Franklin, S. Shenker, I. Stoica, Spark: cluster
computing with working sets, HotCloud 10 (10) (2010) 95–99.
[33] Z. Yang, et al., H-NVMe: A hybrid framework of NVMe-based storage system
in cloud computing environment, 36th IEEE International Performance Com-
puting and Communications Conference (IPCCC), San Diego, CA, 2017.
[34]
Y. Fukushima, T. Murase, G. Motoyoshi, et al., Determining server locations
in server migration service to minimize monetary penalty of dynamic server
migration, J. Netw. Syst. Manag. 26 (4) (2018) 993–1033.
[35]
J. Bhimani, Z. Yang, M. Leeser, N. Mi, Accelerating big data applications using
lightweight virtualization framework on enterprise cloud, in: 21st IEEE High
Performance Extreme Computing Conference (HPEC), 2017.
[36]
D. Merkel, Docker: lightweight linux containers for consistent development
and deployment, Linux J. 2014 (239) (2014) 2–8.
[37]
H. Chen, J. Zhu, Z. Zhang, et al., Real-time workflows oriented online schedul-
ing in uncertain cloud environment, J. Super-comput. 73 (2017) 4906–4921.
[38]
M. Hilman, M. Rodriguez, R. Buyya, Task-Based budget distribution strategies
for scientific workflows with coarse-grained billing periods in iaas clouds, in:
13th IEEE Intl Conf on e-Science, 2017, pp. 128–135.
[39]
N. Kim, J. Cho, E. Seo, Energy-credit scheduler: an energy-aware virtual
machine scheduler for cloud systems, Future Gener. Comput. Syst. 32 (2014)
128–137.
[40]
Q. Chen, L. Zheng, M. Guo, Z. Huang, Eewa: energy-efficient workload-aware
task scheduling in multi-core architectures, in: IEEE International Parallel
Distributed Processing Symposium Workshops, IPDPSW, 2014, pp. 642–651.
[41]
H. Nguyen, Z. Shen, X. Gu, S. Subbiah, J. Wilkes, Agile: elastic distributed
resource scaling for infrastructure-as-a-service, in: Proceedings of the 10th
International Conference on Autonomic Computing, (ICAC 13), USENIX, San
Jose, CA, 2013, pp. 69–82.
[42]
K. Ye, Z. Wu, C. Wang, B.B. Zhou, W. Si, X. Jiang, A. Zomaya, Profiling-based
workload consolidation and migration in virtualized data centers, IEEE Trans.
Parallel Distrib. Syst. 26 (3) (2015) 878–890.
[43]
Zhengyu Yang, Danlin Jia, Stratis Ioannidis, Ningfang Mi, Bo Sheng, Interme-
diate data caching optimization for multi-stage and parallel big data frame-
works, in: IEEE International Conference on Cloud Computing, 2018, pp. 277–
284.
[44]
M. Anan, N. Nasser, SLA-based optimization of energy efficiency for green
cloud computing, in: IEEE Global Communications Conference (GLOBECOM),
2015, pp. 1–6.
[45]
Z. Yang, et al., AutoTiering: automatic data placement manager in multi-tier
all-flash datacenter, in: 36th IEEE International Performance Computing and
Communications Conference (IPCCC), San Diego, CA, 2017.
[46]
K. Li, X. Tang, K. Li, Energy-efficient stochastic task scheduling on heteroge-
neous computing systems, IEEE Trans. Parallel Distrib. Syst. 25 (11) (2014)
2867–2876.
[47]
J.J. Durillo, V. Nae, R. Prodan, Multi-objective energy-efficient workflow
scheduling using list-based heuristics, Future Gener. Comput. Syst. 36 (2014)
221–236.
[48] G. Wu, M. Tang, A trading-inspired approach to the dynamic server consolida-
tion problem in data centers, in: IEEE International Conference on Computer
and Information Technology (CIT), Nadi (2016), pp. 776-782.
[49] VMWare vSphere, last accessed: 2018.
https://www.vmware.com/products/
vsphere-hypervisor.html
.
[50] Twitter API
https://twitter.com/TwitterAPI
[Last accessed: Dec, 2017].
[51] Twitter 4J Library
http://twitter4j.org/en/index.html
[Last accessed: Dec,
2017].
[52]
R.N. Calheiros, R. Ranjan, A. Beloglazov, C. De Rose, R. Buyya, CloudSim: a
toolkit for modeling and simulation of cloud computing environments and
evaluation of resource provisioning algorithms, Softw. - Pract. Exp. 40 (1)
(2011) 23–50.
[53] Amazon AWS EC2 instance types.
https://aws.amazon.com/ec2/instance-
types/
.
[54]
G. Juve, A. Chervenak, E. Deelman, S. Bharathi, G. Mehta, K. Vahi, Character-
izing and profiling scientific workflows, Future Gener. Comput. Syst. 29 (3)
(2013) 682–692.
[55]
B. Qureshi, S. AlWehaibi, A. Koubaa, On power consumption profiles for data
intensive workloads in virtualized hadoop clusters, in: Proceeding of 36th
IEEE Intl conf on Computer Communications (INFOCOM 2017) Atlanta, GA,
USA, 2017, pp. 653–659.
[56]
M. Blackburn, Five ways to reduce data center server power consumption, The
Green Grid (2008).