Energy consumption has been one of the main concerns to support the rapid growth of cloud data centers, as it not only increases the cost of electricity to service providers but also plays an important role in increasing greenhouse gas emissions and thus environmental pollution, and has a negative impact on system reliability and availability. As a result, energy consumption and efficiency metrics have become a vital issue for parallel scheduling applications based on tasks performed at cloud data centers. In this paper, we present a time and energy-aware two-phase scheduling algorithm called best heuristic scheduling (BHS) for directed acyclic graph (DAG) scheduling on cloud data center processors. In the first phase, the algorithm allocates resources to tasks by sorting, based on four heuristic methods and a grasshopper algorithm. It then selects the most appropriate method to perform each task, based on the importance factor determined by the end-user or service provider to achieve a solution designed at the right time. In the second phase, BHS minimizes the makespan and energy consumption according to the importance factor determined by the end-user or service provider and taking into account the start time, setup time, end time, and energy profile of virtual machines. Finally, a test dataset is developed to evaluate the proposed BHS algorithm compared to the multiheuristic resource allocation algorithm (MHRA). The results show that the proposed algorithm facilitates 19.71% more energy storage than the MHRA algorithm. Furthermore, the makespan is reduced by 56.12% in heterogeneous environments.

中文翻译：

---

在绿色云上使用启发式方法对工作流进行能量感知调度

能源消耗一直是支持云数据中心快速增长的主要问题之一，因为它不仅增加了服务提供商的电力成本，而且在增加温室气体排放和环境污染方面发挥着重要作用，并且具有对系统可靠性和可用性的负面影响。因此，能耗和效率指标已成为基于在云数据中心执行的任务的并行调度应用程序的重要问题。在本文中，我们提出了一种称为最佳启发式调度 (BHS) 的时间和能量感知两阶段调度算法，用于云数据中心处理器上的有向无环图 (DAG) 调度。在第一阶段，该算法基于四种启发式方法和一种蚱蜢算法，通过排序为任务分配资源。然后，它会根据最终用户或服务提供商确定的重要性因素选择最合适的方法来执行每项任务，以实现在正确时间设计的解决方案。在第二阶段，BHS 根据最终用户或服务提供商确定的重要因素，并考虑虚拟机的开始时间、设置时间、结束时间和能源配置文件，最小化完工时间和能源消耗。最后，开发了一个测试数据集来评估所提出的 BHS 算法与多启发式资源分配算法 (MHRA) 相比。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。基于最终用户或服务提供商确定的重要性因素，以实现在正确时间设计的解决方案。在第二阶段，BHS 根据最终用户或服务提供商确定的重要因素，并考虑虚拟机的开始时间、设置时间、结束时间和能源配置文件，最小化完工时间和能源消耗。最后，开发了一个测试数据集来评估所提出的 BHS 算法与多启发式资源分配算法 (MHRA) 相比。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。基于最终用户或服务提供商确定的重要性因素，以实现在正确时间设计的解决方案。在第二阶段，BHS 根据最终用户或服务提供商确定的重要因素，并考虑虚拟机的开始时间、设置时间、结束时间和能源配置文件，最小化完工时间和能源消耗。最后，开发了一个测试数据集来评估所提出的 BHS 算法与多启发式资源分配算法 (MHRA) 相比。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。BHS 根据最终用户或服务提供商确定的重要因素，并考虑虚拟机的开始时间、设置时间、结束时间和能源配置文件，最大限度地减少制造时间和能源消耗。最后，开发了一个测试数据集来评估所提出的 BHS 算法与多启发式资源分配算法 (MHRA) 相比。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。BHS 根据最终用户或服务提供商确定的重要因素，并考虑虚拟机的开始时间、设置时间、结束时间和能源配置文件，最大限度地减少制造时间和能源消耗。最后，开发了一个测试数据集来评估所提出的 BHS 算法与多启发式资源分配算法 (MHRA) 相比。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。开发了一个测试数据集来评估所提出的 BHS 算法与多启发式资源分配算法 (MHRA) 相比。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。开发了一个测试数据集来评估与多启发式资源分配算法（MHRA）相比所提出的 BHS 算法。结果表明，所提出的算法比MHRA算法促进了19.71%的能量存储。此外，在异构环境中，完工时间减少了 56.12%。