論文の概要: Performance and Energy-Aware Bi-objective Tasks Scheduling for Cloud
Data Centers
- arxiv url: http://arxiv.org/abs/2105.00843v1
- Date: Sun, 25 Apr 2021 08:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 06:52:58.123008
- Title: Performance and Energy-Aware Bi-objective Tasks Scheduling for Cloud
Data Centers
- Title（参考訳）: クラウドデータセンターにおけるパフォーマンスと省エネ型双方向タスクスケジューリング
- Authors: Huned Materwala and Leila Ismail
- Abstract要約: クラウドコンピューティングはユーザタスクのリモート実行を可能にする。
スマートシティサービスやアプリケーションにおけるクラウドコンピューティングの普及には、qos(quality of services)に準拠したタスクをタイムリーに実行する必要がある
コンピューティングサーバーの使用の増加は、高エネルギー消費、運用コスト、および環境汚染の問題を強化します。
矛盾する性能とエネルギー目標をトレードオフするために、パフォーマンスとエネルギー最適化の二目的的アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud computing enables remote execution of users tasks. The pervasive
adoption of cloud computing in smart cities services and applications requires
timely execution of tasks adhering to Quality of Services (QoS).
However, the increasing use of computing servers exacerbates the issues of
high energy consumption, operating costs, and environmental pollution.
Maximizing the performance and minimizing the energy in a cloud data center is
challenging. In this paper, we propose a performance and energy optimization
bi-objective algorithm to tradeoff the contradicting performance and energy
objectives. An evolutionary algorithm-based multi-objective optimization is for
the first time proposed using system performance counters. The performance of
the proposed model is evaluated using a realistic cloud dataset in a cloud
computing environment. Our experimental results achieve higher performance and
lower energy consumption compared to a state of the art algorithm.
- Abstract（参考訳）: クラウドコンピューティングはユーザタスクのリモート実行を可能にする。
スマートシティのサービスやアプリケーションにおけるクラウドコンピューティングの普及は、Quality of Services(QoS)に準拠したタスクのタイムリーな実行を必要とします。
しかし、コンピューティングサーバの利用の増加は、高エネルギー消費、運用コスト、環境汚染の問題を悪化させる。
クラウドデータセンターのパフォーマンスを最大化し、エネルギーを最小化するのは難しい。
本稿では,矛盾する性能とエネルギー目標をトレードオフする性能とエネルギー最適化の両対象アルゴリズムを提案する。
進化的アルゴリズムに基づく多目的最適化は、システム性能カウンタを用いて初めて提案される。
提案モデルの性能は,クラウドコンピューティング環境における現実的なクラウドデータセットを用いて評価する。
実験の結果, 技術アルゴリズムと比較すると, 高い性能と低エネルギー化を実現している。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Heuristics and Metaheuristics for Dynamic Management of Computing and
Cooling Energy in Cloud Data Centers [0.0]
共同冷却・計算最適化のための新しい電力・熱対応戦略とモデルを提案する。
結果から,メタヒューリスティックアルゴリズムと最適適応アルゴリズムの併用により,グローバルエネルギーを高速かつ軽量な最適化戦略に記述できることが示唆された。
このアプローチにより、コンピューティングと冷却インフラストラクチャの両方を考慮して、データセンターのエネルギー効率を21.74%向上し、サービス品質を維持しながら、最大で21.74%向上できる。
論文 参考訳（メタデータ） (2023-12-17T09:40:36Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - A Reinforcement Learning Approach for Performance-aware Reduction in
Power Consumption of Data Center Compute Nodes [0.46040036610482665]
我々はReinforcement Learningを使用して、クラウド計算ノード上での電力供給ポリシーを設計する。
実ハードウェア上でトレーニングされたエージェントが、消費電力とアプリケーションパフォーマンスのバランスをとることで、どのように行動を起こすかを示す。
論文 参考訳（メタデータ） (2023-08-15T23:25:52Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - PECCO: A Profit and Cost-oriented Computation Offloading Scheme in
Edge-Cloud Environment with Improved Moth-flame Optimisation [22.673319784715172]
エッジクラウド計算のオフロードは、クラウドセンタの負担を軽減するための、有望なソリューションである。
そこで本研究では,元のMoth-flame Optimiserの欠陥に対処する改良型Moth-flame optimiser PECCO-MFIを提案する。
論文 参考訳（メタデータ） (2022-08-09T23:26:42Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A
Machine Learning Approach [102.00221938474344]
再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。
損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。
解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-04-13T13:52:22Z) - HUNTER: AI based Holistic Resource Management for Sustainable Cloud
Computing [26.48962351761643]
我々は,HUNTERと呼ばれる持続可能なクラウドコンピューティングのための人工知能(AI)に基づく総合的資源管理手法を提案する。
提案モデルでは,多目的スケジューリング問題として,データセンターのエネルギー効率を最適化する目標を定式化している。
シミュレーションおよび物理雲環境の実験により、HUNTERはエネルギー消費、SLA違反、スケジューリング時間、コスト、温度を最大12、35、43、54、3%で上回った。
論文 参考訳（メタデータ） (2021-10-11T18:11:26Z) - Federated Learning for Task and Resource Allocation in Wireless High
Altitude Balloon Networks [160.96150373385768]
移動エッジコンピューティング(MEC)対応バルーンネットワークにおいて,タスク計算と伝送におけるエネルギーと時間消費の最小化の問題について検討した。
サポートベクトルマシン(SVM)に基づくフェデレーション学習(FL)アルゴリズムを提案する。
提案したSVMベースのFL法では,各HABが協調してSVMモデルを構築し,すべてのユーザアソシエーションを決定できる。
論文 参考訳（メタデータ） (2020-03-19T14:18:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。