論文の概要: Assessing VoD pressure on network power consumption
- arxiv url: http://arxiv.org/abs/2304.03151v1
- Date: Thu, 6 Apr 2023 15:34:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 13:40:44.256263
- Title: Assessing VoD pressure on network power consumption
- Title(参考訳): ネットワーク電力消費に対するVoD圧力の評価
- Authors: Ga\"el Guennebaud, Aur\'elie Bugeau (IUF, LaBRI, UB), Antoine Dudouit
- Abstract要約: ネットワークインフラにおけるビデオストリーミングの効果を評価するための新しい手法を提案する。
私たちの方法論の中核は、単純化されたネットワークとコンテンツ配信ネットワーク(CDN)インフラストラクチャのパラメトリックモデルです。
以上の結果から,従来の効率指標は,インターネット利用の電力消費の増加を反映していないことが明らかとなった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assessing the energy consumption or carbon footprint of data distribution of
video streaming services is usually carried out through energy or carbon
intensity figures (in Wh or gCO2e per GB). In this paper, we first review the
reasons why such approaches are likely to lead to misunderstandings and
potentially to erroneous conclusions. To overcome those shortcomings, we
propose a new methodology whose key idea is to consider a video streaming usage
at the whole scale of a territory, and evaluate the impact of this usage on the
network infrastructure. At the core of our methodology is a parametric model of
a simplified network and Content Delivery Network (CDN) infrastructure, which
is automatically scaled according to peak usage needs. This allows us to
compare the power consumption of this infrastructure under different scenarios,
ranging from a sober baseline to a generalized use of high bitrate videos. Our
results show that classical efficiency indicators do not reflect the power
consumption increase of more intensive Internet usage, and might even lead to
misleading conclusions.
- Abstract(参考訳): ビデオストリーミングサービスのデータ配信におけるエネルギー消費量またはカーボンフットプリントの評価は通常、エネルギーまたは炭素強度(whまたはgco2e per gb)によって行われる。
本稿では,このようなアプローチが誤解を招きやすい理由と,誤った結論につながる可能性について概説する。
これらの欠点を克服するため,本稿では,領域全体のビデオストリーミング利用を考察し,その使用がネットワーク基盤に与える影響を評価することを目的とした新しい手法を提案する。
私たちの方法論の核心は、ピーク使用ニーズに応じて自動的にスケールされる簡易なネットワークおよびコンテンツ配信ネットワーク(cdn)インフラストラクチャのパラメトリックモデルです。
これにより、ソーバーベースラインから高ビットレートビデオの一般的な使用に至るまで、さまざまなシナリオでこのインフラストラクチャの消費電力を比較することができる。
以上の結果から,従来の効率指標はインターネット利用の電力消費の増加を反映せず,誤解を招く可能性も示唆された。
関連論文リスト
- Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。
このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。
本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。
また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文 参考訳(メタデータ) (2024-10-17T18:22:50Z) - A Robust Power Model Training Framework for Cloud Native Runtime Energy Metric Exporter [2.661555989363678]
現在のクラウド環境における電力消費量の推定は、グリーンコンピューティングに向けた炭素定量化に不可欠である。
本稿では,この目標に関する複数の課題について考察する。
最初の課題は、複数の顧客が同じハードウェアプラットフォームを共有していることだ。
第2の課題は、クラウドプラットフォームコントロールプレーンが引き起こす電力消費のオーバーヘッドである。
論文 参考訳(メタデータ) (2024-04-10T02:20:29Z) - A Carbon Tracking Model for Federated Learning: Impact of Quantization and Sparsification [5.341266334051207]
フェデレートラーニング(FL)手法は効率的なコミュニケーション技術を採用し、エッジデバイスに機械学習タスクを分散させる。
本稿では,FLシステムのエネルギーおよび炭素フットプリントへの影響をリアルタイムにモニタリングするためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-12T07:20:03Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳(メタデータ) (2023-09-16T11:37:23Z) - Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine
Learning Approach [6.74575019261951]
人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。
各種のAAUの消費電力挙動を把握できる汎用モデルの設計の利点を示す。
論文 参考訳(メタデータ) (2022-12-08T15:16:44Z) - Full-Cycle Energy Consumption Benchmark for Low-Carbon Computer Vision [31.781943982148025]
我々は,効率的なコンピュータビジョンモデルのための最初の大規模エネルギー消費ベンチマークを示す。
モデル利用強度の異なる全サイクルエネルギー消費を明示的に評価するための新しい指標を提案する。
論文 参考訳(メタデータ) (2021-08-30T18:22:36Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳(メタデータ) (2021-06-02T07:36:27Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳(メタデータ) (2021-03-18T16:04:42Z) - Estimation of Video Streaming KQIs for Radio Access Negotiation in
Network Slicing Scenarios [0.34410212782758043]
5Gはネットワークスライシングという概念を,ネットワーク構成と最適化のまったく異なる視点を示す新しいパラダイムとして導入している。
このスキームの主な課題は、スライスを使用するユーザに必要な品質を提供する特定のリソースを確立することである。
論文 参考訳(メタデータ) (2020-06-16T14:10:54Z) - Accelerating Deep Reinforcement Learning With the Aid of Partial Model:
Energy-Efficient Predictive Video Streaming [97.75330397207742]
深層強化学習を用いて,モバイルネットワーク上でのエネルギー効率の高いビデオストリーミングのための予測電力割り当てを考案した。
連続状態と行動空間を扱うために、我々はDeep Deterministic Policy gradient (DDPG)アルゴリズムを利用する。
シミュレーションの結果,提案手法は完全大規模チャネル予測に基づいて導出される最適方針に収束することが示された。
論文 参考訳(メタデータ) (2020-03-21T17:36:53Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳(メタデータ) (2020-01-31T05:12:59Z)
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。