論文の概要: Full Scaling Automation for Sustainable Development of Green Data
Centers
- arxiv url: http://arxiv.org/abs/2305.00706v1
- Date: Mon, 1 May 2023 08:11:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 13:41:50.921569
- Title: Full Scaling Automation for Sustainable Development of Green Data
Centers
- Title（参考訳）: グリーンデータセンターの持続的開発のためのフルスケーリング自動化
- Authors: Shiyu Wang, Yinbo Sun, Xiaoming Shi, Shiyi Zhu, Lin-Tao Ma, James
Zhang, Yifei Zheng, Jian Liu
- Abstract要約: クラウドコンピューティングの急速な増加は、データセンターの二酸化炭素排出量の急激な増加をもたらした。
提案するフルスケーリング自動化(FSA)メカニズムは,ワークロードの変化に対応するために,動的にリソースを適用する効果的な方法である。
FSAは、ディープ表現学習の力を利用して、各サービスの将来のワークロードを正確に予測し、対応するターゲットCPU使用レベルを自動的に安定化する。
- 参考スコア（独自算出の注目度）: 4.309694057918802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid rise in cloud computing has resulted in an alarming increase in
data centers' carbon emissions, which now accounts for >3% of global greenhouse
gas emissions, necessitating immediate steps to combat their mounting strain on
the global climate. An important focus of this effort is to improve resource
utilization in order to save electricity usage. Our proposed Full Scaling
Automation (FSA) mechanism is an effective method of dynamically adapting
resources to accommodate changing workloads in large-scale cloud computing
clusters, enabling the clusters in data centers to maintain their desired CPU
utilization target and thus improve energy efficiency. FSA harnesses the power
of deep representation learning to accurately predict the future workload of
each service and automatically stabilize the corresponding target CPU usage
level, unlike the previous autoscaling methods, such as Autopilot or FIRM, that
need to adjust computing resources with statistical models and expert
knowledge. Our approach achieves significant performance improvement compared
to the existing work in real-world datasets. We also deployed FSA on
large-scale cloud computing clusters in industrial data centers, and according
to the certification of the China Environmental United Certification Center
(CEC), a reduction of 947 tons of carbon dioxide, equivalent to a saving of
1538,000 kWh of electricity, was achieved during the Double 11 shopping
festival of 2022, marking a critical step for our company's strategic goal
towards carbon neutrality by 2030.
- Abstract（参考訳）: クラウドコンピューティングの急速な増加により、データセンターの二酸化炭素排出量が急上昇し、世界の温室効果ガス排出量の3%以上を占めるようになった。
この取り組みの重要な焦点は、電力使用を減らすために資源利用を改善することである。
提案するフルスケーリング自動化(fsa)メカニズムは、大規模クラウドコンピューティングクラスタにおけるワークロードの変更に対応するために動的にリソースを適応させる効果的な方法であり、データセンターのクラスタが所望のcpu利用目標を維持し、エネルギー効率を向上させる。
FSAはディープ表現学習の力を利用して、各サービスの将来のワークロードを正確に予測し、統計モデルや専門家の知識で計算資源を調整する必要があるAutopilotやFIRMのような従来の自動スケーリング手法とは異なり、対応するCPU使用量を自動安定化する。
提案手法は,既存の実世界のデータセットと比較して,大幅な性能向上を実現している。
また,産業用データセンターの大規模クラウドコンピューティングクラスタにもfsaを展開し,中国環境統合認証センター(cec)の認証によれば,2022年のダブル11ショッピングフェスティバルにおいて,1538,000kwhの省電力に相当する947トンの二酸化炭素削減が達成され,2030年までには炭素中立化を目指す同社の戦略的目標にとって重要な一歩となった。
関連論文リスト
- Beyond Efficiency: Scaling AI Sustainably [4.711003829305544]
現代のAIアプリケーションは、コンピューティングにおける需要を継続的に増加させてきた。
本稿では, ハードウェア製造における炭素排出量の具体化だけでなく, トレーニングおよび推論からのCO排出の操作を含む, AIの炭素影響を特徴付ける。
論文 参考訳（メタデータ） (2024-06-08T00:07:16Z) - Spatio-temporal load shifting for truly clean computing [0.5857582826810999]
本研究では、時間と場所の双方において、コンピュータジョブのシフトと関連する電力負荷の影響について検討する。
我々は,ロードブルティの情報利用に関連する3つの信号を分離した。
24/7 CFEのコストは1.29$pm$0.07 EUR/MWhに削減される。
論文 参考訳（メタデータ） (2024-03-26T13:36:42Z) - Carbon Footprint Reduction for Sustainable Data Centers in Real-Time [2.794742330785396]
本稿では, 炭素フットプリント削減, エネルギー消費, エネルギーコストの目的のために, データセンターを最適化するための多エージェント強化学習(MARL)フレームワークを提案する。
その結果,DC-CFR MARLエージェントは実世界の動的気象条件やグリッド炭素強度条件下での様々な場所での冷却,負荷シフト,エネルギー貯蔵の最適化において,複雑な相互依存性を効果的に解決した。
論文 参考訳（メタデータ） (2024-03-21T02:59:56Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳（メタデータ） (2023-06-25T13:10:38Z) - 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) - Green Federated Learning [7.003870178055125]
Federated Learning(FL)は、分散エンティティのデータを使用して集中型モデルをトレーニングする機械学習技術である。
FLは、多様なエネルギー源を持つ数億ものグローバル分散エンドユーザーデバイスを活用することができる。
提案するグリーンFLの概念は, FLパラメータを最適化し, 二酸化炭素排出量を最小化するための設計選択を行うものである。
論文 参考訳（メタデータ） (2023-03-26T02:23:38Z) - 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) - 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) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳（メタデータ） (2021-03-22T21:22:51Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。