論文の概要: Quantifying the Benefits of Carbon-Aware Temporal and Spatial Workload
Shifting in the Cloud
- arxiv url: http://arxiv.org/abs/2306.06502v1
- Date: Sat, 10 Jun 2023 18:39:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 18:34:04.398987
- Title: Quantifying the Benefits of Carbon-Aware Temporal and Spatial Workload
Shifting in the Cloud
- Title（参考訳）: 雲中の炭素を意識した時空間負荷シフトの利点の定量化
- Authors: Thanathorn Sukprasert, Abel Souza, Noman Bashir, David Irwin, Prashant
Shenoy
- Abstract要約: 我々は、炭素を意識したワークロードシフトは、クラウドプラットフォームの二酸化炭素排出量を大幅に削減するためのパナセアではないことを示した。
また、単純なスケジューリングポリシーがほとんどの利点をもたらすことも示しています。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To mitigate climate change, there has been a recent focus on reducing
computing's carbon emissions by shifting its time and location to when and
where lower-carbon energy is available. However, despite the prominence of
carbon-aware spatiotemporal workload shifting, prior work has only quantified
its benefits in narrow settings, i.e., for specific workloads in select
regions. As a result, the potential benefits of spatiotemporal workload
scheduling, which are a function of both workload and energy characteristics,
are unclear. To address the problem, this paper quantifies the upper bound on
the benefits of carbon-aware spatiotemporal workload shifting for a wide range
of workloads with different characteristics, e.g., job duration, deadlines,
SLOs, memory footprint, etc., based on hourly variations in energy's
carbon-intensity across 123 distinct regions, including cloud regions, over a
year. Notably, while we find that some workloads can benefit from carbon-aware
spatiotemporal workload shifting in some regions, the approach yields limited
benefits for many workloads and cloud regions. In addition, we also show that
simple scheduling policies often yield most of the benefits. Thus, contrary to
conventional wisdom, i) carbon-aware spatiotemporal workload shifting is likely
not a panacea for significantly reducing cloud platforms' carbon emissions, and
ii) pursuing further research on sophisticated policies is likely to yield
little marginal benefits.
- Abstract（参考訳）: 気候変動を緩和するために、その時間と場所をいつ、どこで低炭素エネルギーが利用できるかにシフトさせることにより、コンピュータの二酸化炭素排出量を減らすことに最近焦点が当てられている。
しかしながら、炭素を意識した時空間のワークロードシフトが顕著であるにもかかわらず、以前の作業は特定の領域における特定のワークロードに対して、狭い設定でのみそのメリットを定量化してきた。
その結果、負荷特性とエネルギー特性の両方の機能である時空間的ワークロードスケジューリングの潜在的な利点は明らかでない。
そこで本論文では,クラウドを含む123の地域において,エネルギーの炭素強度の時間変化に基づいて,仕事の期間,期限,SLO,メモリフットプリントなど,さまざまな特性のワークロードに対して,炭素を意識した時空間的ワークロードシフトのメリットを1年間にわたって定量化する。
特に、一部のワークロードには、カーボンアウェアの時空間的ワークロードシフトによるメリットがあるが、このアプローチは、多くのワークロードやクラウドリージョンに限定的なメリットをもたらす。
加えて、単純なスケジューリングポリシーが多くの利点をもたらすことも示しています。
したがって、従来の知恵に反する。
一 クラウドプラットフォームの二酸化炭素排出量を著しく減少させるため、炭素を意識した時空間負荷シフトは、おそらくパナセアではない。
二 高度政策のさらなる研究を追求することは、少なからぬ利益を生じさせるおそれがある。
関連論文リスト
- The Sunk Carbon Fallacy: Rethinking Carbon Footprint Metrics for Effective Carbon-Aware Scheduling [2.562727244613512]
本研究は, 炭素会計指標を用いて, 所定のサーバ群上での炭素を意識したジョブスケジューリングと配置を評価する。
本研究では, 炭素添加コストに影響を及ぼす要因について検討した。
論文 参考訳（メタデータ） (2024-10-19T12:23:59Z) - Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
私たちは小説を提案します。
ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。
ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。
挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
論文 参考訳（メタデータ） (2024-10-10T17:00:04Z) - CarbonClipper: Optimal Algorithms for Carbon-Aware Spatiotemporal Workload Management [11.029788598491077]
炭素を意識したワークロード管理は、データセンターの環境への影響の増大に対処しようとしている。
MathsfSOAD$は、オンラインアルゴリズムにおける一般的なメトリクスと期限制約を組み合わせたオープンな問題を公式化する。
rm Cscriptsize ARCscriptsize LIPPER$は、予測の利点を生かした学習強化アルゴリズムである。
論文 参考訳（メタデータ） (2024-08-14T22:08:06Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - LACS: Learning-Augmented Algorithms for Carbon-Aware Resource Scaling with Uncertain Demand [1.423958951481749]
本稿では,未知の作業時間(OCSU)を用いたオンラインCO_2-Awareリソーススケーリング問題について検討する。
我々は,論理的に堅牢な学習拡張アルゴリズムであるLACSを提案し,OCSUを解く。
LACSは、納期を意識した炭素に依存しない作業と比較して、炭素フットプリントの32%の削減を実現している。
論文 参考訳（メタデータ） (2024-03-29T04:54:22Z) - 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) - Chasing Low-Carbon Electricity for Practical and Sustainable DNN
Training [4.0441558412180365]
マイグレーションや延期を伴わずに,トレーニングの炭素フットプリントを削減できるソリューションを提案する。
具体的には、トレーニング中のリアルタイム炭素強度変化を観察し、GPUのエネルギー消費を制御する。
炭素強度のシフトに積極的に適応するために,軽量な機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-04T21:33:29Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - 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)
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。