論文の概要: Verifiable Sustainability in Data Centers
- arxiv url: http://arxiv.org/abs/2307.11993v1
- Date: Sat, 22 Jul 2023 06:39:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 18:27:06.249862
- Title: Verifiable Sustainability in Data Centers
- Title(参考訳): データセンターにおける検証可能なサステナビリティ
- Authors: Syed Rafiul Hussain, Patrick McDaniel, Anshul Gandhi, Kanad Ghose,
Kartik Gopalan, Dongyoon Lee, Yu David Liu, Zhenhua Liu, Shuai Mu and Erez
Zadok
- Abstract要約: データセンターはますます持続可能なものになっている。
持続可能性データを報告する現在の慣行は、しばしば単純なグリーンウォッシングによって緩和される。
データセンタには、サステナビリティに関するデータが、セキュアで忘れられない、プライバシ保護の方法で収集され、格納され、集約され、メトリクスに変換されることを保証するための適切なインフラストラクチャが必要です。
- 参考スコア(独自算出の注目度): 8.204901593889488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sustainability is crucial for combating climate change and protecting our
planet. While there are various systems that can pose a threat to
sustainability, data centers are particularly significant due to their
substantial energy consumption and environmental impact. Although data centers
are becoming increasingly accountable to be sustainable, the current practice
of reporting sustainability data is often mired with simple green-washing. To
improve this status quo, users as well as regulators need to verify the data on
the sustainability impact reported by data center operators. To do so, data
centers must have appropriate infrastructures in place that provide the
guarantee that the data on sustainability is collected, stored, aggregated, and
converted to metrics in a secure, unforgeable, and privacy-preserving manner.
Therefore, this paper first introduces the new security challenges related to
such infrastructure, how it affects operators and users, and potential
solutions and research directions for addressing the challenges for data
centers and other industry segments.
- Abstract(参考訳): 持続性は、気候変動と地球を守るために不可欠です。
持続可能性に脅威をもたらす様々なシステムがあるが、データセンターはエネルギー消費と環境への影響が大きいため、特に重要である。
データセンターはますます持続可能になっているが、サステナビリティデータを報告する現在のプラクティスは、単純なグリーンウォッシングによって緩和されることが多い。
この現状を改善するためには、データセンタオペレータが報告したサステナビリティへの影響に関するデータを検証する必要がある。
そのためには、サステナビリティに関するデータが、安全で忘れられない、プライバシ保護の方法で収集、保存、集約、およびメトリクスに変換されることを保証するための、適切なインフラストラクチャが必要となる。
そこで本稿ではまず,このようなインフラストラクチャに関する新たなセキュリティ課題,運用者やユーザへの影響,データセンタなどの業界セグメントの課題に対処するための潜在的なソリューションと研究指針について紹介する。
関連論文リスト
- Critical Infrastructure Protection: Generative AI, Challenges, and Opportunities [3.447031974719732]
クリティカル・ナショナル・インフラストラクチャー(CNI)は、社会と経済の運営に不可欠な国家の基本資産を包含している。
これらのインフラを標的とするサイバーセキュリティの脅威が拡大すると、作戦に干渉し、国家の安全と公共の安全を危うくする可能性がある。
我々は、サイバーセキュリティのリスクが重要なインフラにもたらす複雑な問題を調査し、異なるタイプのサイバー攻撃に対するシステムの脆弱性を強調した。
論文 参考訳(メタデータ) (2024-05-08T08:08:50Z) - Best Practices and Lessons Learned on Synthetic Data for Language Models [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。
合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文 参考訳(メタデータ) (2024-04-11T06:34:17Z) - Information Security and Privacy in the Digital World: Some Selected Topics [1.3592237162158234]
スパイラルで偽の情報を識別し、機密データのプライバシーを保護する上で、新たな課題に直面している。
この本は、コンピュータと通信における暗号とセキュリティの分野における最先端の研究成果をいくつか紹介する。
論文 参考訳(メタデータ) (2024-03-30T03:52:58Z) - Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。
本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。
データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-24T19:32:39Z) - Exploring responsible applications of Synthetic Data to advance Online
Safety Research and Development [0.0]
合成データの利用は、オンラインの安全研究と開発を加速する機会を提供する。
本報告では、合成データのオンライン安全分野への応用の可能性について検討し、この技術の効果的な利用がもたらす倫理的課題に対処する。
論文 参考訳(メタデータ) (2024-02-07T14:39:06Z) - Position Paper: Assessing Robustness, Privacy, and Fairness in Federated
Learning Integrated with Foundation Models [39.86957940261993]
ファンデーションモデル(FM)をフェデレートラーニング(FL)に統合することは、堅牢性、プライバシ、公正性の点で新しい問題をもたらす。
我々は、関連するトレードオフを分析し、この統合によってもたらされる脅威と問題を明らかにし、これらの課題をナビゲートするための一連の基準と戦略を提案する。
論文 参考訳(メタデータ) (2024-02-02T19:26:00Z) - Trust-based Approaches Towards Enhancing IoT Security: A Systematic Literature Review [3.0969632359049473]
本研究は,IoTに対するTrustベースのサイバーセキュリティセキュリティアプローチについて,系統的な文献レビューを行う。
我々は、これらの脅威に対処するために存在する共通の信頼に基づく緩和テクニックを強調した。
いくつかのオープンな問題が強調され、将来の研究の方向性が提示された。
論文 参考訳(メタデータ) (2023-11-20T12:21:35Z) - The Last Decade in Review: Tracing the Evolution of Safety Assurance
Cases through a Comprehensive Bibliometric Analysis [7.431812376079826]
安全保証は、自動車、航空宇宙、原子力など、様々な分野において最重要事項である。
安全保証ケースを使用することで、生成されたシステム機能の正しさを検証することができ、システム障害を防止することができる。
論文 参考訳(メタデータ) (2023-11-13T17:34:23Z) - Towards Robust Offline Reinforcement Learning under Diverse Data
Corruption [46.16052026620402]
暗黙的なQ-ラーニング(IQL)は、様々なオフラインRLアルゴリズムにおいて、データの破損に対して顕著なレジリエンスを示す。
より堅牢なオフラインRLアプローチであるRobust IQL(RIQL)を提案する。
論文 参考訳(メタデータ) (2023-10-19T17:54:39Z) - Auditing and Generating Synthetic Data with Controllable Trust
Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2023-04-21T09:03:18Z) - AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。
MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
論文 参考訳(メタデータ) (2022-03-31T09:31:53Z)
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。