論文の概要: SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon,
Wastewater, and Energy-Aware Data Center Management
- arxiv url: http://arxiv.org/abs/2308.13086v1
- Date: Thu, 24 Aug 2023 21:11:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 15:42:01.548581
- Title: SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon,
Wastewater, and Energy-Aware Data Center Management
- Title(参考訳): ShiELD: 炭素・排水・エネルギー対応データセンター管理のための持続可能なハイブリッド進化学習フレームワーク
- Authors: Sirui Qi, Dejan Milojicic, Cullen Bash, Sudeep Pasricha
- Abstract要約: 地理的分散データセンター(GDDC)は、環境に重大な影響を及ぼす。
本稿では,GDDCの二酸化炭素排出量,水排出量,エネルギーコストを最適化する新しい枠組みを提案する。
- 参考スコア(独自算出の注目度): 2.9699290794642366
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Today's cloud data centers are often distributed geographically to provide
robust data services. But these geo-distributed data centers (GDDCs) have a
significant associated environmental impact due to their increasing carbon
emissions and water usage, which needs to be curtailed. Moreover, the energy
costs of operating these data centers continue to rise. This paper proposes a
novel framework to co-optimize carbon emissions, water footprint, and energy
costs of GDDCs, using a hybrid workload management framework called SHIELD that
integrates machine learning guided local search with a decomposition-based
evolutionary algorithm. Our framework considers geographical factors and
time-based differences in power generation/use, costs, and environmental
impacts to intelligently manage workload distribution across GDDCs and data
center operation. Experimental results show that SHIELD can realize 34.4x
speedup and 2.1x improvement in Pareto Hypervolume while reducing the carbon
footprint by up to 3.7x, water footprint by up to 1.8x, energy costs by up to
1.3x, and a cumulative improvement across all objectives (carbon, water, cost)
of up to 4.8x compared to the state-of-the-art.
- Abstract(参考訳): 今日のクラウドデータセンタは、堅牢なデータサービスを提供するために、地理的に分散されることが多い。
しかし、これらの地理的に分散したデータセンター(GDDC)は、二酸化炭素排出量の増加と水の使用量の増加によって環境に重大な影響を及ぼす。
さらに、これらのデータセンターを運用するエネルギーコストも上昇している。
本稿では、機械学習誘導局所探索と分解に基づく進化アルゴリズムを統合したShielDと呼ばれるハイブリッドワークロード管理フレームワークを用いて、GDDCの二酸化炭素排出量、水量、エネルギーコストを最適化する新しいフレームワークを提案する。
本フレームワークは,GDDCおよびデータセンター運用における負荷分散をインテリジェントに管理するための,発電・利用・コスト・環境影響の地理的要因と時間的差異を考察する。
実験結果から,パレート・ハイパーボリュームの34.4倍の速度アップと2.1倍の改善を実現し,炭素フットプリントの最大3.7倍,水フットプリントの最大1.8倍,エネルギーコストの最大1.3倍,全目的物(炭素,水,コスト)の最大4.8倍の累積改善を実現した。
関連論文リスト
- MOSAIC: A Multi-Objective Optimization Framework for Sustainable
Datacenter Management [2.9699290794642366]
持続可能なデータセンター管理のための新しいフレームワークを提案する。
我々は、再生可能エネルギー源、可変エネルギーコスト、電力利用効率、炭素要因、エネルギー中の水強度など、地理的および時間的要因を考慮に入れている。
我々のフレームワークは、最先端技術と比較して最大4.61倍の目的(炭素、水、コスト)で累積的な改善を実現している。
論文 参考訳(メタデータ) (2023-11-14T23:05:37Z) - Full Scaling Automation for Sustainable Development of Green Data
Centers [4.309694057918802]
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。
論文 参考訳(メタデータ) (2023-05-01T08:11:00Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - 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) - 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) - Treehouse: A Case For Carbon-Aware Datacenter Software [4.7521372297013365]
デナードのスケーリングの終わりとムーアの法則の減速は、データセンターのエネルギー利用を持続不可能な経路に押し上げた。
我々は、ソフトウェア中心のアプローチにより、データセンターコンピューティングの炭素強度を大幅に削減できると主張している。
論文 参考訳(メタデータ) (2022-01-06T16:00:53Z) - Towards a Systematic Survey for Carbon Neutral Data Centers [23.339102377319833]
データセンターは大規模なエネルギー消費のため、炭素集約型企業である。
データセンター産業は2030年までに世界の二酸化炭素排出量の8%を占めると見積もられている。
本研究は, 政策指標と技術方法論の両方を考慮した, 炭素中性データセンターへのロードマップを提案する。
論文 参考訳(メタデータ) (2021-10-15T09:24:15Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳(メタデータ) (2021-09-17T08:55:48Z) - Carbon Emissions and Large Neural Network Training [19.233899715628073]
我々は最近の大型モデルT5, Meena, GShard, Switch Transformer, GPT-3のエネルギー使用量と炭素フットプリントを算出する。
エネルギー効率とCO2排出量(CO2e)を改善するための次の機会を強調します。
MLの炭素フットプリントを減らすために、エネルギー使用量とCO2eはモデルを評価する上で重要な指標であるべきだと考えています。
論文 参考訳(メタデータ) (2021-04-21T04:44:25Z) - 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) - 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。