論文の概要: LACS: Learning-Augmented Algorithms for Carbon-Aware Resource Scaling with Uncertain Demand
- arxiv url: http://arxiv.org/abs/2404.15211v2
- Date: Tue, 4 Jun 2024 04:34:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 11:37:14.958688
- Title: LACS: Learning-Augmented Algorithms for Carbon-Aware Resource Scaling with Uncertain Demand
- Title（参考訳）: LACS:不確実な需要を伴うカーボンアウェアリソーススケーリングのための学習強化アルゴリズム
- Authors: Roozbeh Bostandoost, Adam Lechowicz, Walid A. Hanafy, Noman Bashir, Prashant Shenoy, Mohammad Hajiesmaili,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.423958951481749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by an imperative to reduce the carbon emissions of cloud data centers, this paper studies the online carbon-aware resource scaling problem with unknown job lengths (OCSU) and applies it to carbon-aware resource scaling for executing computing workloads. The task is to dynamically scale resources (e.g., the number of servers) assigned to a job of unknown length such that it is completed before a deadline, with the objective of reducing the carbon emissions of executing the workload. The total carbon emissions of executing a job originate from the emissions of running the job and excess carbon emitted while switching between different scales (e.g., due to checkpoint and resume). Prior work on carbon-aware resource scaling has assumed accurate job length information, while other approaches have ignored switching losses and require carbon intensity forecasts. These assumptions prohibit the practical deployment of prior work for online carbon-aware execution of scalable computing workload. We propose LACS, a theoretically robust learning-augmented algorithm that solves OCSU. To achieve improved practical average-case performance, LACS integrates machine-learned predictions of job length. To achieve solid theoretical performance, LACS extends the recent theoretical advances on online conversion with switching costs to handle a scenario where the job length is unknown. Our experimental evaluations demonstrate that, on average, the carbon footprint of LACS lies within 1.2% of the online baseline that assumes perfect job length information and within 16% of the offline baseline that, in addition to the job length, also requires accurate carbon intensity forecasts. Furthermore, LACS achieves a 32% reduction in carbon footprint compared to the deadline-aware carbon-agnostic execution of the job.
- Abstract（参考訳）: 本論文は,クラウドデータセンタの二酸化炭素排出量削減を目標として,未知のジョブ長(OCSU)によるオンライン炭素対応リソーススケーリング問題を調査し,計算処理を実行するための炭素対応リソーススケーリングに適用する。
タスクは、作業負荷を実行する際の二酸化炭素排出量を減らすことを目的として、期限前に完了するように、未知の長さのジョブに割り当てられたリソース(例えばサーバ数)を動的にスケールすることである。
ジョブを実行する総炭素排出量は、ジョブの実行の排出と異なるスケール(例えばチェックポイントと再開のため)を切り替えながら放出される余剰炭素に由来する。
炭素を意識した資源スケーリングに関する以前の研究は、正確なジョブ長情報を前提としていたが、他のアプローチでは、切り替え損失を無視し、炭素強度の予測を必要としている。
これらの仮定は、スケーラブルなコンピューティングワークロードのオンラインカーボンアウェア実行に対する事前作業の実践的展開を禁止している。
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、実際の平均ケース性能を改善するために、機械学習によるジョブ長予測を統合している。
確固とした理論的性能を達成するため、LACSは、ジョブの長さが不明なシナリオを扱うために、オンライン変換の最近の理論的進歩を切り替えコストで拡張した。
実験により, LACSの炭素フットプリントはオンラインベースラインの1.2%以内であり, ジョブ長に加えて, 正確な炭素強度予測を必要とするオフラインベースラインの16%以内であることがわかった。
さらに、LACSは、仕事の納期を意識した炭素非依存の実行と比較して、炭素フットプリントの32%の削減を実現している。
関連論文リスト
- 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) - On the Limitations of Carbon-Aware Temporal and Spatial Workload
Shifting in the Cloud [0.6642611154902529]
当社は、クラウドワークロードにおける炭素認識スケジューリングのメリットと限界を理解するために、詳細なデータ駆動分析を実施しています。
この結果から, 限られた作業量シフトは二酸化炭素排出量を減少させるが, 現実的な削減は理想とは程遠いことが示唆された。
論文 参考訳（メタデータ） (2023-06-10T18:39:49Z) - 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) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - 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) - 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) - Green Algorithms: Quantifying the carbon footprint of computation [0.0]
本稿では,任意の計算タスクの炭素フットプリントを,標準化された信頼性の高い方法で推定する枠組みを提案する。
温室効果ガスの排出を解釈し、文脈的に解釈する指標が定義され、車や飛行機で走行する同等距離を含む。
我々は、ユーザが計算の炭素フットプリントを見積り、レポートできる、無料で利用可能なオンラインツールであるGreen Algorithmsを開発した。
論文 参考訳（メタデータ） (2020-07-15T11:05:33Z)
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。