論文の概要: A Framework for SLO, Carbon, and Wastewater-Aware Sustainable FaaS Cloud Platform Management

• arxiv url: http://arxiv.org/abs/2410.11875v1
• Date: Wed, 09 Oct 2024 20:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-20 09:10:58.340643
• Title: A Framework for SLO, Carbon, and Wastewater-Aware Sustainable FaaS Cloud Platform Management
• Title（参考訳）: SLO, Carbon, and Wastewater-Aware Sustainable FaaS Cloud Platform Managementのためのフレームワーク
• Authors: Sirui Qi, Hayden Moore, Ninad Hogade, Dejan Milojicic, Cullen Bash, Sudeep Pasricha,
• Abstract要約: 持続可能性の観点からFunction-as-a-Service(F)スケジューリングとスケーリングについて検討する。 Fと炭素排出量のサービスレベル目標(SLO)が相反していることが判明した。 本研究では, 持続可能性に着目した新しいFスケジューリング・スケーリング・フレームワークを提案し, 性能, 二酸化炭素排出量, 排水の発生を最適化する。
• 参考スコア（独自算出の注目度）: 2.391483506190989
• License:
• Abstract: Function-as-a-Service (FaaS) is a growing cloud computing paradigm that is expected to reduce the user cost of service over traditional serverful approaches. However, the environmental impact of FaaS has not received much attention. We investigate FaaS scheduling and scaling from a sustainability perspective in this work. We find that the service-level objectives (SLOs) of FaaS and carbon emissions conflict with each other. We also find that SLO-focused FaaS scheduling can exacerbate water use in a datacenter. We propose a novel sustainability-focused FaaS scheduling and scaling framework to co-optimize SLO performance, carbon emissions, and wastewater generation.
• Abstract（参考訳）: ファンクション・アズ・ア・サービス(FaaS)は成長を続けるクラウドコンピューティングのパラダイムであり、従来のサーバーフルアプローチよりもサービスのユーザコストを削減できると期待されている。 しかし、FaaSの環境への影響はあまり注目されていない。 本研究では,本研究における持続可能性の観点から,FaaSスケジューリングとスケーリングについて検討する。 FaaSと炭素排出量のサービスレベル目標(SLO)が相反していることが分かりました。 また、SLOにフォーカスしたFaaSスケジューリングは、データセンターにおける水の使用を悪化させる可能性がある。 本研究では,SLO性能, 二酸化炭素排出量, 排水生成を協調的に最適化する, 持続可能性に着目した新しいFaaSスケジューリング・スケーリングフレームワークを提案する。

関連論文リスト

• TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
  本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。 その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
  論文  参考訳（メタデータ） (2024-11-09T21:26:59Z)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• 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)
• FedZero: Leveraging Renewable Excess Energy in Federated Learning [4.741052304881078]
  Federated Learning(FL)は、データ共有なしでデータサイロやエッジデバイス間での分散モデルトレーニングを可能にする、新興の機械学習技術である。 FLのカーボンフットプリントを減らす1つのアイデアは、再生可能エネルギーの有効性に基づいてトレーニングジョブをスケジュールすることである。 本稿では,再生可能エネルギーと計算インフラの予備容量のみで動作するFLシステムであるFedZeroを提案する。
  論文  参考訳（メタデータ） (2023-05-24T12:17:30Z)
• Latent Space Bayesian Optimization with Latent Data Augmentation for Enhanced Exploration [16.73336092521471]
  本稿では,Latent Space Bayesian Optimization (LSBO) の効率を向上させるための新しい貢献を提案し,その課題を克服する。 まず,VAE-BOミスマッチから生じるLSBOの重要な問題として,潜時整合/整合性の概念を紹介した。 LCA-VAEは,潜伏空間におけるデータ増大と潜伏不整合のペナル化を通じて,不整合点を増大させた潜伏空間を生成する新しいVAE法である。
  論文  参考訳（メタデータ） (2023-02-05T15:02:34Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• 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)
• Can Federated Learning Save The Planet? [20.755849563134174]
  本稿では,フェデレートラーニングにおける炭素フットプリントの体系的研究について述べる。 本研究では,炭素フットプリントを定量化するための厳密なモデルを提案する。 その結果、FLは収束が遅いにもかかわらず、データセンターのGPUよりもグリーンな技術であることが判明した。
  論文  参考訳（メタデータ） (2020-10-13T16:45:01Z)
• LACO: A Latency-Driven Network Slicing Orchestration in Beyond-5G Networks [17.012869982527725]
  今後の5Gネットワークでは、ネットワークスライシングがゲームチェンジャーになると予想されている。 本稿では,レイテンシとスループットの保証を同時に行う新しい無線スライシングオーケストレーションソリューションを考案する。
  論文  参考訳（メタデータ） (2020-09-07T15:50:39Z)

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。