論文の概要: Software Frugality in an Accelerating World: the Case of Continuous Integration

• arxiv url: http://arxiv.org/abs/2410.15816v2
• Date: Fri, 25 Oct 2024 06:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 09:36:59.659854
• Title: Software Frugality in an Accelerating World: the Case of Continuous Integration
• Title（参考訳）: 加速する世界でのソフトウェアフルーガリティ - 継続的インテグレーションの事例
• Authors: Quentin Perez, Romain Lefeuvre, Thomas Degueule, Olivier Barais, Benoit Combemale,
• Abstract要約: 私たちは、GitHubで実装された継続的インテグレーションパイプラインのエネルギーフットプリントを、初めて大規模に分析します。 パイプラインの平均単位エネルギーコストは10Whで比較的低い。 地域Wh-to-CO2推定値に基づくCO2排出量の評価では, 平均CO2排出量は10.5kgである。
• 参考スコア（独自算出の注目度）: 2.73028688816111
• License:
• Abstract: The acceleration of software development and delivery requires rigorous continuous testing and deployment of software systems, which are being deployed in increasingly diverse, complex, and dynamic environments. In recent years, the popularization of DevOps and integrated software forges like GitLab and GitHub has largely democratized Continuous Integration (CI) practices for a growing number of software. However, this trend intersects significantly with global energy consumption concerns and the growing demand for frugality in the Information and Communication Technology (ICT) sector. CI pipelines typically run in data centers which contribute significantly to the environmental footprint of ICT, yet there is little information available regarding their environmental impact. This article aims to bridge this gap by conducting the first large-scale analysis of the energy footprint of CI pipelines implemented with GitHub Actions and to provide a first overview of the energy impact of CI. We collect, instrument, and reproduce 838 workflows from 396 Java repositories hosted on GitHub to measure their energy consumption. We observe that the average unitary energy cost of a pipeline is relatively low, at 10 Wh. However, due to repeated invocations of these pipelines in real settings, the aggregated energy consumption cost per project is high, averaging 22 kWh. When evaluating CO2 emissions based on regional Wh-to-CO2 estimates, we observe that the average aggregated CO2 emissions are significant, averaging 10.5 kg. To put this into perspective, this is akin to the emissions produced by driving approximately 100 kilometers in a typical European car (110 gCO2/km). In light of our results, we advocate that developers should have the means to better anticipate and reflect on the environmental consequences of their CI choices when implementing DevOps practices.
• Abstract（参考訳）: ソフトウェア開発とデリバリの加速には厳格な継続的テストとソフトウェアシステムのデプロイが必要です。 近年、DevOpsの普及とGitLabやGitHubのような統合ソフトウェアフォージの普及により、多くのソフトウェアに対して継続的インテグレーション(CI)のプラクティスが民主化されている。 しかし、この傾向は、国際エネルギー消費の懸念と情報通信技術(ICT)分野における虚偽性への需要の増大とは大きく関連している。 CIパイプラインは通常、ICTの環境フットプリントに大きく貢献するデータセンターで実行されるが、その環境への影響についてはほとんど情報がない。 この記事では、GitHub Actionsで実装されたCIパイプラインのエネルギーフットプリントを初めて大規模に分析して、このギャップを埋めることを目的とする。 GitHubにホストされている396のJavaリポジトリから838のワークフローを収集し、計測し、再生し、エネルギー消費量を測定します。 パイプラインの平均単位エネルギーコストは10Whで比較的低い。 しかし、実際の設定で繰り返しパイプラインが起動されるため、プロジェクト当たりの総エネルギー消費コストは高く、平均22kWhである。 地域Wh-to-CO2推定値に基づくCO2排出量の評価では, 平均CO2排出量は10.5kgである。 これは、典型的なヨーロッパの車(110 gCO2/km)で約100km運転することで発生する排出と似ている。 結果を踏まえて、DevOpsプラクティスを実装する上でのCI選択による環境影響をより正確に予測し、反映する手段を開発者に提供するべきだ、と私たちは主張しています。

関連論文リスト

• Green My LLM: Studying the key factors affecting the energy consumption of code assistants [1.747820331822631]
  本稿では,GitHub Copilotのような大規模言語モデルに基づくコードアシスタントのエネルギー消費について検討する。 その結果,コードアシスタントのエネルギー消費と性能は,コンカレント開発者の数など,様々な要因に影響されていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T16:00:29Z)
• Reduce, Reuse, Recycle: Building Greener Sustainable Software [0.22252684361733285]
  データセンターは世界の電力使用量の1%以上を占めている。 非自明な省エネは、プログラミングの基本的な側面についてエネルギーを意識した決定を行うことによって、ソフトウェアで達成できる。
  論文  参考訳（メタデータ） (2023-11-03T03:03:13Z)
• Towards Net-Zero Carbon Emissions in Network AI for 6G and Beyond [36.02419793345877]
  世界の温室効果ガス(温室効果ガス)排出量(主に炭素排出量)を2030年までに半分減らし、2050年までにネットゼロに達するよう、世界的な取り組みが進められている。 ハードウェアとソフトウェアの設計の両方でエネルギー効率が向上したにもかかわらず、モバイルネットワーク全体のエネルギー消費と炭素排出量は依然として増加を続けている。 DETAと呼ばれる新しい動的エネルギー取引とタスク割り当て最適化フレームワークが、炭素排出量の削減のために導入された。
  論文  参考訳（メタデータ） (2023-09-18T12:24:06Z)
• Green Federated Learning [7.003870178055125]
  Federated Learning(FL)は、分散エンティティのデータを使用して集中型モデルをトレーニングする機械学習技術である。 FLは、多様なエネルギー源を持つ数億ものグローバル分散エンドユーザーデバイスを活用することができる。 提案するグリーンFLの概念は, FLパラメータを最適化し, 二酸化炭素排出量を最小化するための設計選択を行うものである。
  論文  参考訳（メタデータ） (2023-03-26T02:23:38Z)
• 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)
• Eco2AI: carbon emissions tracking of machine learning models as the first step towards sustainable AI [47.130004596434816]
  eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。 モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
  論文  参考訳（メタデータ） (2022-07-31T09:34:53Z)
• 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)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• 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)

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。