論文の概要: Data-Driven Energy Estimation for Virtual Servers Using Combined System Metrics and Machine Learning

• arxiv url: http://arxiv.org/abs/2509.09991v1
• Date: Fri, 12 Sep 2025 06:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.992394
• Title: Data-Driven Energy Estimation for Virtual Servers Using Combined System Metrics and Machine Learning
• Title（参考訳）: システムメトリクスと機械学習を組み合わせた仮想サーバのデータ駆動エネルギー推定
• Authors: Amandip Sangha,
• Abstract要約: 我々は、ホスト上のRAインターフェースを介して測定されたエネルギー消費を予測するために、グラディエントブースティングレグレッシャを訓練する。 ホストアクセスを許可せずに、ゲストのみのリソースベースのエネルギー推定を初めて実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a machine learning-based approach to estimate the energy consumption of virtual servers without access to physical power measurement interfaces. Using resource utilization metrics collected from guest virtual machines, we train a Gradient Boosting Regressor to predict energy consumption measured via RAPL on the host. We demonstrate, for the first time, guest-only resource-based energy estimation without privileged host access with experiments across diverse workloads, achieving high predictive accuracy and variance explained ($0.90 \leq R^2 \leq 0.97$), indicating the feasibility of guest-side energy estimation. This approach can enable energy-aware scheduling, cost optimization and physical host independent energy estimates in virtualized environments. Our approach addresses a critical gap in virtualized environments (e.g. cloud) where direct energy measurement is infeasible.
• Abstract（参考訳）: 本稿では,物理電力計測インタフェースにアクセスせずに仮想サーバの消費電力を推定する機械学習手法を提案する。 ゲスト仮想マシンから収集した資源利用指標を用いて、ホスト上でRAPLによって測定されたエネルギー消費を予測するため、グラディエントブースティングレグレッシャを訓練する。 各種ワークロードを対象とした実験を行い、高い予測精度とばらつき(0.90 \leq R^2 \leq 0.97$)を達成し、ゲスト側エネルギー推定の可能性を示した。 このアプローチは、仮想環境におけるエネルギーを考慮したスケジューリング、コスト最適化、物理的ホスト独立エネルギー推定を可能にする。 直接エネルギー測定が不可能な仮想化環境(例えばクラウド)において,本手法は重要なギャップに対処する。

関連論文リスト

• A Robust Power Model Training Framework for Cloud Native Runtime Energy Metric Exporter [2.661555989363678]
  現在のクラウド環境における電力消費量の推定は、グリーンコンピューティングに向けた炭素定量化に不可欠である。 本稿では,この目標に関する複数の課題について考察する。 最初の課題は、複数の顧客が同じハードウェアプラットフォームを共有していることだ。 第2の課題は、クラウドプラットフォームコントロールプレーンが引き起こす電力消費のオーバーヘッドである。
  論文  参考訳（メタデータ） (2024-04-10T02:20:29Z)
• Fair Resource Allocation in Virtualized O-RAN Platforms [15.613171815892809]
  O-RANシステムとその汎用コンピューティングプラットフォーム(O-Cloud)への展開は、前例のない性能向上をもたらすことが期待されているパラダイムシフトである。 本稿では,Oクラウドのエネルギーコストとサーバのハードウェア,キャパシティ,データトラフィック特性への依存性を評価する一連の実験について述べる。 省エネ方式で基地局のデータ負荷をO-Cloudサーバに割り当てる計算ポリシと,省エネ性を回避するため,ユーザ毎の送信ブロックサイズをほぼリアルタイムで決定する無線ポリシを提案する。
  論文  参考訳（メタデータ） (2024-02-17T13:57:20Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
  EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。 提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。 その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
  論文  参考訳（メタデータ） (2023-05-23T14:17:44Z)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。