論文の概要: Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning

• arxiv url: http://arxiv.org/abs/2510.03970v1
• Date: Sat, 04 Oct 2025 23:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.364402
• Title: Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning
• Title（参考訳）: 炭素を意識したコンテナオーケストレーションを目指して:フェデレートラーニングによるワークロードエネルギー消費予測
• Authors: Zainab Saad, Jialin Yang, Henry Leung, Steve Drew,
• Abstract要約: 本稿では,企業内における機密性の高い運用データを維持することにより,データのプライバシを保護する,エネルギー消費予測のためのフェデレート学習手法を提案する。 私たちのフレームワークは、FlowerのFedXgbBaggingアグリゲーションを使用して、分散クライアント間で協調的にXGBoostモデルをトレーニングします。 この研究は、KeplerやCASPERといった以前のシステムにおける、データのプライバシとエネルギー予測効率の間の未解決のトレードオフに対処する。
• 参考スコア（独自算出の注目度）: 8.968986043976532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing reliance on large-scale data centers to run resource-intensive workloads has significantly increased the global carbon footprint, underscoring the need for sustainable computing solutions. While container orchestration platforms like Kubernetes help optimize workload scheduling to reduce carbon emissions, existing methods often depend on centralized machine learning models that raise privacy concerns and struggle to generalize across diverse environments. In this paper, we propose a federated learning approach for energy consumption prediction that preserves data privacy by keeping sensitive operational data within individual enterprises. By extending the Kubernetes Efficient Power Level Exporter (Kepler), our framework trains XGBoost models collaboratively across distributed clients using Flower's FedXgbBagging aggregation using a bagging strategy, eliminating the need for centralized data sharing. Experimental results on the SPECPower benchmark dataset show that our FL-based approach achieves 11.7 percent lower Mean Absolute Error compared to a centralized baseline. This work addresses the unresolved trade-off between data privacy and energy prediction efficiency in prior systems such as Kepler and CASPER and offers enterprises a viable pathway toward sustainable cloud computing without compromising operational privacy.
• Abstract（参考訳）: リソース集約的なワークロードを実行するための大規模データセンターへの依存度の増加は、グローバルな炭素フットプリントを大幅に増加させ、持続可能なコンピューティングソリューションの必要性を浮き彫りにした。 Kubernetesのようなコンテナオーケストレーションプラットフォームは、ワークロードのスケジューリングを最適化して二酸化炭素排出量を減らすのに役立っているが、既存の手法は、プライバシの懸念を高め、さまざまな環境をまたいだ一般化に苦労する集中型機械学習モデルに依存することが多い。 本稿では,企業内の機密データを保持することにより,データのプライバシを保護するための,エネルギー消費予測のためのフェデレート学習手法を提案する。 当社のフレームワークは、Kubernetes Efficient Power Level Exporter(Kepler)を拡張して、FlowerのFedXgbBaggingアグリゲーションを使用して、分散クライアント間で共同でXGBoostモデルをトレーニングします。 SPECPowerベンチマークデータセットの実験結果によると、FLベースのアプローチは集中ベースラインに比べて平均絶対誤差が11.7%低い。 この研究は、KeplerやCASPERといった以前のシステムにおけるデータプライバシとエネルギー予測効率の間の未解決のトレードオフに対処し、企業に対して、運用上のプライバシを損なうことなく、持続可能なクラウドコンピューティングへの道のりを提供する。

関連論文リスト

• MAIZX: A Carbon-Aware Framework for Optimizing Cloud Computing Emissions [0.7127829790714169]
  クラウドコンピューティングは、高エネルギー消費と二酸化炭素排出量のために、重大な環境問題を引き起こす。 データセンターは世界のエネルギー消費の2-4%を占めており、ICT部門の電力消費のシェアは2040年までに40%に達すると予測されている。 本研究では,クラウド操作の最適化と炭素フットプリント削減を目的としたMAIZXフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2025-06-24T19:40:09Z)
• OccuEMBED: Occupancy Extraction Merged with Building Energy Disaggregation for Occupant-Responsive Operation at Scale [3.1755820123640612]
  自動化の構築は、中央集権的な運用を通じて効率性と柔軟性を高める上で重要な役割を担います。 本研究では,全体のスマートメータデータを用いて,占有率とシステム操作量の両方を推定する可能性について検討する。 我々は,OccuEMBEDを提案する。OccuEMBEDは,占有率推定とシステムレベルの負荷解析のための統合されたフレームワークである。
  論文  参考訳（メタデータ） (2025-04-23T10:49:48Z)
• TinyML NLP Scheme for Semantic Wireless Sentiment Classification with Privacy Preservation [49.801175302937246]
  本研究は、エッジデバイスにプライバシ保護、エネルギー効率の高いNLPモデルをデプロイする際の洞察を提供する。 セマンティックスプリットラーニング(SL)を,エネルギー効率,プライバシ保護,小型機械学習(TinyML)フレームワークとして導入する。 その結果,FLの4倍,CLの約18倍の再現誤差の増加により,SLは計算能力とCO2排出量を著しく低減し,プライバシーの向上を図った。
  論文  参考訳（メタデータ） (2024-11-09T21:26:59Z)
• Full Scaling Automation for Sustainable Development of Green Data Centers [13.448126025186538]
  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)
• 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)
• Outsourcing Training without Uploading Data via Efficient Collaborative Open-Source Sampling [49.87637449243698]
  従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。 我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。 我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
  論文  参考訳（メタデータ） (2022-10-23T00:12:18Z)
• 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)
• FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers [1.1254693939127909]
  我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。 我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。 予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2022-03-01T04:16:19Z)
• 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。