論文の概要: Environmental Impact of CI/CD Pipelines

• arxiv url: http://arxiv.org/abs/2510.26413v1
• Date: Thu, 30 Oct 2025 12:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.796041
• Title: Environmental Impact of CI/CD Pipelines
• Title（参考訳）: CI/CDパイプラインの環境影響
• Authors: Nuno Saavedra, Alexandra Mendes, João F. Ferreira,
• Abstract要約: GitHub Actionsエコシステムは、かなりの炭素と水のフットプリントをもたらす。 したがって、最も可能性の高いシナリオの炭素フットプリントは、1年で7,615本の都会の木によって捕獲された炭素と同等である。 主な推奨事項は、エネルギー生産が環境への影響の低い地域にランナーを配置することである。
• 参考スコア（独自算出の注目度）: 45.02374935546107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CI/CD pipelines are widely used in software development, yet their environmental impact, particularly carbon and water footprints (CWF), remains largely unknown to developers, as CI service providers typically do not disclose such information. With the growing environmental impact of cloud computing, understanding the CWF of CI/CD services has become increasingly important. This work investigates the CWF of using GitHub Actions, focusing on open-source repositories where usage is free and unlimited for standard runners. We build upon a methodology from the Cloud Carbon Footprint framework and we use the largest dataset of workflow runs reported in the literature to date, comprising over 2.2 million workflow runs from more than 18,000 repositories. Our analysis reveals that the GitHub Actions ecosystem results in a substantial CWF. Our estimates for the carbon footprint in 2024 range from 150.5 MTCO2e in the most optimistic scenario to 994.9 MTCO2e in the most pessimistic scenario, while the water footprint ranges from 1,989.6 to 37,664.5 kiloliters. The most likely scenario estimates are 456.9 MTCO2e for carbon footprint and 5,738.2 kiloliters for water footprint. To provide perspective, the carbon footprint in the most likely scenario is equivalent to the carbon captured by 7,615 urban trees in a year, and the water footprint is comparable to the water consumed by an average American family over 5,053 years. We explore strategies to mitigate this impact, primarily by reducing wasted computational resources. Key recommendations include deploying runners in regions whose energy production has a low environmental impact such as France and the United Kingdom, implementing stricter deactivation policies for scheduled runs and aligning their execution with periods when the regional energy mix is more environmentally favorable, and reducing the size of repositories.
• Abstract（参考訳）: CI/CDパイプラインはソフトウェア開発で広く使用されているが、その環境影響、特に炭素と水のフットプリント(CWF)は、CIサービスプロバイダは通常そのような情報を公開していないため、開発者にはほとんど知られていない。 クラウドコンピューティングの環境への影響が増大する中で、CI/CDサービスのCWFを理解することがますます重要になっている。 この研究は、GitHub Actionsの使用に関するCWFを調査し、標準ランナーに無償で無制限のオープンソースリポジトリに焦点を当てている。 Cloud Carbon Footprintフレームワークの方法論に基づいており、文献で報告されている最大のワークフローデータセットを使用しており、18,000以上のリポジトリから2200万以上のワークフローを実行しています。 私たちの分析によると、GitHub Actionsエコシステムは相当なCWFをもたらします。 2024年の炭素フットプリントの予測は、最も楽観的なシナリオでは150.5 MTCO2e、最も悲観的なシナリオでは994.9 MTCO2e、水フットプリントは1,989.6から37,664.5キロリットルである。 最も可能性の高い予測は、炭素フットプリントで456.9 MTCO2e、水フットプリントで5,738.2キロリットルである。 そのため、最も可能性の高いシナリオでは、炭素フットプリントは年間7,615本の都会の木で捕獲された炭素と同等であり、水フットプリントは平均5,053年以上にわたってアメリカの家庭で消費された水に匹敵する。 我々は、この影響を緩和するための戦略を、主に無駄な計算資源を減らすことによって検討する。 主な推奨事項は、フランスやイギリスのような環境影響の少ない地域におけるエネルギー生産の展開、スケジュール実行のためのより厳格な非活性化ポリシーの実施、地域エネルギー混合が環境に有利な期間での実行の調整、レポジトリのサイズの縮小などである。

関連論文リスト

• How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference [0.0]
  本稿では,商用データセンタにデプロイされる30の最先端モデルを対象とした,AI推論の環境フットプリントを定量化する,新たなインフラストラクチャ対応ベンチマークフレームワークを提案する。 以上の結果から,O3とDeepSeek-R1が最もエネルギー集約的なモデルとして出現し,GPT-4.1ナノの70倍以上のGPT-4.1ナノを消費し,Claude-3.7 Sonnetはエコ効率で最高であることがわかった。 AIは安価で速くなっているが、そのグローバルな採用はリソース消費を不均等にしている。
  論文  参考訳（メタデータ） (2025-05-14T17:47:00Z)
• Software Frugality in an Accelerating World: the Case of Continuous Integration [2.73028688816111]
  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。
  論文  参考訳（メタデータ） (2024-10-21T09:29:50Z)
• Towards Environmentally Equitable AI via Geographical Load Balancing [40.142341503145275]
  本稿では、その地域的負の環境影響のバランスをとることによって、AIの環境不平等に対処する第一歩を踏み出す。 大規模言語AIモデルに対する推論要求を提供する地理的に分散した10のデータセンタを考慮し、トレースベースのシミュレーションを実行する。 その結果,既存のGLBアプローチは環境不平等を増大させる可能性を示し,提案したエクイティ対応GLBは,炭素および水のフットプリントにおける地域格差を著しく低減できることを示した。
  論文  参考訳（メタデータ） (2023-06-20T17:13:33Z)
• 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)
• 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)

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。