論文の概要: METRION: A Framework for Accurate Software Energy Measurement

• arxiv url: http://arxiv.org/abs/2512.06806v1
• Date: Sun, 07 Dec 2025 11:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.536426
• Title: METRION: A Framework for Accurate Software Energy Measurement
• Title（参考訳）: METRION: 正確なソフトウェアエネルギー測定のためのフレームワーク
• Authors: Benjamin Weigell, Simon Hornung, Bernhard Bauer,
• Abstract要約: 情報通信技術部門は2020年の温室効果ガス排出量の1.4%を占めている。 この環境影響を低減するため、ITインフラやアプリケーションレベルでのエネルギー消費を減らすために最適化戦略が採用されている。 スレッドレベルでのCPUおよびDRAM上のアプリケーションのエネルギー消費を定量化するエネルギー属性モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.509780930114934
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Information and Communication Technology sector accounted for approximately 1.4% of global greenhouse gas emissions and 4% of the world's electricity consumption in 2020, with both expected to rise. To reduce this environmental impact, optimization strategies are employed to reduce energy consumption at the IT infrastructure and application levels. However, effective optimization requires, firstly, the identification of major energy consumers and, secondly, the ability to quantify whether an optimization has achieved the intended energy savings. Accurate determination of application-level energy consumption is thus essential. Therefore, we introduce an energy attribution model that quantifies the energy consumption of applications on CPU and DRAM at the thread level, considering the influence of Simultaneous Multithreading, frequency scaling, multi-socket architectures, and Non-Uniform Memory Access. To ensure cross-platform applicability, we integrate the proposed model into an extensible framework, METRION, including a platform-independent data model and an initial implementation for Linux systems using Intel CPUs. We evaluate METRION across three different workloads and demonstrate that the energy attribution model can accurately capture the CPU energy consumption of applications targeting solely the CPU with a Mean Absolute Percentage Error of 4.2%, and the DRAM energy consumption of applications targeting DRAM with an 16.1% error.
• Abstract（参考訳）: 情報通信技術部門は温室効果ガス排出量の約1.4%、2020年の世界の電力消費の4%を占めており、どちらも上昇すると予想されている。 この環境影響を低減するため、ITインフラやアプリケーションレベルでのエネルギー消費を減らすために最適化戦略が採用されている。 しかし、効率的な最適化には、第一に、主要なエネルギー消費者を特定すること、第二に、最適化が意図した省エネを達成したかどうかを定量化する能力が必要である。 したがって、適用レベルのエネルギー消費の正確な決定は不可欠である。 そこで本研究では,同時マルチスレッディング,周波数スケーリング,マルチソケットアーキテクチャ,非ユニバーサルメモリアクセスの影響を考慮し,CPUおよびDRAM上のアプリケーションのスレッドレベルでのエネルギー消費を定量化するエネルギー属性モデルを提案する。 プラットフォームに依存しないデータモデルと,Intel CPUを用いたLinuxシステムの初期実装を含む,拡張可能なフレームワークMETRIONに提案モデルを統合した。 我々は,METRIONを3つのワークロードで評価し,CPUのみをターゲットとするアプリケーションのCPUエネルギー消費量を4.2%,DRAMを対象とするアプリケーションのDRAMエネルギー消費量を16.1%の誤差で正確に把握できることを実証した。

関連論文リスト

• Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
  本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。 提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。 この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
  論文  参考訳（メタデータ） (2025-11-21T08:12:47Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• The ML.ENERGY Benchmark: Toward Automated Inference Energy Measurement and Optimization [24.32172951691564]
  エネルギーは、しばしば見落とされ、探索されていない、あるいはMLシステム構築の文脈でよく理解されていない指標である。 本稿では,現実的なサービス環境下での推論エネルギー消費を測定するためのベンチマークスイートとツールであるML$.$ENERGY Benchmarkを紹介する。
  論文  参考訳（メタデータ） (2025-05-09T18:27:32Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
  THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。 我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。 その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
  論文  参考訳（メタデータ） (2025-01-27T03:29:02Z)
• BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT [2.6872737601772956]
  Mobile Edge IoT(MEIoT)では、トレーニングと通信プロセスはデバイスの限られたバッテリーリソースを著しく減らすことができる。 我々は,グローバルモデル精度の向上,全エネルギー消費の最小化,デバイス間のエネルギー利用格差の低減という,3つの目標のバランスを図るための共同最適化フレームワークであるBEFLを提案する。 実験の結果、BEFLはグローバルモデル精度を1.6%改善し、エネルギー消費のばらつきを72.7%低減し、既存の方法と比較して総エネルギー消費を28.2%低減することがわかった。
  論文  参考訳（メタデータ） (2024-12-05T07:58:32Z)
• Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need [35.242972942661275]
  5G技術はエネルギー消費を大幅に増加させ、ネットワークの持続可能性にとって重要な課題となっている。 実世界のデータセットに基づく5G基地局エネルギー消費量推定のための新しいディープラーニングモデルを提案する。 実験の結果、平均絶対パーセンテージエラー(MAPE)を12.75%から4.98%に削減した。
  論文  参考訳（メタデータ） (2024-06-13T06:02:15Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• 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。