論文の概要: Adaptable Teastore with Energy Consumption Awareness: A Case Study

• arxiv url: http://arxiv.org/abs/2512.23498v1
• Date: Mon, 29 Dec 2025 14:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.540782
• Title: Adaptable Teastore with Energy Consumption Awareness: A Case Study
• Title（参考訳）: エネルギー消費を意識した適応型茶屋の事例
• Authors: Henrique De Medeiros, Denisse Muñante, Sophie Chabridon, César Perdigão Batista, Denis Conan,
• Abstract要約: 自己適応型ソフトウェアシステム(SAS)は実行時に動的に適応する。 クラウドにデプロイされた分散ソフトウェアアプリケーションによって消費されるエネルギーを収集するEnCoMSASツールを紹介します。 適応性TeaStoreのケーススタディを用いて経験的研究を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: [Context and Motivation] Global energy consumption has been steadily increasing in recent years, with data centers emerging as major contributors. This growth is largely driven by the widespread migration of applications to the Cloud, alongside a rising number of users consuming digital content. Dynamic adaptation (or self-adaptive) approaches appear as a way to reduce, at runtime and under certain constraints, the energy consumption of software applications. [Question/Problem] Despite efforts to make energy-efficiency a primary goal in the dynamic adaptation of software applications, there is still a gap in understanding how to equip these self-adaptive software systems (SAS), which are dynamically adapted at runtime, with effective energy consumption monitoring tools that enable energy-awareness. Furthermore, the extent to which such an energy consumption monitoring tool impacts the overall energy consumption of the SAS ecosystem has not yet been thoroughly explored. [Methodology] To address this gap, we introduce the EnCoMSAS (Energy Consumption Monitoring for Self-Adaptive Systems) tool that allows to gather the energy consumed by distributed software applications deployed, for instance, in the Cloud. EnCoMSAS enables the evaluation of energy consumption of SAS variants at runtime. It allows to integrate energy-efficiency as a main goal in the analysis and execution of new adaptation plans for the SAS. In order to evaluate the effectiveness of EnCoMSAS and investigate its impact on the overall energy consumption of the SAS ecosystem, we conduct an empirical study by using the Adaptable TeaStore case study. Adaptable TeaStore is a self-adaptive extension of the TeaStore application, a microservice benchmarking application. For this study, we focus on the recommender service of Adaptable TeaStore. Regarding the experiments, we first equip Adaptable TeaStore with EnCoMSAS. Next, we execute Adaptable TeaStore by varying workload conditions that simulate users interactions. Finally, we use EnCoMSAS for gathering and assessing the energy consumption of the recommender algorithms of Adaptable TeaStore. To run these experiments, we use nodes of the Grid5000 testbed. [Results] The results show that EnCoMSAS is effective in collecting energy consumption of software applications for enabling dynamic adaptation at runtime. The observed correlation between CPU usage and energy consumption collected by EnCoMSAS provides evidence supporting the validity of the collected energy measurements. Moreover, we point out, through EnCoMSAS, that energy consumption is influenced not only by the algorithmic complexity but also by the characteristics of the deployment environment. Finally, the results show that the impact of EnCoMSAS on the overall energy consumption of the SAS ecosystem is comparatively modest with respect to the entire set of the TeaStore applications microservices.
• Abstract（参考訳）: [環境とモチベーション]近年、世界のエネルギー消費は着実に増加しており、データセンターが主要な貢献者となっている。 この成長の大きな要因は、アプリケーションのクラウドへの移行と、デジタルコンテンツを消費するユーザの増加だ。 動的適応(あるいは自己適応)アプローチは、実行時に特定の制約の下で、ソフトウェアアプリケーションのエネルギー消費を減らす方法として現れます。 [Question/Problem] ソフトウェアアプリケーションの動的適応において、エネルギー効率を第一の目標とする努力はありますが、実行時に動的に適応するこれら自己適応型ソフトウェアシステム(SAS)に、エネルギ認識を可能にする効果的なエネルギー消費監視ツールを組み込む方法を理解するには、依然としてギャップがあります。 さらに、こうしたエネルギー消費モニタリングツールがSAS生態系全体のエネルギー消費に与える影響については、まだ十分に調べられていない。 [方法論]このギャップに対処するために、クラウドにデプロイされた分散ソフトウェアアプリケーションによって消費されるエネルギーを収集するEnCoMSAS(Energy Consumption Monitoring for Self-Adaptive Systems)ツールを導入します。 EnCoMSASは、実行時のSAS変種に対するエネルギー消費の評価を可能にする。 SASの新たな適応計画の分析と実行において、エネルギー効率を主目的として統合することが可能である。 本研究では,EnCoMSASの有効性を評価し,その影響をSAS生態系全体のエネルギー消費に与える影響を検討するために,適応可能なTeaStoreケーススタディを用いて実証的研究を行った。 Adaptable TeaStoreは、マイクロサービスのベンチマークアプリケーションであるTeaStoreアプリケーションの自己適応型拡張である。 本研究では,Adaptable TeaStoreのレコメンデーションサービスに注目した。 実験では,まずEnCoMSASに適応性ティーストレを装着する。 次に、ユーザのインタラクションをシミュレートするさまざまなワークロード条件によって、Adaptable TeaStoreを実行します。 最後に,Adaptable TeaStore のレコメンダアルゴリズムのエネルギー消費の収集と評価に EnCoMSAS を用いる。 これらの実験を実行するには、Grid5000テストベッドのノードを使用します。 結果] EnCoMSASは, 実行時の動的適応を実現するため, ソフトウェアアプリケーションのエネルギー消費収集に有効であることがわかった。 EnCoMSASが収集したCPU使用量とエネルギー消費の相関関係は,収集したエネルギー測定の有効性を裏付ける証拠となる。 さらに, EnCoMSAS を通じて, エネルギー消費はアルゴリズムの複雑さだけでなく, 展開環境の特性にも影響されることを指摘する。 最後に、SASエコシステム全体のエネルギー消費に対するEnCoMSASの影響は、マイクロサービスのTeaStoreアプリケーション全体に対して比較的穏やかであることを示している。

関連論文リスト

• Integration of Multi-Mode Preference into Home Energy Management System Using Deep Reinforcement Learning [0.0]
  Home Energy Management Systems(HEMS)は、スマートホームエコシステムにおいて重要なツールとして登場した。 本稿では,動的でコンシューマ定義の嗜好に基づいた最適化を念頭に設計した多モードDeep Reinforcement LearningベースのHEMSフレームワークを提案する。 提案手法は,異なる選好モードにおけるエネルギー消費を最適化する上で,優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-05-02T15:05:29Z)
• Can We Make Code Green? Understanding Trade-Offs in LLMs vs. Human Code Optimizations [45.243401722182554]
  大規模言語モデル(LLM)は、パフォーマンスとエネルギー効率の最適化を開発者が支援すると主張している。 この研究は、科学と工学の応用のために学術と産業の両方で広く使われているマットラブで書かれたソフトウェアに焦点を当てている。 トップ100のGitHubリポジトリで400スクリプトのエネルギ中心の最適化を分析します。
  論文  参考訳（メタデータ） (2025-03-26T00:27:29Z)
• Just In Time Transformers [2.7350304370706797]
  JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。 本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-10-22T10:33:00Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• An Energy-Aware Approach to Design Self-Adaptive AI-based Applications on the Edge [42.462246527457594]
  我々は、自己適応型AIベースのアプリケーションの設計と展開にエネルギーを意識したアプローチを提案する。 本稿では,メタヒューリスティックな探索手順でシステムに自己適応できる構成の集合を決定する問題に対処する。 その結果、我々の自己適応型アプリケーションは、最大81%のエネルギーを節約し、2%から6%の精度で、非適応型ベースライン構成を上回ります。
  論文  参考訳（メタデータ） (2023-08-31T09:33:44Z)
• 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)
• Predict+Optimize Problem in Renewable Energy Scheduling [31.032838966665828]
  本稿では IEEE-CIS Technical Challenge on Predict+ for Renewable Energy Scheduling のソリューションをベンチマークする。 光GBMアンサンブルを用いた最適化手法は、少なくとも2%のエネルギーコスト削減を実現した。 この研究の新規性は、現実の再生可能エネルギースケジューリング問題に適用される予測+方法論の包括的評価にある。
  論文  参考訳（メタデータ） (2022-12-21T02:34:12Z)
• Appliance Operation Modes Identification Using Cycles Clustering [3.328276101150529]
  IoT(Internet of Things)と機械学習(ML)は、効率よくエネルギーを保存できる技術を提供します。 SHEMSは、住宅部門における需要対応(DR)の適用を通じて、省エネルギーに貢献する可能性があります。
  論文  参考訳（メタデータ） (2021-01-25T23:25:45Z)
• AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of BMS and Environmental Data [12.681421165031576]
  建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。 シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。 ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
  論文  参考訳（メタデータ） (2020-10-09T09:51:03Z)
• 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)
• Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
  我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。 エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。 炭素排出量削減とエネルギー消費削減のための戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。