論文の概要: A Validated Taxonomy on Software Energy Smells

• arxiv url: http://arxiv.org/abs/2604.04809v1
• Date: Mon, 06 Apr 2026 16:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.274845
• Title: A Validated Taxonomy on Software Energy Smells
• Title（参考訳）: ソフトウェア・エネルギ・スメルに関する分類学の検証
• Authors: Mohammadjavad Mehditabar, Saurabhsingh Rajput, Tushar Sharma,
• Abstract要約: ソフトウェアエネルギーの匂いの包括的で言語に依存しない分類法を提示する。 エネルギー、時間、メモリのために、21,000以上の機能的に同等のPythonコードペアをプロファイルします。 分類とともに、エネルギープロファイルや推論トレースを含むラベル付きデータセットをコミュニティに公開します。
• 参考スコア（独自算出の注目度）: 2.0667975423802614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As software proliferates across domains, its aggregate energy footprint has become a major concern. To reduce software's growing environmental footprint, developers need to identify and refactor energy smells: source code implementations, design choices, or programming practices that lead to inefficient use of computing resources. Existing catalogs of such smells are either domain-specific, limited to performance anti-patterns, lack fine-grained root cause classification, or remain unvalidated against measured energy data. In this paper, we present a comprehensive, language-agnostic, taxonomy of software energy smells. Through a systematic literature review of 60 papers and exhaustive snowballing, we coded 320 inefficiency patterns into 12 primary energy smells and 65 root causes mapped to the primary smells. To empirically validate this taxonomy, we profile over 21,000 functionally equivalent Python code pairs for energy, time, and memory, and classified the top 3000 pairs by energy difference using a multi-step LLM pipeline, mapping 55 of the 65 root causes to real code. The analysis reveals that 71% of samples exhibit multiple co-occurring smells, memory-related smells yield the highest per-fix energy savings, while power draw variation across patterns confirms that energy optimization cannot be reduced to performance optimization alone. Along with the taxonomy, we release the labeled dataset, including energy profiles and reasoning traces, to the community. Together, they provide a shared vocabulary, actionable refactoring guidelines, and an empirical foundation for energy smell detection, energy-efficient code generation, and green software engineering at large.
• Abstract（参考訳）: ソフトウェアがドメイン間で普及するにつれて、その総エネルギーフットプリントが大きな関心事になっている。 ソフトウェア環境のフットプリントを小さくするためには、開発者は、ソースコードの実装、設計の選択、コンピュータリソースの非効率的な使用につながるプログラミングプラクティスなど、エネルギーの臭いを識別し、リファクタリングする必要がある。 このような匂いの既存のカタログはドメイン固有であり、パフォーマンスのアンチパターンに制限されるか、根本原因の詳細な分類が欠如しているか、測定されたエネルギーデータに対して検証されていないかのいずれかである。 本稿では,ソフトウェアエネルギ臭の包括的,言語に依存しない分類について述べる。 60枚の論文の体系的な文献レビューと徹底的な雪玉化を通じて、320個の非効率パターンを12個の一次エネルギー臭と65個の根本原因にマッピングした。 この分類を実証的に検証するために、エネルギー、時間、メモリに対して21,000以上の機能的に等価なPythonコードペアをプロファイルし、多段階LLMパイプラインを用いて上位3000ペアをエネルギー差で分類し、65のルートのうち55が実際のコードにマッピングした。 分析の結果、サンプルの71%は複数の共起臭を呈し、メモリ関連臭は固定当たりの省エネ効果が最も高く、パターン間のパワードロー変動は、エネルギー最適化を性能最適化のみに還元できないことを確認している。 分類とともに、エネルギープロファイルや推論トレースを含むラベル付きデータセットをコミュニティに公開します。 共同で、共用語彙、実行可能なリファクタリングガイドライン、エネルギー臭いの検出、エネルギー効率の良いコード生成、グリーンソフトウェアエンジニアリングに関する実証的な基礎を提供する。

関連論文リスト

• Evaluating the Environmental Impact of using SLMs and Prompt Engineering for Code Generation [2.2165845825140695]
  本稿では,サステナビリティ・ファクターとともにコード生成の精度に異なるエンジニアリング・ストラテジーがどう影響するかを,最初の系統的な実証的研究を行った。 我々は,HumanEval+ベンチマークとMBPP+ベンチマークを用いて,11個のオープンソースモデル(1Bから34Bパラメータ)にまたがる6つの顕著なプロンプト戦略を評価した。 以上の結果から,より単純なプロンプト技術であるChain-of-Thoughtは,推理能力とエネルギー効率のほぼ最適バランスを実現できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-03T06:37:51Z)
• Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
  AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。 モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T14:38:19Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Beyond Strict Rules: Assessing the Effectiveness of Large Language Models for Code Smell Detection [0.5249836059995157]
  コードの臭いは、ソフトウェアの保守性に影響を与える可能性のあるコード品質の問題の兆候である。 本稿では,30のJavaプロジェクトにおいて,9つのコードの臭いを検出するための4つの大規模言語モデル(LLM)の有効性を評価する。
  論文  参考訳（メタデータ） (2026-01-14T21:08:35Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Learning to Rank Chain-of-Thought: Using a Small Model [77.75522308463667]
  本稿では、この課題に対処するために設計された高効率で軽量な検証器であるEORM(Energy Outcome Reward Model)を紹介する。 EORMはエネルギーベースのフレームワークを使用してChain-of-Thought(CoT)ソリューションをランク付けし、単純な結果ラベルだけで誤った推論と正しく区別することを学ぶ。 55Mのパラメータだけで、通常の報酬モデルより127倍以上小さいEORMは、Llama 3 8Bの精度をGSM8kで90.7%、MATHで63.7%に向上させた。
  論文  参考訳（メタデータ） (2025-05-21T01:06:29Z)
• Unveiling the Energy Vampires: A Methodology for Debugging Software Energy Consumption [5.602876058122268]
  本稿では,ソフトウェアシステムにおけるエネルギー消費ホットスポットの同定と分離のためのエネルギーデバッグ手法を提案する。 分析の結果,AlpineディストリビューションとUbuntuディストリビューションのエネルギー消費の相違が明らかとなった。 我々は,memcpyの分離とベンチマークにより,エネルギー差の主な原因として確認した。
  論文  参考訳（メタデータ） (2024-12-13T11:49:19Z)
• Uncovering LLM-Generated Code: A Zero-Shot Synthetic Code Detector via Code Rewriting [78.48355455324688]
  原符号とLLM書き換え版との類似性に基づく新しいゼロショット合成符号検出器を提案する。 以上の結果から,既存のSOTA合成コンテンツ検出装置よりも顕著な改善が得られた。
  論文  参考訳（メタデータ） (2024-05-25T08:57:28Z)
• Empirical Analysis on Effectiveness of NLP Methods for Predicting Code Smell [3.2973778921083357]
  コードの臭いは、システムに固有の問題の表面的な指標である。 629パッケージ上に3つのExtreme機械学習マシンカーネルを使用して、8つのコードの臭いを識別します。 以上の結果から,放射基底関数型カーネルは,平均98.52の精度で3つのカーネル法のうち最高の性能を発揮することが示唆された。
  論文  参考訳（メタデータ） (2021-08-08T12:10:20Z)

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。