論文の概要: Systematic Detection of Energy Regression and Corresponding Code Patterns in Java Projects
- arxiv url: http://arxiv.org/abs/2604.19373v1
- Date: Tue, 21 Apr 2026 11:54:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.750024
- Title: Systematic Detection of Energy Regression and Corresponding Code Patterns in Java Projects
- Title（参考訳）: Javaプロジェクトにおけるエネルギー回帰と対応コードパターンの系統的検出
- Authors: François Bechet, Jérôme Maquoi, Luís Cruz, Benoît Vanderose, Xavier Devroey,
- Abstract要約: グリーンソフトウェアエンジニアリングは、情報技術のエネルギー的影響に対する重要な反応として現れつつある。
本稿では,複数のコミットにまたがるエネルギーレグレッションを検出する手法であるEnergyTrackrを紹介する。
重要なエネルギー変化を識別し、繰り返し発生するアンチパターンを強調するアプローチの能力を示す。
- 参考スコア（独自算出の注目度）: 0.8620335948752809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Green software engineering is emerging as a crucial response to information technology's rising energy impact, especially in continuous development. However, there remain challenges in devising automated methods for identifying energy regressions across commits and their associated code change patterns. In particular, little effort has been put into automatically detecting regressions at the commit level by identifying statistically significant changes in energy consumption. In this paper, we introduce EnergyTrackr, an approach designed to detect energy regressions across multiple commits that can then be used to identify code anti-patterns potentially contributing to the increase of software energy consumption over time. We describe our empirical evaluation, including repository mining and source code analysis, made on 3,232 commits from three Java projects, and show the approach's ability to identify significant energy changes. We also highlight recurring anti-patterns such as missing early exits or costly dependency upgrades. We expect EnergyTrackr to assist developers in accurately monitoring energy regressions and improvements within their projects, identifying code anti-patterns, and helping them optimize their source code to reduce software energy consumption.
- Abstract（参考訳）: グリーンソフトウェアエンジニアリングは、特に継続的開発において、情報技術のエネルギーへの影響の増大に対する重要な反応として現れている。
しかしながら、コミットと関連するコード変更パターンをまたがってエネルギーレグレッションを識別するための自動メソッドの開発には、依然として課題がある。
特に、エネルギー消費の統計的に重要な変化を特定することによって、コミットレベルでの回帰を自動的に検出する努力はほとんど行われていない。
本稿では,複数のコミットにまたがるエネルギーレグレッションを検出するために設計されたEnergyTrackrについて紹介する。
3つのJavaプロジェクトから3,232件のコミットで作成されたリポジトリマイニングやソースコード解析などの経験的評価について説明し、そのアプローチが重要なエネルギー変化を識別する能力を示している。
アーリーエグジットの欠如や、コストのかかる依存性のアップグレードなど、繰り返し発生するアンチパターンも強調します。
私たちはEnergyTrackrが、開発者がプロジェクトのエネルギレグレッションや改善を正確に監視し、コードアンチパターンを特定し、ソースコードを最適化してソフトウェアのエネルギ消費を減らす手助けをしてくれることを期待しています。
関連論文リスト
- A Validated Taxonomy on Software Energy Smells [2.0667975423802614]
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。
論文 参考訳（メタデータ） (2026-04-06T16:15:28Z) - PPTAM$η$: Energy Aware CI/CD Pipeline for Container Based Applications [47.84270304529455]
PPTAM$$は、コンテナ化されたAPIシステムのためのGitLab CIに電力とエネルギーの測定を統合する自動化パイプラインである。
このパイプラインは、開発者にエネルギを可視化し、テストエンジニアのバージョン比較をサポートし、研究者のトレンド分析を可能にする。
論文 参考訳（メタデータ） (2026-02-12T15:38:35Z) - 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) - How Do Agentic AI Systems Deal With Software Energy Concerns? A Pull Request-Based Study [0.9099663022952497]
公開されているデータセットを用いて,エージェント認可プルリクエスト(PR)のエネルギー意識について検討した。
216件の省エネPRを同定し,エネルギ対応作業の分類を導出した。
これらのエージェントの構築と実行は、非常にエネルギー集約的で励ましがたいが、ソフトウェアアーティファクトを生成する際には、エネルギー意識を示すことが示される。
論文 参考訳（メタデータ） (2025-12-31T05:13:56Z) - Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。
提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
論文 参考訳（メタデータ） (2025-10-03T16:21:14Z) - Assessing the Impact of Refactoring Energy-Inefficient Code Patterns on Software Sustainability: An Industry Case Study [9.521952718902973]
本稿では,自動ソフトウェアサステナビリティ評価ツールを用いて,エネルギー非効率なコードパターンの持続可能性への影響を評価する産業ケーススタディを提案する。
予備的な結果は、アプリケーションのサステナビリティーのリファクタリング後への影響を浮き彫りにしており、ユーザ毎のエネルギー消費は29%減少している。
論文 参考訳（メタデータ） (2025-06-11T03:34:45Z) - 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) - Energy Patterns for Web: An Exploratory Study [11.986390881263718]
我々は、エネルギー消費の主源であるWebドメインに焦点を当てる。
Web エネルギーパターンがエネルギー消費に与える影響を定量化するために,我々は自動パイプラインを構築した。
論文 参考訳（メタデータ） (2024-01-12T10:03:43Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - Energy-based Latent Aligner for Incremental Learning [83.0135278697976]
ディープラーニングモデルは、新しいタスクを漸進的に学習しながら、以前の知識を忘れる傾向があります。
この振る舞いは、新しいタスクに最適化されたパラメータ更新が、古いタスクに適したアップデートとうまく一致しない可能性があるため現れます。
ELI: インクリメンタルラーニングのためのエネルギーベースラテントアリグナーを提案する。
論文 参考訳（メタデータ） (2022-03-28T17:57:25Z) - Software Vulnerability Detection via Deep Learning over Disaggregated
Code Graph Representation [57.92972327649165]
この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。
コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
論文 参考訳（メタデータ） (2021-09-07T21:24:36Z)
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。