論文の概要: Joint Energy Management and Coordinated AIGC Workload Scheduling for Distributed Data Centers: A Diffusion-Aided Reward Shaping Approach

• arxiv url: http://arxiv.org/abs/2605.02965v1
• Date: Sun, 03 May 2026 09:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.542127
• Title: Joint Energy Management and Coordinated AIGC Workload Scheduling for Distributed Data Centers: A Diffusion-Aided Reward Shaping Approach
• Title（参考訳）: 分散データセンターのための共同エネルギー管理と協調型AIGCワークロードスケジューリング:拡散支援リワード整形手法
• Authors: Yang Fu, Peng Qin, Liming Chen, Zihao Zhang, Hao Yu, Yifei Wang,
• Abstract要約: AIGCサービスプロバイダは、データセンターのエネルギーコストを削減するために、AIGCワークロードを戦略的にスケジュールする必要がある。 本稿では,これらの課題に対処するための共同エネルギー管理と協調型AIGCワークロードスケジューリングフレームワークを提案する。 システムユーティリティ問題は、AIGCサービス収益と運用上のペナルティとコストのバランスをとるために定式化されている。
• 参考スコア（独自算出の注目度）: 36.3035973200471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence-generated content (AIGC) has emerged as a transformative paradigm for automating the creation of diverse and customized content, giving rise to rapidly growing computational workloads in cloud data centers. It is imperative for AIGC service providers (ASPs) to strategically schedule AIGC workloads to reduce data center energy costs while guaranteeing high-quality content generation. However, the distinctive characteristics of AIGC services pose critical challenges, including model heterogeneity across ASPs, implicit service quality evaluation, and complex inference process control. To tackle these challenges, we propose a joint energy management and coordinated AIGC workload scheduling framework, which introduces an explicit mathematical characterization of service quality to promote both job transfer among ASPs and fine-grained inference process configuration. Moreover, various energy resources within data centers are jointly considered to enhance power usage flexibility. Subsequently, a system utility maximization problem is formulated to balance AIGC service revenue with operational penalties and costs. Nevertheless, the strong coupling among job scheduling decisions induces severe reward sparsity, which limits the effectiveness of existing deep reinforcement learning (DRL) algorithms. To address this issue, we develop a diffusion model-aided reward shaping approach to synthesize complementary reward signals through a multi-step denoising process. This approach is seamlessly integrated with DRL to enable efficient learning of scheduling policies under sparse environmental feedback. Experiments based on real-world models and datasets demonstrate that our scheme effectively accommodates electricity price fluctuations and AIGC model heterogeneity, while achieving superior learning convergence and system utility compared with benchmark methods.
• Abstract（参考訳）: 人工知能生成コンテンツ(AIGC)は、多様でカスタマイズされたコンテンツの作成を自動化するための変革的パラダイムとして登場し、クラウドデータセンタで急速に成長する計算ワークロードを生み出している。 AIGCサービスプロバイダ(ASPs)がAIGCワークロードを戦略的にスケジュールし、高品質なコンテンツ生成を保証しながらデータセンタのエネルギーコストを削減することが不可欠である。 しかし、AIGCサービスの特徴的な特徴は、ASP間のモデルの不均一性、暗黙のサービス品質評価、複雑な推論プロセス制御など、重要な課題を生んでいる。 これらの課題に対処するため,我々は協調エネルギー管理と協調型AIGCワークロードスケジューリングフレームワークを提案し,サービス品質の数学的特徴を明示的に導入し,ASP間のジョブ転送ときめ細かい推論プロセス構成の両方を促進する。 さらに、データセンター内の様々なエネルギー資源は、電力利用の柔軟性を高めるために共同で検討されている。 その後、AIGCサービス収益と運用上のペナルティとコストのバランスをとるために、システムユーティリティ最大化問題が定式化される。 それでも、ジョブスケジューリング決定の強い結合は、既存の深層強化学習(DRL)アルゴリズムの有効性を制限する深刻な報酬空間を誘導する。 この問題に対処するため,多段階の復調プロセスを通じて相補的な報酬信号を合成する拡散モデルを用いた報酬形成手法を開発した。 このアプローチはDRLとシームレスに統合され、環境フィードバックの少ない条件下でのスケジューリングポリシーの効率的な学習を可能にする。 実世界のモデルとデータセットに基づく実験により,提案手法は電力価格変動やAIGCモデルの不均一性を効果的に扱えるとともに,ベンチマーク手法と比較して優れた学習収束とシステムの有用性を達成できることを示した。

関連論文リスト

• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• DCcluster-Opt: Benchmarking Dynamic Multi-Objective Optimization for Geo-Distributed Data Center Workloads [14.834687262955585]
  持続可能な時空間タスクスケジューリングのためのオープンソースの高忠実度シミュレーションベンチマークであるDCcluster-Optを提案する。 AIのワークロードトレース、グリッドカーボンの強度、電力市場、20のグローバルリージョンにわたる天候、クラウド送信コスト、経験的ネットワーク遅延パラメータなど、実世界のデータセットを組み合わせている。 モジュール型報酬システムは、二酸化炭素排出量、エネルギーコスト、サービスレベル合意、水利用の間のトレードオフを明示的に研究することを可能にする。
  論文  参考訳（メタデータ） (2025-10-31T03:07:12Z)
• Cost Minimization for Space-Air-Ground Integrated Multi-Access Edge Computing Systems [60.586531406445744]
  宇宙空間統合多高度エッジコンピューティング(SAGIN-MEC)は、急速に発展する低高度経済に有望なソリューションを提供する。 本稿では、ユーザデバイス(UD)、無人航空機(UAV)、衛星間の協調を可能にするSAGIN-MECアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-24T15:03:07Z)
• Towards Heterogeneity-Aware and Energy-Efficient Topology Optimization for Decentralized Federated Learning in Edge Environment [11.034856549533885]
  フェデレートラーニング(FL)はエッジコンピューティング(EC)システムにおいて有望なパラダイムとして登場した。 異種認識とコセット有効分散学習(DFL)フレームワークであるHat-DFedを提案する。
  論文  参考訳（メタデータ） (2025-08-01T03:07:32Z)
• 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)
• Offloading and Quality Control for AI Generated Content Services in 6G Mobile Edge Computing Networks [18.723955271182007]
  本稿では, 逆拡散段階における拡散モデルのオフロード決定, 計算時間, 拡散ステップに対する共同最適化アルゴリズムを提案する。 実験結果から,提案アルゴリズムはベースラインよりも優れた継手最適化性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-12-11T08:36:27Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
  無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-09T09:30:23Z)

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。