論文の概要: Energy-Aware Decision Making in Software Stack Upgrades

• arxiv url: http://arxiv.org/abs/2605.26609v1
• Date: Tue, 26 May 2026 06:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.705834
• Title: Energy-Aware Decision Making in Software Stack Upgrades
• Title（参考訳）: ソフトウェアスタックのアップグレードにおけるエネルギーを考慮した意思決定
• Authors: Mirko Stocker, Michael Wahler,
• Abstract要約: 本稿では,Spring BootやJava仮想マシンなど,コアソフトウェアスタックコンポーネントの異なるバージョンがアプリケーションのエネルギー消費に与える影響を計測する手法を提案する。 Spring Petclinic RESTアプリケーションに基づくケーススタディを用いて、Spring BootとJavaのバージョン間でエネルギー消費が大幅に変化していることを示します。 新しいリリースと仮想スレッド(21と23で導入された)は、アプリケーションの変更を必要とせずに大幅な省エネを実現した。
• 参考スコア（独自算出の注目度）: 1.0026496861838448
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Software stack upgrades are a routine part of software maintenance and evolution, typically motivated by improved performance, stability, or functionality. Yet their impact on energy consumption - a growing concern for organizations pursuing sustainability - remains poorly understood. This paper presents a systematic method for measuring how different versions of core software stack components, such as Spring Boot and the Java Virtual Machine (JVM), influence the energy consumption of applications. Our approach evaluates combinations of framework versions, runtime versions, and execution platforms through automated benchmarking. Using a case study based on the Spring Petclinic REST application, we show that energy consumption varies substantially across Spring Boot and JVM versions, in some cases producing unexpected regressions. Notably, newer JVM releases and virtual threads (introduced in Java 21 and 23) yielded significant energy savings without requiring application changes. These results demonstrate that software upgrades can meaningfully affect energy usage and that measuring energy consumption provides valuable evidence for decision making in software maintenance and evolution.
• Abstract（参考訳）: ソフトウェアスタックのアップグレードは、ソフトウェアメンテナンスと進化の定期的な部分であり、通常、パフォーマンス、安定性、機能の改善によって動機付けられます。 しかし、サステナビリティを追求する組織にとって、エネルギー消費に対する彼らの影響は、まだよく分かっていない。 本稿では,Spring BootやJava仮想マシン(JVM)など,コアソフトウェアスタックコンポーネントの異なるバージョンが,アプリケーションのエネルギー消費に与える影響を計測するための体系的手法を提案する。 提案手法は,自動ベンチマークによるフレームワークのバージョン,ランタイムバージョン,実行プラットフォームの組み合わせを評価する。 Spring Petclinic RESTアプリケーションに基づくケーススタディを用いて、Spring BootとJVMバージョンでエネルギー消費量が大幅に変化していることを示します。 特に、新しいJVMリリースと仮想スレッド(Java 21と23で導入された)は、アプリケーションの変更を必要とせずに大幅な省エネを実現した。 これらの結果は、ソフトウェアアップグレードがエネルギー利用に有意義な影響を与え、また、エネルギー消費を測定することは、ソフトウェアの保守と進化における意思決定の貴重な証拠となることを示している。

関連論文リスト

• Probabilistic energy profiler for statically typed JVM-based programming languages [1.7842332554022688]
  エネルギー消費は、モバイルデバイスから大規模データセンターに至るまで、いくつかの分野で懸念が高まっている。 以前のアプローチでは、ソースコードのステートメントではなく、特定の関数やプログラムに重点を置いていた。 本研究では,消費のみの測定と点推定の利用の限界に対処する新しい手法を開発する。
  論文  参考訳（メタデータ） (2025-12-02T13:21:35Z)
• 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)
• 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)
• Toward Cross-Layer Energy Optimizations in AI Systems [4.871463967255196]
  エネルギー効率は、人工知能の採用に歯止めをかける要因になる可能性が高い。 人工知能(AI)や機械学習(ML)ツールや技術の普及によって、そのエネルギー効率が採用への歯止め要因になりそうである。 これは、生成AI(GenAI)モデルが巨大なエネルギー豚であるからである。 推論はさらにエネルギーを消費する。
  論文  参考訳（メタデータ） (2024-04-10T01:35:17Z)
• Green AI: A Preliminary Empirical Study on Energy Consumption in DL Models Across Different Runtime Infrastructures [56.200335252600354]
  トレーニング済みのモデルを、ネイティブな開発環境とは異なる環境にデプロイするのは、一般的なプラクティスです。 これにより、インフラを含むONNXや標準フォーマットとして機能するONNXなどの交換フォーマットが導入された。
  論文  参考訳（メタデータ） (2024-02-21T09:18:44Z)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• Cheaply Evaluating Inference Efficiency Metrics for Autoregressive Transformer APIs [66.30706841821123]
  大規模言語モデル(LLM)は、自然言語処理において多くの最先端システムに電力を供給する。 LLMは、推論時でさえ非常に計算コストが高い。 モデル間での推論効率を比較するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-05-03T21:51:42Z)
• Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
  コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。 継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
  論文  参考訳（メタデータ） (2021-09-12T09:40:18Z)
• DIETERpy: a Python framework for The Dispatch and Investment Evaluation Tool with Endogenous Renewables [62.997667081978825]
  DIETERはオープンソースの電力セクターモデルであり、可変再生可能エネルギー源の非常に高いシェアで将来の設定を分析するように設計されている。 システム全体のコストを最小化し、様々な世代の固定および可変コスト、柔軟性、セクター結合オプションを含む。 我々は、GAMS(General Algebraic Modeling System)で記述された既存のモデルバージョンの上に構築されたDIETERpyを紹介し、それをPythonフレームワークで強化する。
  論文  参考訳（メタデータ） (2020-10-02T09:27:33Z)

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。