論文の概要: Spanergy: Energy-aware Distributed Tracing for Microservices
- arxiv url: http://arxiv.org/abs/2607.24902v1
- Date: Mon, 27 Jul 2026 17:15:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.577448
- Title: Spanergy: Energy-aware Distributed Tracing for Microservices
- Title（参考訳）: Spanergy: マイクロサービスのためのエネルギーを意識した分散トレース
- Abstract要約: 本稿では,エネルギーを考慮した分散トレース手法であるスパネルギーについて述べる。
マイクロサービス毎の電力測定と、測定されたエネルギー消費の属性を相関付け、トレーススパンをリクエストする。
Spanergy氏は、非無視の要求エネルギーのごく一部は、レイテンシクリティカルパスの外にあることを明らかにしている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloud computing is gaining popularity by giving access to seemingly unlimited virtual resources. However, Cloud data centres are built with physical resources and their electricity consumption has been continuously growing over the past decades. Microservices are an important building block of Cloud applications, calling for new solutions to observe their energy consumption. Distributed tracing is widely deployed to diagnose latency and failures in microservice-based applications, yet it does not expose the energy cost of individual end-user requests. Such a gap limits energy-aware debugging, accountability, and control. This paper presents Spanergy, an energy-aware distributed tracing approach that correlates per-microservice power measurements with traces and that attributes measured energy consumption to request segments, i.e. trace spans. We showcase Spanergy with synchronous request chains and asynchronous interactions across microservices. We present a rigorous experimental protocol and statistical analysis plan to quantify overhead and to validate conservation and coverage properties on realistic configurations. Enabling OpenTelemetry tracing increased total experiment energy by 59.1% relative to the uninstrumented baseline, and Spanergy post-processing added 15.2% of the baseline energy. Hence, Spanergy's incremental energy cost is smaller than the energy overhead of enabling tracing itself, making the approach lightweight in practice. Spanergy also reveals that a non-negligible fraction of request energy comes from spans outside the latency-critical path. These results show that energy-aware tracing is feasible at modest overhead and provides actionable insights for energy-efficient microservices.
- Abstract（参考訳）: クラウドコンピューティングは、一見無制限の仮想リソースへのアクセスを提供することで人気を集めている。
しかし、クラウドデータセンターは物理的なリソースで構築されており、電力消費は過去数十年にわたって継続的に増加している。
マイクロサービスはクラウドアプリケーションの重要なビルディングブロックであり、彼らのエネルギー消費を監視するための新しいソリューションを求めている。
分散トレースは、マイクロサービスベースのアプリケーションでレイテンシと障害を診断するために広くデプロイされているが、個々のエンドユーザ要求のエネルギーコストは公開していない。
このようなギャップは、エネルギーを意識したデバッグ、説明責任、制御を制限する。
本稿では,マイクロサービス単位の電力計測をトレースと相関付けるエネルギー対応分散トレース手法であるSpanergyについて述べる。
Spanergyをマイクロサービス間の同期要求チェーンと非同期インタラクションで紹介します。
本稿では,現実的な構成の保存・被覆特性を検証し,オーバーヘッドを定量化するための厳密な実験的プロトコルと統計的解析計画を提案する。
OpenTelemetryの追跡により、未確立のベースラインと比較して実験全体のエネルギーは59.1%増加し、スパネルギーの後処理ではベースラインエネルギーの15.2%が増加した。
したがって、スパネルギーのインクリメンタルなエネルギーコストは、トレースを可能にするエネルギーオーバーヘッドよりも小さく、実際にアプローチを軽量にする。
Spanergy氏はまた、非無視の要求エネルギーのごく一部は、レイテンシクリティカルパスの外にあることも明らかにした。
これらの結果は、エネルギーを意識したトレースが、わずかにオーバーヘッドで実現可能であることを示し、エネルギー効率のよいマイクロサービスに対して実行可能な洞察を提供する。
関連論文リスト
- Enabling users to work sustainably on shared institute computing resources [0.5277024349608834]
VISPAプロジェクトは、研究と教育における物理データ分析をサポートする、自己管理型の中規模コンピューティングクラスタである。
監視システムは、現在1ジューブ当たりのエネルギー消費を記録している。
ドイツ電力網の再生可能シェアに関するリアルタイムデータは、グリーンウィンドウのスケジューリングを可能にする。
論文 参考訳（メタデータ） (2026-04-13T18:17:39Z) - Data-Driven Energy Estimation for Virtual Servers Using Combined System Metrics and Machine Learning [0.0]
我々は、ホスト上のRAインターフェースを介して測定されたエネルギー消費を予測するために、グラディエントブースティングレグレッシャを訓練する。
ホストアクセスを許可せずに、ゲストのみのリソースベースのエネルギー推定を初めて実証する。
論文 参考訳（メタデータ） (2025-09-12T06:22:01Z) - Energy-Efficient Federated Learning for Edge Real-Time Vision via Joint Data, Computation, and Communication Design [43.89869891417806]
無線エッジデバイスにおけるリアルタイムコンピュータビジョン(CV)アプリケーションは、エネルギー効率とプライバシ保護の学習を必要とする。
信頼できない無線ネットワーク上でのリアルタイムCVのための超エネルギー効率FLフレームワークであるFedDPQを提案する。
論文 参考訳（メタデータ） (2025-08-03T13:05:11Z) - ecoBLE: A Low-Computation Energy Consumption Prediction Framework for
Bluetooth Low Energy [9.516475567386768]
Bluetooth Low Energy (BLE) はモノのインターネット(IoT)アプリケーションのためのデファクト技術であり、非常に低エネルギー消費を約束している。
本稿では,Long Short-Term Memory Projection (LSTMP)ベースのBLEエネルギー消費予測フレームワークを提案する。
提案手法は, 平均絶対パーセンテージ誤差 (MAPE) を最大12%とすることで, 異なるBLEノードのエネルギー消費を予測する。
論文 参考訳（メタデータ） (2023-08-02T13:04:23Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳（メタデータ） (2023-06-25T13:10:38Z) - Energy Loss Prediction in IoT Energy Services [0.43012765978447565]
クラウドソース型エネルギーサービスを共有する際のエネルギー損失を推定する新しいエネルギー損失予測フレームワークを提案する。
我々は,IoTデバイスのバッテリレベルを予測する新しいアテンションベースのアルゴリズムであるEaseformerを提案する。
提案手法の有効性と有効性を示すための一連の実験を行った。
論文 参考訳（メタデータ） (2023-05-16T09:07:08Z) - 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) - Memory-Aware Partitioning of Machine Learning Applications for Optimal
Energy Use in Batteryless Systems [17.072240411944914]
電池レスアプリケーションの総エネルギーコストを最適化する自動化手法であるJulinningを提案する。
本手法では, エネルギー負荷を0.12%に抑えながら, 必要なエネルギー貯蔵量を94%以上削減できる。
論文 参考訳（メタデータ） (2021-08-05T09:49:42Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳（メタデータ） (2021-03-18T16:04:42Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - 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)
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。