論文の概要: Energy Efficiency in Microservice Architectures: A Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2608.04070v1
- Date: Tue, 04 Aug 2026 15:52:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.539787
- Title: Energy Efficiency in Microservice Architectures: A Systematic Literature Review
- Title（参考訳）: マイクロサービスアーキテクチャにおけるエネルギー効率
- Authors: Eoan O'Dea, Roberta Capuano, Paris Avgeriou, Henry Muccini,
- Abstract要約: 本研究では, エネルギー効率の考慮方法, 測定方法, アーキテクチャ・ソリューションの提案について検討する。
キッチェンハムのガイドラインに従って系統的な文献レビューを行い、4つの主要なデジタル図書館の出版物を審査する。
測定プラクティスは大部分がインフラストラクチャ指向であり、モデルベースの推定と粗い粒度の監視に依存しています。
- 参考スコア（独自算出の注目度）: 2.303248039875522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context. Microservice architectures are widely adopted for building scalable cloud-native systems, enabling independent deployment, fine-grained service composition, and operational elasticity. Problem. Despite growing interest in sustainable software, research on energy efficiency in microservices spans operational, infrastructural, and architectural perspectives, but these are typically addressed in isolation. Existing studies focus on optimisation techniques or measurement approaches, with limited synthesis of how energy efficiency is considered, measured, and addressed at the architectural level. Goal. This study synthesises research on energy-efficient microservices by examining where energy efficiency is considered, how it is measured, and which architectural solutions have been proposed. Method. We conduct a systematic literature review following Kitchenham's guidelines, screening publications from four major digital libraries through a six-stage process with backward and forward snowballing, resulting in 40 primary studies. Results. Energy efficiency is predominantly addressed at runtime through monitoring, scheduling, and resource management, while design-time integration remains limited. Measurement practices are largely infrastructure-oriented and rely on model-based estimation and coarse-grained monitoring. Conclusion. Energy efficiency in microservices is primarily treated as an operational optimisation problem rather than a lifecycle-spanning architectural concern, highlighting the need for earlier architectural integration and improved measurement practices.
- Abstract（参考訳）: コンテキスト。
マイクロサービスアーキテクチャは、スケーラブルなクラウドネイティブシステムの構築に広く採用されており、独立デプロイメント、きめ細かいサービス構成、運用の弾力性を実現している。
問題。
持続可能なソフトウェアへの関心が高まっているにもかかわらず、マイクロサービスのエネルギー効率の研究は運用、インフラ、アーキテクチャの観点にまたがっている。
既存の研究では、エネルギー効率がどのように考慮され、測定され、アーキテクチャレベルで対処されるかの限定的な合成によって、最適化技術や測定アプローチに焦点が当てられている。
ゴール。
本研究は, エネルギー効率の考慮方法, 測定方法, アーキテクチャソリューションの提案等により, エネルギー効率の高いマイクロサービスの研究を合成する。
方法。
キッシェナムのガイドラインに従って系統的な文献レビューを行い、4つの主要デジタル図書館からの出版物を、後方と前方の雪玉による6段階のプロセスで審査し、40の初等研究を行った。
結果。
エネルギー効率は、主に監視、スケジューリング、リソース管理を通じて実行時に対処されるが、設計時統合は依然として限られている。
測定プラクティスは大部分がインフラストラクチャ指向であり、モデルベースの推定と粗い粒度の監視に依存しています。
結論。
マイクロサービスのエネルギー効率は、ライフサイクルを拡大するアーキテクチャ上の問題ではなく、運用上の最適化の問題として扱われ、初期のアーキテクチャ統合の必要性と測定プラクティスの改善を強調している。
関連論文リスト
- A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。
また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。
この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
論文 参考訳（メタデータ） (2026-07-10T04:02:22Z) - An Empirical Study on How Architectural Topology Affects Microservice Performance and Energy Usage [0.0]
本研究では, トポロジがエネルギー効率および6つの標準領域における性能に与える影響を定量的に検討した。
確率的および並列ファンアウトは、密度の強い負荷下で最もエネルギー効率のよいものとして出現する。
論文 参考訳（メタデータ） (2026-03-31T17:14:41Z) - Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。
我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
論文 参考訳（メタデータ） (2026-03-31T13:29:20Z) - Sustainable Code Generation Using Large Language Models: A Systematic Literature Review [20.12025491042057]
大規模言語モデル(LLM)は、コードの生成、完成、翻訳、修正に広く使われている。
本稿では,LLMが生成するコードの持続可能性に関する既存研究について検討する。
論文 参考訳（メタデータ） (2026-03-01T08:32:36Z) - Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。
このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。
以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
論文 参考訳（メタデータ） (2025-05-12T14:05:23Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Architectural Tactics to Improve the Environmental Sustainability of Microservices: A Rapid Review [0.0]
この素早いレビューは、22のピアレビュー研究を集め、システムの環境持続可能性を改善するためのアーキテクチャ戦略を合成する。
動作可能な方法で提示され、持続可能性の側面と状況に応じて分類される6つの戦術をリストアップする。
論文 参考訳（メタデータ） (2024-07-19T22:44:58Z) - Towards Coarse-to-Fine Evaluation of Inference Efficiency for Large Language Models [95.96734086126469]
大規模言語モデル(LLM)は、ユーザが仕事を達成するのを助けるアシスタントとして機能し、高度なアプリケーションの開発をサポートする。
LLMの幅広い応用にとって、推論効率は重要な問題であり、既存の研究で広く研究されている。
各種コードライブラリの推論性能の粗大な解析を行う。
論文 参考訳（メタデータ） (2024-04-17T15:57:50Z) - Comparison of Static Analysis Architecture Recovery Tools for
Microservice Applications [43.358953895199264]
マイクロサービスアプリケーションのための静的解析アーキテクチャ回復ツールを,マルチボーカルな文献レビューを通じて同定する。
次に、共通データセット上でそれらを実行し、アーキテクチャ回復における測定された有効性を比較する。
論文 参考訳（メタデータ） (2024-03-11T17:26:51Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z)
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。