論文の概要: When Do Microservices Save Energy? Evidence from Environmental Simulation Workflows
- arxiv url: http://arxiv.org/abs/2608.18376v1
- Date: Tue, 18 Aug 2026 23:11:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.232196
- Title: When Do Microservices Save Energy? Evidence from Environmental Simulation Workflows
- Title（参考訳）: マイクロサービスはいつエネルギーを節約するのか? 環境シミュレーションワークフローからの証拠
- Authors: Joshua Rowley, Abdessalam Elhabbash,
- Abstract要約: 本稿では,4つの環境モデルをコンテナ化マイクロサービスとして評価し,モノリシック実行とポーリングベースおよびイベント駆動オーケストレーションを比較した。
その結果,コーディネーションのオーバーヘッドが支配的な,小型あるいは密結合モデルにおけるエネルギー消費の増加が示唆された。
より大きなワークフローでは、イベント駆動オーケストレーションは、実行時間が長いにもかかわらずエネルギー使用量を削減し、選択的な下流再実行は、繰り返し探索中に41%の削減を達成する。
- 参考スコア（独自算出の注目度）: 0.12031796234206132
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Environmental simulation models support scenario analysis, calibration, and decision-making, but repeated execution can incur significant energy costs. Microservices offer modularity and scalability, yet their low-carbon impact remains unclear because decomposition introduces orchestration, communication, persistence, and idle-service overheads. This paper evaluates four environmental models as containerised microservice workflows, comparing monolithic execution with polling-based and event-driven orchestration. Results show that microservices increase energy consumption for smaller or tightly coupled models, where coordination overhead dominates. For a larger workflow, event-driven orchestration reduces energy use despite longer runtime, while selective downstream re-execution achieves a 41% reduction during repeated parameter exploration.
- Abstract（参考訳）: 環境シミュレーションモデルはシナリオ分析、キャリブレーション、意思決定をサポートするが、繰り返し実行されるとかなりのエネルギーコストが発生する。
マイクロサービスはモジュール化とスケーラビリティを提供するが、その低炭素の影響は、オーケストレーション、通信、永続性、アイドルサービスオーバーヘッドを導入しているため、依然として不明である。
本稿では,4つの環境モデルをコンテナ化されたマイクロサービスワークフローとして評価し,モノリシックな実行とポーリングベースおよびイベント駆動オーケストレーションを比較した。
その結果、マイクロサービスは、コーディネーションのオーバーヘッドが支配される小さなモデルやタイトな結合モデルにおいて、エネルギー消費を増加させることが示された。
より大きなワークフローでは、イベント駆動オーケストレーションは、実行時間が長いにもかかわらずエネルギー使用量を削減し、選択的な下流再実行は、繰り返しパラメータ探索中に41%の削減を達成する。
関連論文リスト
- Energy Efficiency in Microservice Architectures: A Systematic Literature Review [2.303248039875522]
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。
論文 参考訳（メタデータ） (2026-08-04T15:52:04Z) - Spanergy: Energy-aware Distributed Tracing for Microservices [0.0]
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。
論文 参考訳（メタデータ） (2026-07-27T17:15:29Z) - Energy-Structured Low-Rank Adaptation for Continual Learning [78.5390284258307]
textbfEnergy-Concentrated and textbfEnergy-Ordered textbfLow-textbfRank textbfAdaptation (E$2$-LoRA)を提案する。
E$2$-LoRAは、知識を明示的に順序付けして上位のランクに集約することにより、その後のタスクの容量を解放する。
論文 参考訳（メタデータ） (2026-05-26T12:55:02Z) - 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) - EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。
ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。
本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
論文 参考訳（メタデータ） (2025-09-16T03:00:13Z) - CEGI: Measuring the trade-off between efficiency and carbon emissions for SLMs and VLMs [0.0]
本稿では,Small Language Models(SLM)とVision Language Models(VLM)の性能解析を行う。
モデル性能と二酸化炭素排出量のトレードオフを定量化するために,CEGI(Carbon Efficient Gain Index)と呼ばれる新しい指標を導入する。
以上の結果から,大規模モデルによる精度の限界向上は,二酸化炭素排出量の大幅な増加を正当化するものではないことが示唆された。
論文 参考訳（メタデータ） (2024-12-03T17:32:47Z) - Reclaimer: A Reinforcement Learning Approach to Dynamic Resource
Allocation for Cloud Microservices [4.397680391942813]
要件を満たしながらCPUコアの割り当てを最小限に抑えるため,実行時の変更数や動作の変化に適応するディープラーニングモデルであるReclaimerを導入する。
2つのマイクロサービスベースのアプリケーションで評価すると、Reclaimerは業界標準のスケーリングソリューションと比較してCPUコアの割り当てを38.4%から74.4%に削減する。
論文 参考訳（メタデータ） (2023-04-17T01:44:05Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - 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。