論文の概要: Joule-Profiler: Profiling the Energy Consumption of Build Automation Tools Made Easy
- arxiv url: http://arxiv.org/abs/2609.31228v1
- Date: Fri, 25 Sep 2026 13:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.403021
- Title: Joule-Profiler: Profiling the Energy Consumption of Build Automation Tools Made Easy
- Title（参考訳）: Joule-Profiler: ビルド自動化ツールのエネルギー消費のプロファイリング
- Abstract要約: Joule-ProfilerはLinux用のオープンソースツールで、Intel RAPL(CPU)、NVML(NVIDIA GPU)を介してハードウェアのエネルギー消費を測定する。
本稿では、Google Gsonを使ってMavenビルドパイプラインのコンテキストでJoule-Profilerを実演する。
- 参考スコア（独自算出の注目度）: 0.3186130813218338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Build pipelines are integral to modern software development, yet their energy footprint remains largely invisible to practitioners. Existing CI energy tools either rely on model-based estimation (due to hardware access restrictions in cloud runners) or report only total pipeline energy without decomposing it into meaningful phases. Joule-Profiler is an open-source command-line tool for Linux that measures hardware energy consumption via Intel RAPL (CPU), NVML (NVIDIA GPU), and attributes it to user-defined program phases by monitoring standard output. In this tool paper, we demonstrate Joule-Profiler in the context of Maven build pipelines using Google Gson as a case study. By applying a token pattern-matching Maven plugin invocations, we analyze builds across the 5 most recent Gson releases into per-phase energy profiles, comparing cold builds (empty local repository) and warm builds (cached dependencies).
- Abstract（参考訳）: ビルドパイプラインは現代のソフトウェア開発に不可欠なものですが、そのエネルギーフットプリントは実践者にとってほとんど見えません。
既存のCIエネルギツールは、モデルベースの見積(クラウドランナのハードウェアアクセス制限のため)に依存するか、あるいは、意味のあるフェーズに分解することなく、パイプライン全体のエネルギを報告します。
Joule-ProfilerはLinux用のオープンソースのコマンドラインツールで、Intel RAPL(CPU)、NVML(NVIDIA GPU)を介してハードウェアのエネルギー消費を測定し、標準出力を監視してユーザ定義プログラムフェーズに属性付けする。
本稿では、Google Gsonをケーススタディとして、MavenビルドパイプラインのコンテキストでJoule-Profilerを実演する。
トークンパターンにマッチするMavenプラグインの呼び出しを適用することで、最新の5つのGsonリリースのビルドをフェーズごとのエネルギープロファイルに分析し、コールドビルド(空のローカルリポジトリ)とウォームビルド(キャッシュされた依存関係)を比較します。
関連論文リスト
- RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents [53.51359930826217]
真のデジタルワークには、端から端まで積み重ねるのではなく、両方をインターリーブする必要があります。
インターフェースを探索し、ソフトウェアを実装し、それらのアーティファクトを実行し、視覚的に検証するタイミングを自律的に決定するハイブリッドCUAについて研究する。
レクリエーションを中心に構築された5プラットフォームフレームワークであるRecreationWorldを紹介します。
論文 参考訳（メタデータ） (2026-09-18T17:00:56Z) - CodeGreen: Towards Improving Precision and Portability in Software Energy Measurement [2.3228733137875524]
計測からインスツルメンテーションを分離するモジュール式エネルギー測定プラットフォームであるCodeGreenを紹介する。
ハードウェアセンサを独立してポーリングするNative Energy Measurement Backend (NEMB)を実装した。
CodeGreenは、Tree-sitter ASTクエリを活用して、Python、C++、C、Javaにまたがる自動インスツルメンテーションを実現している。
論文 参考訳（メタデータ） (2026-03-18T17:01:12Z) - PPTAM$η$: Energy Aware CI/CD Pipeline for Container Based Applications [47.84270304529455]
PPTAM$$は、コンテナ化されたAPIシステムのためのGitLab CIに電力とエネルギーの測定を統合する自動化パイプラインである。
このパイプラインは、開発者にエネルギを可視化し、テストエンジニアのバージョン比較をサポートし、研究者のトレンド分析を可能にする。
論文 参考訳（メタデータ） (2026-02-12T15:38:35Z) - ELANA: A Simple Energy and Latency Analyzer for LLMs [22.94945303866081]
我々は,大規模な言語モデルを評価するための簡単なプロファイリングツールである textbfELANA をオープンソース化した。
Elanaは、モデルサイズ、キー値(KV)キャッシュサイズ、プレフィル遅延を分析するための軽量で学術的フレンドリなプロファイラとして設計されている。
Hugging Faceで利用可能なすべてのモデルをサポートし、簡単なコマンドラインインターフェースとオプションのエネルギー消費ログを提供する。
論文 参考訳（メタデータ） (2025-12-07T18:43:47Z) - ARENA: A tool for measuring and analysing the energy efficiency of Android apps [0.8883733362171031]
Androidアプリのエネルギー消費は、ソフトウェアベースのアプローチとハードウェアベースのアプローチによって推定できる。
ARENAは開発者や研究者が物理的測定装置に接続できる支援ツールである。
論文 参考訳（メタデータ） (2025-10-02T07:41:38Z) - PIPer: On-Device Environment Setup via Online Reinforcement Learning [74.52354321028493]
自動化された環境設定メソッドは、任意のリポジトリに対して、手作業なしで完全に構成された環境を提供することで、開発者を支援することができる。
近年の研究では、最先端のLarge Language Models (LLMs) でさえ、このタスクの自動化に限られた成功をおさめていることが明らかになっている。
我々は、正しいスクリプトを生成するための教師付き微調整と、環境設定のタスクに適応するために、Reinforcement Learning with Verifiable Rewards(RLVR)を組み合わせる。
EnvBench-Python では,より大型の Qwen3-32B や GPT-4 と同等に動作可能な Qwen3-8B (コンシューマハードウェア上で動作可能なモデル) を実現する。
論文 参考訳（メタデータ） (2025-09-29T20:03:05Z) - EnvBench: A Benchmark for Automated Environment Setup [76.02998475135824]
大規模言語モデルにより、研究者はソフトウェア工学領域における実用的なリポジトリレベルのタスクに集中できるようになった。
環境設定に関する既存の研究は革新的なエージェント戦略を導入しているが、その評価は小さなデータセットに基づいていることが多い。
このギャップに対処するため、包括的環境設定ベンチマークEnvBenchを紹介します。
論文 参考訳（メタデータ） (2025-03-18T17:19:12Z) - CPPJoules: An Energy Measurement Tool for C++ [3.9373541926236766]
CPPJoulesはIntel-RAPL上に構築されたC++コードスニペットのエネルギー消費を測定するツールである。
我々は,Rosetta Codeレポジトリから標準計算タスクのエネルギー消費を測定することで,ツールの評価を行った。
論文 参考訳（メタデータ） (2024-12-18T07:11:56Z) - ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world
APIs [104.37772295581088]
オープンソースの大規模言語モデル(LLM)、例えばLLaMAは、ツール使用能力に大きく制限されている。
データ構築、モデルトレーニング、評価を含む汎用ツールであるToolLLMを紹介する。
ツール使用のためのインストラクションチューニングフレームワークであるToolBenchを,ChatGPTを使って自動構築する。
論文 参考訳（メタデータ） (2023-07-31T15:56:53Z)
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。