論文の概要: Profiling the Energy Consumption of Serverless Functions with Joule Profiler

• arxiv url: http://arxiv.org/abs/2609.37531v1
• Date: Tue, 29 Sep 2026 13:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.538449
• Title: Profiling the Energy Consumption of Serverless Functions with Joule Profiler
• Title（参考訳）: ジュールプロファイラを用いたサーバレス関数のエネルギー消費のプロファイリング
• Abstract要約: 本稿では、サーバレスプラットフォームにデプロイ可能なサーバレス関数のエネルギー効率を実証研究する。 この結果から,まずプログラミング言語,次に言語ランタイム,それから実行環境のみを選択することが示唆された。
• 参考スコア（独自算出の注目度）: 0.9297648059011955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud providers and customers have widely adopted serverless computing as a convenient paradigm for deploying and executing functions on demand. To do so, serverless platforms require provisioning an appropriate execution environment before a single line of the function's code runs. These environments consist of several layers, such as container engines, hypervisors, unikernels, and programming language runtimes. While the literature has investigated the performance of these serverless platforms, it treats functions as black boxes, and the community lacks key insights into the environmental impacts of packaging applications as serverless functions. This paper therefore empirically studies the energy efficiency of serverless functions deployable on serverless platforms. We design an experimental benchmarking environment that lets stakeholders explore the impacts of the various layers involved in executing serverless functions. We use it to evaluate 1,401 configurations, combining 9 execution environments, 7 language-runtime configurations, 11 workloads, and 3 input sizes, to answer three research questions: Are the most popular programming languages for serverless functions the most energy-efficient? What factors most affect their energy efficiency? What are the most energy-efficient configurations to deploy them? Our results show that one should first choose the programming language, then the language runtime, and only then the execution environment, which matters only for short-lived functions and whose best choice depends on the runtime. Our benchmarking environment, experimental artifacts, raw measurements, and analysis code are publicly available.
• Abstract（参考訳）: クラウドプロバイダと顧客は、必要に応じて関数をデプロイおよび実行するための便利なパラダイムとして、サーバレスコンピューティングを広く採用している。 そのためには、関数のコードの1行が実行される前に、サーバレスプラットフォームが適切な実行環境をプロビジョニングする必要がある。 これらの環境は、コンテナエンジン、ハイパーバイザ、ユニカーネル、プログラミング言語ランタイムなど、いくつかのレイヤで構成されている。 文献ではこれらのサーバレスプラットフォームのパフォーマンスを調査しているが、機能についてはブラックボックスとして扱うとともに、パッケージングアプリケーションの環境影響をサーバレス機能として認識する上で、コミュニティには重要な洞察が欠けている。 そこで本稿では,サーバレスプラットフォーム上にデプロイ可能なサーバレス関数のエネルギー効率を実証的に検討する。 我々は、サーバーレス機能の実行に関わるさまざまなレイヤの影響をステークホルダーが調査できる実験的なベンチマーク環境を設計する。 9つの実行環境、7つの言語ランタイム構成、11のワークロード、3つの入力サイズを組み合わせた1,401構成の評価に使用しています。 エネルギー効率に最も影響を与える要因は何か。 デプロイする上で最もエネルギー効率の良い構成は何か? 我々の結果は、まずプログラミング言語を選択し、次に言語ランタイムを選択し、それから実行環境だけを選択することを示します。 ベンチマーク環境、実験成果物、生計測、分析コードなどが公開されています。

関連論文リスト

• Optimizing OpenFaaS on Kubernetes: Comparative Analysis of Language Runtimes and Cluster Distributions [0.0]
  サーバーレスコンピューティングは、インフラ管理を抽象化し、動的リソース割り当てを可能にすることによって、クラウドコンピューティングに革命をもたらした。 本稿では,Kubeadm,K3s,MicroK8s,K0sなど,さまざまなディストリビューションにデプロイされたOpenFの性能と互換性について検討する。 本研究では、Python、Go、Node.jsプログラミング言語がOpenF対応関数のパフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2026-04-07T06:38:29Z)
• Environment-Aware Code Generation: How far are We? [52.69113158357018]
  大規模言語モデル(LLM)がユーザの特定の環境に適した実行可能コードを確実に生成できるかどうかは不明である。 本稿では,環境対応コード生成(EACG)の最初の体系的研究について述べる。 その結果,現在のLLMは環境固有のコード生成に苦しむ一方で,環境の適合性や実行性も向上していることがわかった。
  論文  参考訳（メタデータ） (2026-01-18T04:58:15Z)
• SlsReuse: LLM-Powered Serverless Function Reuse [0.0]
  本稿では、サーバーレス関数の再利用のための最初のLLMフレームワークであるSlsReuseについて述べる。 効果的なプロンプトエンジニアリングを通じて、不均一関数の統一意味強調表現を学ぶ。 最も代表的なLCMの一つであるChatGPT-4o上に構築されたSlsReuseはRecall@10の91.20%を達成し、最先端のベースラインを24.53ポイント上回っている。
  論文  参考訳（メタデータ） (2025-11-21T14:08:12Z)
• Insights into resource utilization of code small language models serving with runtime engines and execution providers [11.998900897003997]
  言語モデルの急速な成長、特にコード生成は、かなりの計算資源を必要とする。 小言語モデル(SLM)は、リソース要求を減らすための有望なソリューションを提供する。 私たちの目標は、ランタイムエンジンと実行プロバイダの組み合わせとして定義されたディープラーニングサービス構成がリソース利用に与える影響を分析することです。
  論文  参考訳（メタデータ） (2024-12-19T22:44:02Z)
• SeBS-Flow: Benchmarking Serverless Cloud Function Workflows [51.4200085836966]
  本稿では、最初のサーバーレスワークフローベンチマークスイートSeBS-Flowを提案する。 SeBS-Flowには6つの実世界のアプリケーションベンチマークと、異なる計算パターンを表す4つのマイクロベンチマークが含まれている。 当社では,パフォーマンス,コスト,スケーラビリティ,ランタイムの偏差など,3つの主要なクラウドプラットフォームに関する包括的な評価を実施しています。
  論文  参考訳（メタデータ） (2024-10-04T14:52:18Z)
• 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)
• SCOPE: Performance Testing for Serverless Computing [16.9571718076286]
  我々は、サーバーレスコンピューティング指向のパフォーマンステストにおける最初のアプローチであるSCOPEを提案する。 SCOPEは97.25%の精度、33.83ポイントの試験結果を提供する。
  論文  参考訳（メタデータ） (2023-06-02T15:29:28Z)
• Unveiling Overlooked Performance Variance in Serverless Computing [13.408015381602226]
  この研究は、ソフトウェアエンジニアリングにおけるよく知られたパフォーマンス分散問題に対するサーバーレスコンピューティングコミュニティの認識の欠如を浮き彫りにしている。 この結果から、これらのサーバレス関数のパフォーマンスは、異なる実行毎に最大338.76%異なる可能性があることが判明した。 我々の研究は、ソフトウェアエンジニアリングにおけるよく知られたパフォーマンス分散問題に対するサーバーレスコンピューティングコミュニティの認識の欠如を強調している。
  論文  参考訳（メタデータ） (2023-05-07T15:32:16Z)

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。