Towards Management of Energy Consumption in HPC Systems with Fault Tolerance
高性能计算不断提高其计算能力和能源效率。然而，能源消耗持续上升，找到限制和/或减少能源消耗的方法是当前研究的关键点。对于高性能MPI应用程序，存在基于回滚恢复的容错方法，例如不协调的检查点。这些方法只允许一些进程在遇到故障时返回，而其余的进程继续运行。在这篇文章中，我们专注于继续执行的进程，并提出了一系列的策略来管理能源消耗时，发生故障和不协调的检查点使用。我们提出了一个能量模型来评估策略，并通过仿真分析了应用程序在不同配置和故障时间下的行为。因此，我们展示了在HPC系统中存在故障时提高能效的可行性。
2021-08-17 cs.DC
Low-resource domain adaptation while minimizing energy and hardware resource consumption
FAMAF, Universidad Nacional de Córdoba（科罗纳大学福马夫学院）；CONICET, Argentina（阿根廷国家科学与技术委员会）
针对大语言模型领域适配计算成本高、低资源场景难落地的问题，研究评估不同数值精度与数据并行策略对训练速度和准确率的影响，助力低资源环境下的高效领域适配。
2025-06-11 cs.CL cs.DC cs.LG
Modeling and analyzing performance for highly optimized propagation steps of the lattice Boltzmann method on sparse lattices
计算流体动力学（CFD）需要在当代大规模并行计算机上进行大量的计算周期。因此，性能优化是计算科学这一领域的一个关键活动。它不仅缩短了解决问题的时间，而且还可以最大限度地减少能源消耗。在这项工作中，我们研究性能优化的MPI并行格子Boltzmann为基础的流量求解器，使用间接寻址的稀疏晶格表示。首先，我们描述如何可以最大限度地减少这种间接寻址，以提高单核和芯片级性能。第二，通过适当的分区减少了通信开销，但保持了单核性能的提高。这两种优化都允许以最小的能耗在操作点运行求解器。
2015-12-23 cs.DC
Minimizing Total Busy Time for Energy-Aware Virtual Machine Allocation Problems
针对云计算环境下虚拟机资源多、间隔时间固定、虚拟机不可抢占等特点，研究了具有能量感知的虚拟机资源分配问题。许多以前的工作都建议使用最少数量的物理机，然而，这并不一定是在具有多个资源、固定间隔时间和非抢占的虚拟机放置中最小化总能耗的好解决方案。我们观察到，最小化所有物理机的总繁忙时间之和意味着最小化物理机的总能耗。此外，如果虚拟机到物理机的映射具有相同的总繁忙时间，则最佳映射使物理机的剩余可用资源最小化。基于这些观察，我们提出了基于经验的EM算法来解决具有固定开始时间和持续时间的能量感知的VM分配。此外，本文还研究了一些用于对虚拟机列表进行排序的算法（例如，按最早开始时间、或最晚结束时间、或最长持续时间等排序）分配VM。我们使用CloudSim工具包和Feitelson的并行工作负载存档中的作业日志跟踪来评估EM。仿真结果表明，EM-ST，EM-LFT和EM-LDTF算法可以减少总的能量消耗相比，最先进的功率感知的VM分配算法。(e.g.功率感知最佳拟合递减（PABFD）[7]））。
2015-11-21 cs.DC cs.PF
Minimizing Energy in Reliability and Deadline-Ensured Workflow Scheduling in Cloud
针对云环境中工作流调度的能耗最小化问题，提出基于最大扇出比的自适应静态调度和基于滚动时域的动态调度方法，在满足可靠性和截止期限约束下显著降低能耗，静态方法平均优于SOTA达70%，动态方法在无截止期限场景提升82%。
2025-05-22 cs.DC
Time-varying Mixing Matrix Design for Energy-efficient Decentralized Federated Learning
研究针对无线网络中分散式联邦学习，设计混合矩阵以最小化节点最大能耗。基于新收敛定理提出多阶段设计框架，权衡能耗与收敛速度，平衡节点能耗，经真实数据评估验证了该方案结合稀疏与密集矩阵优势的有效性。
2026-07-20 cs.DC cs.LG math.OC
Energy hardware and workload aware job scheduling towards interconnected HPC environments
新的HPC机器正在接近艾级。这些机器的功耗一直在增加，研究人员正在研究降低功耗的方法。第二个趋势是HPC机器越来越复杂，越来越多的异构硬件组件和不同的集群架构在同一台机器中协作。我们将这些环境称为异构多集群环境。为了在这些环境中优化性能和能耗，本文提出了一种能量感知的多集群（EAMC）作业调度策略。EAMC策略能够通过预测不同硬件架构和处理器频率下到达作业的性能和能耗来优化作业的调度和放置，从而减少工作负载的能耗、完工时间和响应时间。该策略为每个作业-资源组合分配不同的优先级，以便优先考虑效率最高的作业-资源组合，而效率较低的作业-资源组合仍然在可变程度上被考虑，从而减少响应时间并提高集群利用率。我们在Slurm中实现了EAMC策略，并评估了两个CPU集群在同一台机器上协作的场景。模拟工作负载运行的应用程序从现实世界中建模显示，响应时间和完工时间减少了25%和6%，同时节省了高达20%的总能源消耗相比，最大限度地减少运行时间的政策，并通过49%，26%，和6%相比，最小限度地减少能源。
2021-06-22 cs.DC
An energy-efficient scheduling algorithm for shared facility supercomputer centers
高性能计算的发展与能源消耗的增长有关。集群计算的性能（通过提高性能和使用的处理器、GPU和协处理器的数量来提高）。计算元件数量的增加导致能量消耗的显著增长。超级计算机中心（SCC）的电网限制正在推动向更节能的解决方案过渡。计算资源的升级通常是逐步完成的，即旧超级计算机的部分被从服务中删除，并被新的超级计算机取代。单个SCC在任何时候都可以操作具有不同性能和功耗的多个计算系统。这就是为什么在SCC资源上调度并行程序执行以优化能耗并最小化执行时间的增加（节能调度）的问题是重要的。所提出的工作的目标是在SCC调度计算资源的一个新的节能算法的发展。为了达到这一目标，作者分析了在共享设施中调度计算资源的方法，包括能量消耗最小化方法。该研究使得有可能制定一组CC的节能调度问题，并提出了一种算法，其解决方案。NPB基准测试的实验允许实现显着降低能耗与运行时间的小幅增加。
2021-11-17 cs.DC
Reducing energy consumption of cloud data centers using proper placement of virtual machines
本文针对云数据中心虚拟机放置问题，提出基于学习自动机的强化学习方法，以最小化能耗和资源浪费，仿真验证了其有效性。
2023-11-07 cs.DC cs.NI
Analytic Roofline Modeling and Energy Analysis of LULESH Proxy Application on Multi-Core Clusters
该研究针对ICL和SPR CPU集群上的LULESH代理应用，构建Roofline模型分析性能，对比OpenMP与MPI实现差异，量化多因素对能耗的影响并给出内存受限场景的节能方向。
2024-12-11 cs.DC cs.PF
Optimizing Sensor Node Localization for Achieving Sustainable Smart Agriculture System Connectivity
Arab Academy for Science, Technology and Maritime Transport（阿拉伯科学、技术和海洋运输学院）
本文提出了一种基于梯度迭代与拉格朗日方法的传感器分配优化方法，以提高智能农业系统中传感器的覆盖效率和网络性能。
2025-12-16 cs.DC cs.SY eess.SY
BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT
East China Normal University（华东师范大学）
针对移动边缘物联网联邦学习中的设备能耗不均问题，提出BEFL框架，联合优化资源分配、启发式客户端选择及模仿与强化学习，提升精度并显著降低能耗方差和总能耗。
2024-12-05 cs.DC cs.LG
Scheduling Algorithms for Federated Learning with Minimal Energy Consumption
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）；Inria（法国国家信息与自动化研究所）；LaBRI（波尔多计算机科学实验室）
联邦学习（FL）为在异构移动或边缘设备上协作训练机器学习模型提供了机会，同时保持本地数据的私密性。随着其采用的增加，越来越多的人关注其经济和环境成本（对于其他机器学习技术也是如此）。不幸的是，由于能量最小化通常被作为次要目标，所以很少有人做工作来优化其能量消耗或二氧化碳或等效物的排放。在本文中，我们研究了通过控制工作负载分布来最小化异构设备上FL训练的能量消耗的问题。我们将其建模为最小成本FL调度问题，这是一个总成本最小化问题，具有相同的，独立的，和原子任务，必须分配给异构资源与任意成本函数。我们提出了一个伪多项式最优解决方案的问题的基础上，以前未探索的多选择最小值-费用最大背包包装问题。我们还提供了四个算法的情况下，成本函数单调增加，并遵循相同的行为。这些解决方案同样适用于其他类型的成本最小化，并在其他一维数据划分问题。
2022-09-13 cs.AI cs.DC cs.DS
Towards Energy Consumption Verification via Static Analysis
在本文中，我们利用现有的一般框架资源使用验证和专门验证嵌入式程序的能耗规格。这样的规范可以包括能量使用的下限和上限，并且它们可以表示能量使用被证明在这样的界限内的间隔。区间的界限通常可以作为输入数据大小的函数给出。我们的验证系统可以证明是否符合此类能源使用规范。它还可以推断出这些规范所适用的特定条件。为此，这些条件也被表示为输入数据大小的函数的区间，使得给定的规范对于某些区间可以被证明，而对于其他区间可以被证伪。规范本身还可以包括表示输入数据大小的间隔的先决条件。我们报告的XC语言和XS 1-L架构的CiaoPP系统内的方法的原型实现，并举例说明嵌入式软件开发人员可以如何使用这个工具，特别是确定值的程序参数，确保满足给定的能源预算，同时最大限度地减少损失的服务质量。
2015-12-31 cs.DC cs.LO cs.PL
Energy-aware scheduling under reliability and makespan constraints
我们考虑映射到一组同构处理器上的任务图。我们的目标是最大限度地减少能源消耗，同时执行两个约束：一个规定的执行时间（或完工时间）的界限，和可靠性阈值。动态电压和频率缩放（DVFS）是一种经常用于减少调度的能量消耗的方法，但是为了节省能量而减慢任务的执行降低了执行的可靠性。在这项工作中，为了提高可靠性的时间表，同时减少能源消耗，我们允许重新执行一些任务。我们评估的三个标准调度问题（完工时间，可靠性，能源）的复杂性，决定哪些任务重新执行，并在每个任务的执行速度应该做的，有两种不同的速度模型：处理器可以有任意的速度（连续模型），或处理器可以运行在一个有限数量的不同的速度，并在计算过程中改变其速度（VDD模型）。我们提出了几个新的三标准调度算法下的连续速度模型，我们通过一组模拟评估。这两个最好的物流是非常有效和互补的。
2012-08-02 cs.DC cs.DS
An Efficient Mechanism for Computation Offloading in Mobile-Edge Computing
移动边缘计算（MEC）是一种很有前途的技术，可以在移动用户附近提供云和IT服务。随着移动应用的不断增加，移动设备（MD）遇到了其资源的限制，如电池寿命和计算能力。MEC中的计算卸载可以帮助移动用户减少电池使用并加快任务执行。虽然MEC中存在许多用于卸载的解决方案，但大多数通常仅采用一个MEC服务器以改善移动终端能量消耗和执行时间。与传统的集中式优化方法不同，本文考虑了MEC服务器和用户之间的分散式优化机制。特别是，分配机制称为学校选择，以协助异构用户选择不同的MEC运营商在分布式环境中。通过这种机制，每个用户都可以从最小化执行任务的价格和能耗中受益，同时满足指定的截止日期。本研究设计了一种有效的机制，计算卸载计划，实现最小的价格和能源消耗下的延迟约束。数值结果表明，该算法可以实现有效的计算卸载。
2020-03-08 cs.DC cs.GT eess.SP
Performance and Energy-Aware Bi-objective Tasks Scheduling for Cloud Data Centers
United Arab Emirates University（阿联酋大学）；College of Information Technology（信息技术学院）；National Water and Energy Center（国家水与能源中心）
云计算允许远程执行用户任务。云计算在智慧城市服务和应用中的普遍采用要求及时执行符合服务质量（QoS）的任务。然而，计算服务器的日益增加的使用加剧了高能耗、运营成本和环境污染的问题。最大限度地提高云数据中心的性能并最大限度地降低能耗是一项挑战。在本文中，我们提出了一个性能和能量优化的双目标算法来权衡矛盾的性能和能量目标。首次提出了一种基于进化算法的多目标优化方法。在云计算环境中使用真实的云数据集来评估所提出的模型的性能。我们的实验结果实现了更高的性能和更低的能耗相比，最先进的算法。
2021-04-25 cs.AI cs.DC cs.NE
