Adapting Datacenter Capacity for Greener Datacenters and Grid
本研究提出PlanShare方案，通过空间和时间上扩展协调范围实现电网级全天容量规划，将数据中心碳排放减少11.6%--12.6%，优于本地在线方法。
2023-06-23 cs.DC cs.SY eess.SY
Carbon-Aware Computing for Datacenters
电网上每千瓦时排放的CO $_2$量随时间变化，并且由于发电类型而随位置变化很大。仓库规模计算机的网络集合，有时称为超大规模计算，如果不考虑碳强度的这些变化，则会排放比所需更多的碳。本文介绍了谷歌的碳智能计算管理系统，该系统通过延迟临时灵活的工作负载，积极地最大限度地减少基于电力的碳足迹和电力基础设施成本。该系统的核心组件是一套分析管道，用于收集第二天的碳强度预测，训练前一天的需求预测模型，并使用风险感知优化为Google车队中的所有数据中心集群生成第二天的碳感知虚拟容量曲线（VCC）。VCC对时间灵活的工作负载的可用资源施加了小时限制，同时保留了整体的日容量，使所有此类工作负载都能在一天内完成。运行数据显示，当电网的能源供应组合是碳密集型时，VCC有效地限制了每小时的容量，并将时间灵活的工作负载的执行延迟到“更环保”的时间。
2021-06-11 cs.DC cs.SY eess.SY
Cost-aware Duration Prediction for Software Upgrades in Datacenters
Meta
本文提出Acela框架，通过考虑不对称预测成本和选择最佳模型，提升数据中心软件升级调度效率和吞吐量，实测提升升级窗口利用率1.25倍，升级数量增加33%。
2026-05-16 cs.DC cs.LG
Sustainable Carbon-Aware and Water-Efficient LLM Scheduling in Geo-Distributed Cloud Datacenters
Colorado State University（科罗拉多州立大学）；Hewlett Packard Labs（慧与实验室）
针对LLM推理阶段的高碳排放与水资源消耗问题，提出SLIT框架，利用基于机器学习的元启发式方法跨地理分布式云数据中心协同优化服务质量、碳排放、水资源使用和能源成本。
2025-05-29 cs.AI cs.DC cs.LG
MARLIN: Multi-Agent Game-Theoretic Reinforcement Learning for Sustainable LLM Inference in Cloud Datacenters
Colorado State University（科罗拉多州立大学）；Hewlett Packard Labs（惠普实验室）
本文提出MARLIN框架，通过博弈强化学习优化LLM推理的TTFT、碳排放、用水量和能耗，实现至少18%的TTFT、33%的碳排放、43%的用水量和11%的能耗降低。
2026-05-13 cs.DC cs.LG
OpenDC-STEAM: Realistic Modeling and Systematic Exploration of Composable Techniques for Sustainable Datacenters
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文提出OpenDC-STEAM开源模拟器，通过系统探索三种代表性节能技术，分析其对数据中心运营碳排放和性能的综合影响，揭示了技术组合在减排与成本性能间的复杂权衡。
2026-03-20 cs.DC
WattScope: Non-intrusive Application-level Power Disaggregation in Datacenters
WattScope 利用服务器外部总功率测量和机器学习分解技术，非侵入式地估算数据中心内单个应用的功耗，并在生产负载上实现了通常低于10%的归一化平均绝对误差。
2023-09-22 cs.CY cs.DC cs.PF
The Sunk Carbon Fallacy: Rethinking Carbon Footprint Metrics for Effective Carbon-Aware Scheduling
本文揭示碳感知调度中纳入隐含碳排放会因沉没成本谬误反而增加总碳足迹，并通过真实数据中心案例验证，为优化本地与云数据中心调度提供指导。
2024-10-19 cs.CY cs.DC cs.ET
Dissecting the Carbon-SLO Tension in Geo-Distributed LLM Serving
The Pennsylvania State University（宾夕法尼亚州立大学）
该研究针对地理分布式LLM服务中碳减排与延迟SLO的张力，设计校准后的推理模拟器，提出多类调度器，发现MILP调度器可减碳60%且SLO违反率仅3%，明确减排与SLO的影响因素。
2026-10-14 cs.DC cs.LG cs.PF
Carbon-Aware Mapping and Scheduling for Deadline-Constrained Workflows
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；ENS Lyon（里昂高等师范学院）
针对异构数据中心中具有截止时间约束的工作流，提出结合动态规划与启发式策略的碳感知映射与调度算法CWM，在满足截止时间的前提下显著降低碳排放。
2026-05-26 cs.DC
Beyond Efficiency: Scaling AI Sustainably
FAIR at Meta（Meta FAIR实验室）
本文针对AI计算需求增长带来的碳排放问题，刻画了AI全周期碳影响，指出前沿AI技术的效率优化方向，提出需从计算基础设施全生命周期优化以实现AI可持续扩展。
2024-06-22 cs.DC cs.LG
Improving Datacenter Utilization through Containerized Service-Based Architecture
现代数据中心的计算能力已经远远超过了其中运行的应用程序，并且由于软件的架构和部署方式，已经成为开展业务的隐藏成本。资源被过度分配给一天中大部分时间处于空闲状态的单体应用程序。如果应用程序的架构和部署方式不同，则可以根据需要将共享服务用于多个应用程序。当与强大的编排软件相结合时，容器化微服务可以在瞬间将应用程序从非常小的应用程序部署和动态扩展到非常大的应用程序，不仅可以跨单个数据中心扩展应用程序，还可以跨部署应用程序的所有数据中心扩展应用程序。在本文中，我们分析了部署为单个单片代码库和使用基于微服务的架构的容器化应用程序的应用程序的数据，以计算性能和计算资源浪费都是架构和部署的。提供了一种现代方法作为解决方案，作为如何从单片代码库到更高效，可靠，可扩展和成本更低的部署模型的路径。
2022-08-30 cs.DC
Datacenter Energy Optimized Power Profiles
Nvidia（英伟达）
本文提出了一种基于Blackwell B200的新型数据中心功率配置，通过智能电源管理和领域知识优化HPC和AI工作负载，实现能耗降低和吞吐量提升。
2025-12-05 cs.DC
Coordinated Cooling and Compute Management for AI Datacenters
University of Alberta（阿尔伯塔大学）
本文提出了一种协调冷却与计算管理的方法，以提高AI数据中心的能效并减少碳排放。
2026-01-13 cs.DC cs.SY eess.SY
RARE: Renewable Energy Aware Resource Management in Datacenters
University of Virginia（弗吉尼亚大学）；Lancium Compute（兰cium计算公司）
对数字服务的需求呈指数级增长，导致数据中心大量能耗和负面环境影响。推动可持续解决方案以应对紧迫的能源和数字基础设施挑战至关重要。几家超大规模云提供商已经宣布计划使用可再生能源为其云计算中心供电。然而，将可再生能源整合到发电中心是一项挑战，因为发电是间歇性的，需要采取措施来解决电力供应的变化。手工设计特定于领域的基于机器人的机器人以满足这种复杂的动态绿色数据中心环境中的特定目标函数是耗时的、昂贵的，并且需要领域专家进行大量的调整。绿色能源企业需要智能系统和系统软件，通过智能地使计算适应可再生能源发电，来利用多种可再生能源（风能和太阳能）。我们提出了RARE（可再生能源感知资源管理），一个深度强化学习（DRL）作业调度器，自动学习有效的作业调度策略，同时不断适应供应商的复杂动态环境。由此产生的DRL调度器的性能优于启发式调度策略与不同的工作负载，并适应间歇性供电的可再生能源。我们演示了DRL调度器系统的设计参数，正确调整时，产生更好的性能。最后，我们证明了DRL调度程序可以学习和改进现有的启发式策略，使用离线学习。
2022-11-10 cs.AI cs.DC
The War of the Efficiencies: Understanding the Tension between Carbon and Energy Optimization
本文探讨了计算工作负载灵活性在能源效率与碳效率之间的权衡，指出随着电网清洁化，盲目优化能源效率不再总是降低碳排放的正确方法。
2023-06-29 cs.DC
A Framework for SLO, Carbon, and Wastewater-Aware Sustainable FaaS Cloud Platform Management
Colorado State University（科罗拉多州立大学）；Hewlett Packard Labs（惠普实验室）
本文针对FaaS云平台中SLO性能、碳排放与水资源使用的冲突，提出了一种可持续性感知的FaaS调度与扩展框架，以共同优化SLO性能、碳排放和废水生成。
2024-10-09 cs.AI cs.DC cs.LG
Generic and ML Workloads in an HPC Datacenter: Node Energy, Job Failures, and Node-Job Analysis
本研究基于国家级HPC数据中心的长期运行数据，对比分析ML与通用作业对数据中心性能、故障、能耗等的影响，得出多项关键结论并开源数据与工具，助力运维优化与系统研究。
2024-09-13 cs.AR cs.DC
Carbon-aware Software Services
针对ICT领域软件碳排放问题，提出基于Strategy设计模式的碳感知软件服务框架，通过双层优化配置服务版本，在保障输出质量的同时降低8%至50%的碳排放。
2024-05-21 cs.DC cs.SE
Orbital AI Computing: Carbon Tradeoffs Across Satellite Scale
Indiana University Bloomington（印第安纳大学伯明顿分校）
本研究扩展ESpaS框架以支持加速器感知建模，对比评估Jetson AGX Orin与DGX H100系统，发现发射排放为固定碳开销，高性能系统分摊成本后碳强度更低，凸显轨道AI计算需加速器感知基线。
2026-08-18 cs.AI cs.DC
ETCInfer: An Energy-efficient Thermal-aware Cooling-joint Scheduler for LLM Inference in AI Datacenters
The Hong Kong Polytechnic University（香港理工大学）；Hong Kong University of Science and Technology（香港科技大学）；University of Macau（澳门大学）；Wuhan University（武汉大学）
ETCInfer提出一种热感知冷却-计算联合调度器，通过设定点、频率和微批的联合优化，在保证热安全和SLO约束下，降低LLM推理作业能耗高达33.1%，并大幅减少GPU降频。
2026-09-15 cs.DC cs.PF cs.SY
Modernizing the HPC System Software Stack
整个20世纪90年代，国家实验室、大学和其他大型站点的HPC中心设计了分布式系统架构和软件堆栈，实现了极端规模的计算。到2010年代，这些中心被网络规模和云计算架构的规模所掩盖，今天即使是即将到来的亿级HPC系统，规模也比大型网络公司雇用的数据中心小。与此同时，HPC社区允许系统软件设计停滞不前，依赖于对经过验证的设计进行增量更改，以便在几代系统之间移动。我们认为，注重可扩展性、可扩展性、安全性和现代方法的现代系统软件堆栈将使整个HPC社区受益。在本文中，我们分解了一个典型的HPC系统软件堆栈的逻辑部分，看看更现代的方法来满足他们的需求，并提出建议，未来的工作，将有助于社区朝着这个方向前进。
2020-07-20 cs.DC
An API for Development of User-Defined Scheduling Algorithms in Aneka PaaS Cloud Software: User Defined Schedulers in Aneka PaaS Cloud Software
云计算已经发展为基于签署的服务水平协议和按使用付费模型向最终用户提供按需资源的突出范例之一。云计算使用多租户架构提供资源，其中基础设施从多个或单个地理分布式云计算中心生成。将云应用请求调度到云基础设施是云计算的主要研究领域之一。研究人员已经开发了许多调度应用程序，他们使用了市场上可用的不同模拟器，如CloudSim。与仿真软件相比，任何调度算法在应用于实时的云环境时的性能将是不同的。Aneka是一个著名的PaaS软件，它允许用户使用各种编程模型和强调基础设施来开发云应用程序。在本章中，调度API是在Aneka软件平台上开发的，它可以很容易地与Aneka软件集成。用户可以使用该API开发自己的调度算法，并将其与Aneka软件集成，以便在真实的云环境中测试其调度算法。拟议的API提供了所有必要的功能，以便将私有云、公共云或混合云与Aneka软件集成和调度。
2019-04-06 cs.DC
A Blockchain-Oriented Software Engineering Architecture for Carbon Credit Certification Systems
University of Cagliari（卡利亚里大学）；University of Camerino（卡梅里诺大学）；University of Palermo（巴勒莫大学）
本文提出一种基于区块链的碳信用认证架构，通过光伏案例研究，整合物联网数据与智能合约，符合欧洲立法并支持第三方验证。
2026-01-20 cs.DC cs.SE cs.SI
CompPow: A Case for Component-level GPU Power Management
Advanced Micro Devices, Inc.（超威半导体公司）
本文针对现代GPU内部的电源消耗问题，提出CompPow组件级电源管理方法，通过改进电源管理提升能效和性能。
2026-05-21 cs.AR cs.DC
Ecovisor: A Virtual Energy System for Carbon-Efficient Applications
云平台的快速增长引发了人们对其碳排放的严重担忧。为了减少排放，未来的云平台将需要增加对可再生能源的依赖，如太阳能和风能，这些能源的排放量为零，但非常不可靠。不幸的是，今天的能源系统有效地掩盖了硬件的不可靠性，这阻止了应用程序优化其碳效率，或每千克碳排放所做的工作。为了解决这个问题，我们设计了一个“ecovisor”，它将能源系统虚拟化，并将其软件定义的控制暴露给应用程序。ecovisor使每个应用程序能够根据自己的特定需求在软件中处理清洁能源的不可靠性。我们实现了一个小规模的ecovisor原型，它虚拟化了一个物理能源系统，以实现基于软件的应用级i）对可变电网碳强度和可再生能源发电的可见性，以及ii）控制服务器的电力使用和电池充电/放电。我们通过展示多个应用程序如何以不同的方式同时运行其虚拟能源系统来评估ecovisor方法，以更好地优化基于其特定要求的碳效率，而不是一般的系统范围政策。
2022-10-10 cs.DC cs.OS cs.SE
Sustainable Cloud Computing: Foundations and Future Directions
微软、谷歌、Facebook和亚马逊等主要云计算提供商严重依赖云计算中心来支持对其计算和应用服务不断增长的需求。然而，运行这种大型基础设施的财务和碳足迹相关成本对云服务的可持续性产生了负面影响。大多数现有的努力主要集中在最小化服务器的能耗。在本文中，我们设计了一个概念模型和实用的设计指南，用于全面管理所有资源（包括服务器，网络，存储，冷却系统），以提高能源效率并减少云数据中心（CDC）的碳足迹。此外，我们讨论了能源和可持续云计算的可靠性之间的相互交织的关系，我们强调相关的研究问题。最后，我们提出了该领域未来的研究方向，并为进一步的实际发展奠定了基础。
2018-05-02 cs.DC
Extreme Scaling of Supercomputing with Stranded Power: Costs and Capabilities
功耗（供应、热量、成本）和相关的碳排放（环境影响）是将超级计算扩展到Exascale及更高级别的关键挑战。我们建议利用搁浅的电力，对电网没有价值的可再生能源，用于扩展超级计算机，零碳云（ZCCloud），并表明搁浅的电力可以有效地用于扩展计算[1]。我们建立在这些结果与搁浅的权力，表征时间，地理和间隔属性的新分析。我们模拟生产超级计算工作负载，并对数据中心总拥有成本（TCO）进行建模，评估基于搁浅功率的超级计算的成本和功能。结果表明，ZCCloud方法在当今高成本地区具有成本效益。ZCCloud方法将TCO降低了21- 45%，并将成本效益提高了34%。我们研究了很多场景。随着更高的电力价格，更便宜的计算硬件和更高的系统功率密度，效益分别上升到55%，97%和116%。最后，我们研究了未来的极端规模系统，结果表明，超过万亿级，超过100兆瓦的预计功率需求使ZCCloud的成本降低了45%，对于固定预算，可实现的峰值PFLOPS增加了80%。
2016-07-07 cs.DC
Towards Efficient VM Placement: A Two-Stage ACO-PSO Approach for Green Cloud Infrastructure
针对云数据中心能耗高的问题，提出两阶段混合ACO-PSO算法HAPSO，通过初始放置与迁移优化实现节能，仿真显示其性能优于多种对比算法，可显著降低能耗与SLA违规。
2025-10-01 cs.DC
Enabling Sustainable Clouds: The Case for Virtualizing the Energy System
云平台不断增长的能源需求和碳排放正在引发人们对其环境可持续性的担忧。目前实现可持续云的方法侧重于提高能源效率和购买碳抵消。这些方法有局限性：许多云数据中心已经在接近峰值效率的情况下运行，并且碳抵消无法扩展到接近零碳，在那里几乎没有碳可以抵消。相反，实现可持续的云计算将需要应用程序适应何时何地可获得不可靠的低碳能源。今天的应用程序无法做到这一点，因为它们的能源使用和碳排放对它们来说是不可见的，因为能源系统提供了连续、可靠的能源供应的严格抽象。相反，这份愿景文件倡导采用“碳优先”的云设计方法，将碳效率提升到一流的指标。要做到这一点，我们认为云平台应该通过向应用程序公开可见性和软件定义的控制来虚拟化能源系统，使它们能够根据自己的需求定义自己的抽象来管理能源和碳排放。
2021-06-16 cs.DC
Core Hours and Carbon Credits: Incentivizing Sustainability in HPC
本文提出基于能耗和碳足迹的透明定价方案，旨在通过激励用户行为改善HPC的可持续性。
2025-12-01 cs.DC
Carbon-Awareness in CI/CD
本文针对 CI/CD 服务高能耗问题，提出利用历史运行时信息和用户截止时间信息进行碳感知调度的系统架构，并通过 GitHub Actions 真实数据验证其有效性。
2023-10-28 cs.DC
Carbon and Reliability-Aware Computing for Heterogeneous Data Centers
本文提出一种面向异构数据中心的跨分布式数据中心时空工作负载迁移综合优化框架，通过基于服务器预期寿命的隐含碳排放模型及考虑硬件、软件和工作负载故障的备份资源分配策略，在满足SLA的同时联合最小化运营与隐含碳排放，使总碳排放减少高达21%。
2025-04-01 cs.CE cs.DC cs.PF
AIMeter: Measuring, Analyzing, and Visualizing Energy and Carbon Footprint of AI Workloads
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；National University of Defense Technology（国防科技大学）；University of Victoria（维多利亚大学）
针对现有AI能耗碳排放测量工具零散、缺系统指标整合与相关性分析支持的问题，本文提出工具包AIMeter，可无缝集成AI框架，提供标准化报告、细粒度数据及相关性分析，助力绿色AI发展。
2025-10-30 cs.AI cs.DC cs.LG
Design of an energy aware petaflops class high performance cluster based on power architecture
本文介绍了为PRACE设计的能效感知千万亿次高性能集群D.A.V.I.D.E.，该集群基于POWER8-NVLink CPU和Tesla P100 GPU，集成了定制电源监控硬件、液冷散热和机器学习驱动的功耗管理与作业调度软件，旨在实现细粒度能效优化。
2023-07-11 cs.DC
A Taxonomy and Future Directions for Sustainable Cloud Computing: 360 Degree View
云计算范例通过互联网提供按需服务并支持各种各样的应用。随着最近基于物联网（IoT）的应用的增长，云服务的使用呈指数级增长。下一代云计算必须是节能和可持续的，以满足不断变化的最终用户需求。目前，云计算提供商面临着确保其服务的能源效率和可持续性的挑战。大量云计算中心的使用增加了成本和碳足迹，这进一步影响了云服务的可持续性。在本文中，我们提出了一个全面的分类可持续的云计算。分类法是用来调查现有的技术，可持续发展，需要仔细的关注和调查所提出的几个学术和工业团体。此外，目前对可持续云计算的研究分为几个类别：应用程序设计，可持续性指标，容量规划，能源管理，虚拟化，热感知调度，冷却管理，可再生能源和废热利用。对现有技术进行了比较，并根据共同的特点和性质进行了分类。提出了可持续云计算的概念模型，并讨论了未来的研究方向。
2018-07-09 cs.DC
Vessim: A Testbed for Carbon-Aware Applications and Systems
针对碳感知计算研究缺乏通用测试环境、重复开发多且结果可比性差的问题，本文提出联合仿真测试平台Vessim，可连接多领域仿真器、支持软硬件在环集成与历史数据访问，以加速相关研究与开发运维。
2024-06-19 cs.DC cs.SY eess.SY
