GreenWhisk: Emission-Aware Computing for Serverless Platform
本文提出基于Apache OpenWhisk的碳感知无服务器平台GreenWhisk,通过并网/离网两种模式和碳感知负载均衡算法,在不显著影响性能的前提下降低函数执行的碳足迹。
2024-09-04 cs.DC
Exploring the Potential of Carbon-Aware Execution for Scientific Workflows
本文针对科学工作流高能耗与高排放问题,基于真实 Nextflow 工作流、线性功耗模型和区域 CI 数据评估时间迁移、暂停恢复及资源扩缩容,证明碳感知执行具有显著减排潜力。
2025-03-19 cs.DC
EcoKube: Simulating Carbon-Aware Scheduling Policies in Heterogeneous Edge-Cloud Environments
University of Amsterdam(阿姆斯特丹大学)
针对云与边缘计算能源需求增长及碳排放问题,提出EcoKube框架,用于在异构边缘云环境中评估可持续性感知调度策略,含事件驱动模拟器等,通过合成批处理工作负载评估,可在部署前比较策略。
2026-07-13 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
A Systematic Evaluation of the Potential of Carbon-Aware Execution for Scientific Workflows
University of Glasgow(格拉斯哥大学);Humboldt-Universität zu Berlin(柏林洪堡大学)
本研究系统评估了碳感知执行在科学工作流中的潜力,通过量化碳排放问题并展示时间偏移和资源扩展对减排的显著影响,提出更可持续的执行模型。
2026-03-06 cs.DC
Carbon-Aware Temporal Data Transfer Scheduling Across Cloud Datacenters
本文提出碳感知时序数据传输调度框架LinTS,在满足截止时间约束的前提下,相比最坏情况可降低66%碳排放,相比其他方案可降低15%。
2025-06-04 cs.DC cs.NI
Untangling Carbon-free Energy Attribution and Carbon Intensity Estimation for Carbon-aware Computing
本研究针对碳感知计算中可再生能源归属与碳强度估算的“双重计算”问题,通过定量与定性分析揭示PPAs核算缺失导致的碳排放低估,旨在推动准确碳核算共识的形成。
2024-02-05 cs.DC
LACS: Learning-Augmented Algorithms for Carbon-Aware Resource Scaling with Uncertain Demand
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Massachusetts Institute of Technology(麻省理工学院)
针对未知作业长度的在线碳感知资源弹性伸缩问题,提出学习增强算法LACS,结合机器学习预测与在线转换理论,在保证理论稳健性的同时显著降低了碳排放且优于现有基线。
2024-06-04 cs.DC cs.LG
CarbonEdge: Carbon-Aware Deep Learning Inference Framework for Sustainable Edge Computing
George Washington University(乔治华盛顿大学);Youngstown State University(扬斯敦州立大学)
本文提出CarbonEdge框架,通过碳足迹估算和绿色调度能力,在边缘计算中实现碳感知的深度学习推断,实验显示其在减少碳排放和提升碳效率方面表现突出。
2026-04-01 cs.AI cs.DC cs.LG
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
Sustainability-Aware Cloud Computing Using Virtual Carbon Tax
本文提出了一种可持续云系统的解决方案,并在一个真实的测试平台上实现。该解决方案包括优化盈利模式和引入虚拟碳税以限制云的环境足迹。所提出的云系统的多标准优化器在本地网格能量混合或云工作负载变化时为CPU核心建议新的最佳CPU频率。云系统在刀片系统上实现,并开发适当的中间件与刀片进行交互。实验结果表明,这是可能的,以显着降低系统的目标环境足迹,并保持其盈利。
2017-11-01 cs.DC
Carbon-aware Resource Management for Latency-Sensitive Cloud Computing Environments: A Taxonomy and Future Directions
University of Melbourne(墨尔本大学);University of Amsterdam(阿姆斯特丹大学)
本文针对延迟敏感型云计算环境的碳感知资源管理问题,对相关最新文献进行分类分析,指出现有研究差距并提出未来研究方向,助力平衡延迟约束与碳减排目标。
2026-10-22 cs.DC
SLA-Constrained Carbon-Aware Routing in Geo-Distributed Serverless Clouds
National Institute of Advanced Manufacturing Technology Ranchi(国家先进制造技术研究所(兰契))
研究地理分布式无服务器云中的碳感知路由问题,提出受SLA约束的碳感知路由策略,通过实际碳强度测量评估,实验表明该策略能大幅减排且保持零SLA违规,路由开销低,为气候行动和清洁能源目标做出贡献。
2026-07-28 cs.DC cs.LG
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
CATS: A Carbon-Aware Task Simulator for Reducing AI Data Center Emissions
Computer Science Department Texas State University(德克萨斯州立大学计算机系)
针对AI数据中心碳排放问题,提出碳感知任务模拟器CATS,通过空间和时间调度在现实约束下分别减少38.4%和16%的CO2排放,主张低碳选址。
2026-09-15 cs.DC
GreenCourier: Carbon-Aware Scheduling for Serverless Functions
GreenCourier 提出一种碳感知的无服务器函数跨区域调度框架,结合 Kubernetes 与 Knative 及实时碳数据源,实验显示每次函数调用碳排放平均降低 13.25%。
2023-10-31 cs.DC cs.SE
FedGreen: Carbon-aware Federated Learning with Model Size Adaptation
University of Calgary(卡尔加里大学);Michigan State University(密歇根州立大学)
本文提出FedGreen,一种碳感知联邦学习方法,通过基于客户端碳概况和位置采用有序丢弃技术自适应共享模型大小,在保持模型精度的同时大幅减少碳排放。
2024-04-23 cs.AI cs.DC cs.LG
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
CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data Centers
University of Miami(迈阿密大学);University of California, Riverside(加州大学河滨分校)
针对地理分布式数据中心训练AI模型的高碳足迹问题,提出碳感知联邦学习框架CAFE,在固定碳预算内优化学习性能,并通过真实数据模拟验证其优越性。
2024-02-06 cs.DC cs.LG
Carbon- and Precedence-Aware Scheduling for Data Processing Clusters
针对数据处理作业的优先级约束使传统碳感知调度决策复杂化的问题,提出PCAPS调度器(显式考虑优先级驱动的任务重要性)及CAP包装器,支持碳减排与完成时间的可配置权衡,原型实验显示碳足迹减少高达32.9%且不影响集群效率。
2025-02-13 cs.CY cs.DC cs.SY
EcoServe: Designing Carbon-Aware AI Inference Systems
本文针对 LLM 推理的运营与隐含碳排放问题,基于生产轨迹观察提出碳感知资源供给与调度框架 EcoServe,并通过跨栈 ILP 设计实现最高 47% 的减排。
2025-03-15 cs.DC
On the Limitations of Carbon-Aware Temporal and Spatial Workload Shifting in the Cloud
该研究通过123个云站点区域的碳强度数据,分析批处理与交互型云工作负载的碳感知时空调度效益,指出其实际碳减排上限有限、复杂技术增益小,且能源越低碳,碳感知调度相对优势越弱。
2024-03-10 cs.CY cs.DC cs.SY
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
Carbon Explorer: A Holistic Approach for Designing Carbon Aware Datacenters
科技公司一直在引领可再生能源转型,通过投资可再生能源来减少其制造商的碳足迹。除了帮助建立新的太阳能和风力发电场,公司还签订电力购买协议或购买碳抵消,而不是每天每时每刻都依赖可再生能源。由于风能和太阳能的间歇性,24/7依赖可再生能源具有挑战性。太阳能和风能生产的内在变化导致不同时间的供应过剩或短缺。为了应对可再生能源发电的波动,必须采用多种解决方案。这些包括:太阳能和风能混合的容量调整,能源存储选项以及碳意识工作负载调度。但是,根据地区和数据中心工作负载的特点,碳优化解决方案会有所不同。在这个领域的现有工作并没有给出一个整体的观点权衡每个解决方案,往往忽略了解决方案的具体碳成本。在这项工作中,我们提供了一个框架,碳资源管理器,通过考虑解决方案的运营和维护足迹来分析多维解决方案空间,以帮助企业全天候使用可再生能源。我们分析的解决方案包括太阳能和风能的混合容量调整,电池存储和碳意识工作负载调度,这需要将工作负载从缺乏可再生能源供应的时候转移到供应充足的时候。
2023-02-22 cs.DC cs.SY eess.SY
Aging-aware CPU Core Management for Embodied Carbon Amortization in Cloud LLM Inference
针对云LLM推理集群CPU隐含碳摊销问题,提出老化感知的CPU核心管理技术,通过选择性深度空闲和任务分配延缓老化,经Azure轨迹模拟验证,年隐含碳排放减少37.67%,CPU利用不足降低77%。
2025-01-27 cs.DC
CASA: A Framework for SLO and Carbon-Aware Autoscaling and Scheduling in Serverless Cloud Computing
本文提出CASA框架,在无服务器云集群中同时考虑碳足迹和SLO约束进行容器调度与自动伸缩,实验表明其碳足迹最多降低2.6倍、SLO违反率最多降低1.4倍。
2024-08-31 cs.DC cs.PF
Treehouse: A Case For Carbon-Aware Datacenter Software
University of Washington(华盛顿大学);MIT(麻省理工学院);University of Michigan(密歇根大学);Columbia University(哥伦比亚大学);Microsoft Research(微软研究院)
Dennard缩放的结束和摩尔定律的放缓使数据中心的能源使用走上了一条不可持续的道路。数据中心已经占全球电力使用的很大一部分,应用需求正在快速增长。我们认为,以软件为中心的方法可以大幅降低数据中心计算的碳强度:通过在细粒度的基础上使能源和碳对应用程序开发人员可见,通过修改系统API以使在性能和碳排放之间进行明智的权衡成为可能,以及通过提高应用程序编程水平以允许灵活使用更节能的计算和存储手段。我们还制定了系统软件的研究议程,以减少数据中心计算的碳足迹。
2022-01-06 cs.CY cs.DC cs.LG
CASPER: Carbon-Aware Scheduling and Provisioning for Distributed Web Services
本文提出碳感知调度与供给系统CASPER,通过构建多目标优化问题,在兼顾网络延迟约束与服务等级目标的前提下,利用分布式负载均衡跨区域迁移负载以利用低碳能源,使分布式Web服务碳排放减少高达70%且无延迟下降。
2024-03-21 cs.DC cs.NI cs.PF
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
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
The Online Pause and Resume Problem: Optimal Algorithms and An Application to Carbon-Aware Load Shifting
本文研究在线暂停与恢复问题,提出双阈值算法求解最小化和最大化变体,并证明其达到确定性在线算法的最优竞争比,最后通过碳感知负载转移的真实数据案例验证了算法有效性。
2023-03-30 cs.DC cs.DS
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
GreenDirector: carbon- and water-aware workload placement for sustainable computing
Instituto de Física de Cantabria (IFCA), CSIC-UC(坎塔布里亚物理研究所 (IFCA),西班牙国家研究委员会-坎塔布里亚大学);Aix Marseille Univ, CNRS/IN2P3, CPPM(艾克斯马赛大学,法国国家科学研究中心/法国国家粒子物理研究所,普罗旺斯粒子与核物理中心)
针对数据中心仅考虑碳足迹的不足,提出环境评分和绿色评分指标,并集成到GreenDirector调度器中,在真实系统中实现水碳联合优化,减少约40%碳排放并明确权衡。
2026-09-21 cs.DC
Aceso: Latency-Aware Geo-Distribution of Microservices for Cost-Effective Carbon Reduction
IMDEA Software Institute(IMDEA软件研究所);Universidad Politécnica de Madrid(马德里理工大学);Telefonica Research(Telefónica研究院);Keysight Technologies(是德科技)
提出HuntMS框架,通过自适应优化策略在区域受限的基础设施中动态部署微服务,平均减少37.4%碳排放和3.6%运营成本,同时满足SLO。
2026-10-30 cs.DC
Toward Sustainability-Aware LLM Inference on Edge Clusters
University of Innsbruck(因斯布鲁克大学);University of Klagenfurt(克拉根福大学)
本文提出了一种针对边缘集群的可持续大语言模型推理方法,通过碳和延迟感知的路由策略平衡推理延迟和碳足迹。
2025-11-01 cs.DC
Carbon-Aware Quality Adaptation for Energy-Intensive Services
Technische Universität Berlin(柏林工业大学);BIFOLD(柏林数据科学与未来智能学习中心);Huawei Technologies(华为技术有限公司)
本文提出了一种面向碳排放的能源密集型服务质量适应方法,通过调整不同服务质量层级的请求比例,结合预测多时间 horizon 优化,实现接近最优的碳节约效果,减少大规模大语言模型服务的排放量。
2026-03-04 cs.DC cs.SY eess.SY
Carbon-Aware Workflow Scheduling with Fixed Mapping and Deadline Constraint
本文研究混合能源中心的工作流碳减排调度问题,将其形式化为固定映射与排序的调度问题,证明单处理器下多项式可解而多处理器下为NP-hard,并提出启发式框架CaWoSched,结合贪婪与局部搜索显著降低碳排放。
2025-08-11 cs.DC
Night-Window Batching versus Carbon-Aware Scheduling for Clinical AI GPU Workloads
University of Southern California(南加州大学)
通过计算机模拟,比较了夜间批处理与碳感知调度规则在混合GPU硬件上处理合成患者型作业时的碳足迹和截止时间遵守情况,发现夜间批处理在减少碳足迹的同时能更好地遵守紧急截止时间。
2026-06-01 cs.DC cs.ET
Quantifying the Carbon Reduction of DAG Workloads: A Job Shop Scheduling Perspective
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文从作业车间调度角度研究DAG工作负载的碳减排问题,通过建模和求解发现依赖意识方法能显著降低碳排放,且允许更长的完成时间可进一步提升碳节省效果。
2025-12-08 cs.DC
Uncertainty-Aware Decarbonization for Datacenters
University of Waterloo(滑铁卢大学);Purdue University(普渡大学)
本文首次量化数据中心减碳中的碳强度预测不确定性,通过引入基于保形预测的框架处理时间动态,并结合生产电力追踪的案例研究表明,将不确定性纳入调度决策可有效避免碳排放增加。
2024-08-24 cs.DC cs.LG
Carbon-aware decentralized dynamic task offloading in MIMO-MEC networks via multi-agent reinforcement learning
School of Computer Science and Artificial Intelligence(计算机科学与人工智能学院);Wuhan University of Technology(武汉理工大学);School of Computer Science and Information Engineering(计算机科学与信息工程学院);Qilu Institute of Technology(齐鲁工业大学);Department of Computer Science(计算机科学系);Prince Sultan University(普天大学)
本文提出基于多智能体强化学习的碳感知分布式动态任务卸载框架,通过优化减少碳排放和能源浪费,提升MIMO-MEC网络的可持续性。
2026-02-21 cs.AI cs.DC cs.LG
SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon, Wastewater, and Energy-Aware Data Center Management
Colorado State University(科罗拉多州立大学);Hewlett Packard Labs(惠普实验室)
针对地理分布式数据中心碳排放、水足迹高及能源成本上升的问题,提出融合机器学习引导局部搜索与分解进化算法的SHIELD框架,协同优化多项目标,在效率和优化效果上均显著优于现有方法。
2023-08-24 cs.DC cs.LG cs.NE
Energy-Aware Workflow Execution: An Overview of Techniques for Saving Energy and Emissions in Scientific Compute Clusters
本文通过估算三个真实科学工作流的碳足迹揭示能耗问题,并系统综述了从异构架构、代码优化到电压频率调节、负载整合与调度等多种降低科学计算集群能耗与碳排放的技术。
2025-06-04 cs.DC
MAIZX: A Carbon-Aware Framework for Optimizing Cloud Computing Emissions
KTH Royal Institute of Technology(皇家理工学院);Norwegian University of Science and Technology(挪威科学与技术大学);Simula Metropolitan Centre for Digital Engineering(Simula 城市数字工程中心)
本研究提出MAIZX框架,通过基于实时和预测的碳强度、PUE及能耗动态排名资源,优化云运营并减少碳足迹,实现CO2排放减少85.68%,在私有、混合和多云环境中展现可扩展性与有效性。
2025-06-24 cs.DC cs.LG
Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning
Department of Electrical and Software Engineering(电气与软件工程系);University of Calgary(卡尔加里大学)
本文提出基于联邦学习的能耗预测框架,扩展Kepler以保护数据隐私,在SPECPower基准上相比集中式基线将平均绝对误差降低11.7%,解决了隐私与效率的权衡问题。
2025-10-04 cs.AI cs.DC
Let's Wait Awhile: How Temporal Workload Shifting Can Reduce Carbon Emissions in the Cloud
根据能源来源和需求,公共电网的碳强度随时间波动。利用这种可变性是减少数据中心排放的重要因素。然而,低碳能源供应的区域差异使得很难提供何时消费电力的一般最佳做法。此外,该领域的现有研究主要集中在跨地理分布式数据中心的碳感知工作负载迁移,或者纯粹从电网稳定性和成本的角度解决需求响应。在本文中,我们研究了将计算工作量转移到能源供应预计碳密集度较低的时间的潜在影响。为此,我们确定了延迟容忍工作负载的特征,并分析了2020年德国,英国,法国和加利福尼亚州的时间工作负载转移的潜力。此外,我们实验评估两个工作量转移的情况下,在模拟调查的时间限制,调度策略,和碳强度预测的准确性的影响。为了加速碳感知计算领域的研究,并支持新的调度算法的评估,我们的模拟框架和数据集是公开的。
2021-10-25 cs.DC
Quantifying the Energy Consumption and Carbon Emissions of LLM Inference via Simulations
提出评估LLM推理能耗与碳排放的仿真框架,通过集成GPU功耗模型与能源系统协同仿真,揭示部署参数影响并展现高达69.2%的碳抵消潜力。
2025-07-15 cs.DC
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
Toward Sustainable Distributed LLM Inference: A Systems Synthesis and Research Agenda for an Energy-, Carbon-, and Cache-Aware llm-d Control Plane
本文综合分布式LLM推理的可持续性研究,提出面向llm-d控制平面的能源、碳和缓存感知设计模式与评估框架,将可持续推理视为跨多维度控制问题。
2026-09-09 cs.DC cs.LG
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
A Framework for Carbon-aware Real-Time Workload Management in Clouds using Renewables-driven Cores
针对实时工作负载难以利用时间灵活性减排的问题,提出基于可再生能源驱动核心的框架,通过动态切换CPU核心、VM执行模型与装箱算法联合优化,显著降低实时延迟变异系数与VM驱逐事件并提升能源收集。
2024-11-12 cs.DC
EcoLearn: Optimizing the Carbon Footprint of Federated Learning
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Massachusetts Institute of Technology(麻省理工学院);Telefonica Research(电信研究院)
针对联邦学习碳足迹高且现有研究未优化碳效率的问题,提出碳感知框架EcoLearn,通过多环节碳优化策略,在保持准确率和训练时间稳定的同时大幅降低碳排放。
2025-05-18 cs.DC cs.LG
CarbonEdge: Leveraging Mesoscale Spatial Carbon-Intensity Variations for Low Carbon Edge Computing
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of California, Santa Cruz(加州大学圣克鲁兹分校);Carnegie Mellon University(卡内基梅隆大学)
CarbonEdge通过优化中尺度边缘数据中心的工作负载部署,减少碳排放并满足延迟要求。
2025-11-23 cs.DC
Green-LLM: Optimal Workload Allocation for Environmentally-Aware Distributed Inference
Arizona State University(亚利桑那州立大学)
本文提出Green-LLM框架,通过联合优化运营成本、碳排放和延迟惩罚,实现可持续的大语言模型推断,同时满足水消耗约束。
2026-04-08 cs.DC cs.NI cs.SY