Reusing Spare Vehicle Computing Capacity: Is It Viable, Profitable and Sustainable?
SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris（SAMOVAR，巴黎电信学院，巴黎理工学院）；INRIA Saclay（法国国家信息与自动化研究所萨克雷中心）；Université Paris-Saclay, CNRS, Laboratoire Interdisciplinaire des Sciences du Numérique（巴黎萨克雷大学，法国国家科学研究中心，数字科学跨学科实验室）
本文研究复用车辆空闲计算能力（VCC）的可行性、盈利性与可持续性，提出解耦截止时间分配与激励设计的卸载管理方案、稳健联盟博弈及车辆选择机制，通过罗马SUMO仿真和CO2评估证明其高效、盈利且大幅减排。
2026-09-25 cs.DC
A Self-adaptive Approach for Managing Applications and Harnessing Renewable Energy for Sustainable Cloud Computing
托管服务快速采用云计算及其成功主要归功于其具有吸引力的功能，如弹性，可用性和按需付费定价模式。然而，云数据中心消耗的大量能源使其成为碳排放增长最快的来源之一。提高能源利用效率的途径包括提高资源利用率，减少资源浪费;采用可再生能源作为能源供应。这项工作旨在通过减少棕色能源的使用和最大限度地使用可再生能源来减少数据中心的碳足迹。利用微服务和可再生能源，我们提出了一种自适应的方法来管理交互式工作负载和批量工作负载的资源。为了保证工作负载的服务质量，提出了一种基于欠压的交互式工作负载调度算法和一种基于延迟的批处理工作负载调度算法。我们已经实现了所提出的方法在一个原型系统中，并评估它与Web服务下真正的痕迹。结果表明，我们的方法可以减少21%的棕色能源的使用和提高10%的可再生能源的使用。
2020-08-31 cs.DC
A Sustainable and Reward Incentivized High-Performance Cluster Computing for Artificial Intelligence: A Novel Bayesian-Time-Decay Trust Mechanism in Blockchain
本文提出了一种基于区块链的新型贝叶斯时间衰减信任机制，通过结合高性能集群计算与智能算法，实现可持续、高效且公平的计算资源分配。
2025-11-26 cs.DC
TerraWatt: Sustaining Sustainable Computing of Containers in Containers
世界每一天都在向气候灾难和可持续发展革命靠近一步。为了避免前者，实现后者，我们必须改变我们对能源的使用。令人惊讶的是，今天日益严重的问题是，在错误的时间和错误的地点有太多的风能和太阳能发电。我们主张建设TerraWatt：一个地理分布的，大规模的，零碳计算基础设施，使用可再生能源和旧硬件。由于时空功率可变性，为一般云工作负载提供零碳计算具有挑战性。我们描述了大规模使用间歇性可再生能源来为这种较旧的分散式计算基础设施提供燃料的系统挑战。
2021-02-12 cs.DC cs.NI
Sustainable Computing -- Without the Hot Air
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
对计算的需求继续呈指数级增长。这种增长将转化为计算能源消耗的指数增长，除非其能源效率的提高能够超过其需求的增长。然而，经过几十年的研究，进一步提高能源效率变得越来越具有挑战性，因为它已经高度优化。因此，在某种程度上，计算需求的增长可能会超过其能源效率的增长，可能会有很大的差距。如果不加以控制，这种指数增长将使计算成为全球碳排放的重要贡献者。虽然知名科技公司已经认识到这个问题，并试图减少碳排放，但可以理解的是，他们专注于自己的成功，这有可能无意中传达出一种错误的印象，即这是现在，或很快就会解决的问题。这种错误的印象可能会适得其反，如果它们有助于阻止在这一领域的进一步研究，因为，正如我们所讨论的，消除计算，更普遍的社会，碳排放远远没有解决的问题。为了更好地理解问题的范围，本文提炼了决定计算的碳足迹及其对实现可持续计算的影响的基本趋势。
2022-06-30 cs.CY cs.DC cs.LG
Not All Water Consumption Is Equal: A Water Stress Weighted Metric for Sustainable Computing
Purdue University（普渡大学）
针对计算中水资源影响评估忽视时空压力差异的问题，提出SCARF框架，通过结合消耗量与当地水资源压力的AWI指标，在LLM服务、数据中心和半导体制造厂的案例中揭示了优化时空选择以减少水资源影响的机会。
2025-07-01 cs.AR cs.CY cs.DC
ThirstyFLOPS: Water Footprint Modeling and Analysis Toward Sustainable HPC Systems
针对HPC系统水足迹研究不足的问题，提出ThirstyFLOPS综合分析框架，结合区域指标用真实数据量化水耗，通过四个典型系统案例分析区域缺水与核能战略的影响，助力可持续计算基建发展。
2025-10-01 cs.DC
Feasibility of Fog Computing
随着数十亿设备连接到互联网，将云作为集中式服务器将是不可持续的。未来的方向是将计算从云端分散到更接近用户的网络边缘。这减少了用户设备与云之间的通信延迟，是本文定义的“雾计算”的前提。本文的目的是突出的可行性和好处，提高服务质量和经验，通过使用雾计算。对于一个在线游戏用例，我们发现，与使用纯云模型相比，使用网络边缘时用户的平均响应时间提高了20%。还观察到边缘和云服务器之间的流量减少了90%以上。初步结果突出了雾计算在实现可持续计算模型方面的潜力，并突出了将网络边缘集成到计算生态系统中的好处。
2017-01-19 cs.DC
Revisiting the Arguments for Edge Computing Research
本文认为，低延迟、高带宽、设备激增、可持续的数字基础设施以及数据隐私和主权继续推动边缘计算研究的需求，尽管其最初的概念是在十多年前制定的。
2021-06-23 cs.DC
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
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
Towards Sustainable Computing: Exploring Energy Consumption Efficiency of Alternative Configurations and Workloads in an Open Source Messaging System
针对大规模计算基础设施能耗问题，本文对开源消息框架RabbitMQ开展不同工作负载、配置及架构的能耗基准测试，发现架构选择最多可降31%功耗，并公开数据集助力相关研究。
2025-06-12 cs.DC cs.SY eess.SY
Energy Efficient Deployment and Orchestration of Computing Resources at the Network Edge: a Survey on Algorithms, Trends and Open Challenges
移动网络正变得非常耗能，并且由于通信和计算需求的激增，预计这一趋势将继续下去。多路访问边缘计算（MEC）将带来能耗服务和应用，对生态可持续性产生不可忽视的影响。在本文中，我们对现有的使边缘计算网络更加绿色的方法进行了全面的回顾，包括但不限于可再生能源的开发和上下文感知。因此，我们从充满活力的可持续发展的角度提供了MEC的最新发展，解决了计算资源的初始部署，动态（重新）分配，以及分布式和联邦学习设计。在此过程中，我们强调了这些算法的能源方面，倡导需要符合可持续发展目标（SDG）和巴黎协定的能源可持续边缘计算系统。据我们所知，这是第一个对能量收集MEC的有效部署和管理提供系统文献综述的工作，特别关注计算任务的部署，供应和调度，包括分布式边缘智能的联邦学习，使边缘网络更环保，更可持续。在论文的最后，针对所有调查主题确定了开放的研究途径和挑战。
2022-09-28 cs.DC cs.NI
ForgetMeNot: Understanding and Modeling the Impact of Forever Chemicals Toward Sustainable Large-Scale Computing
本文提出 ForgetMeNot 建模工具，结合晶圆厂实践与硬件规格量化半导体制造中的含氟化合物排放，并用真实数据验证，以支持低碳硬件与数据中心设计。
2025-05-16 cond-mat.mtrl-sci cs.AR cs.DC
Neuromorphic hardware for sustainable AI data centers
本文分析了神经形态硬件未进入商业AI数据中心的原因，提出了促进其集成的硬件与软件要求及最佳实践，以实现大规模可持续且节能的AI计算。
2024-06-26 cs.DC cs.ET cs.NE
Carbon Connect: An Ecosystem for Sustainable Computing
University of Pennsylvania（宾夕法尼亚大学）；Harvard University（哈佛大学）；Cornell University（康奈尔大学）；Ohio State University（俄亥俄州立大学）；Carnegie Mellon University（卡内基梅隆大学）；California Institute of Technology（加州理工学院）；Yale University（耶鲁大学）
针对计算行业能源消耗激增问题，提出Carbon Connect生态系统，通过碳核算、生命周期设计和高效能源利用策略，实现可持续计算，需跨学科合作推动变革。
2024-08-21 cs.AR cs.DC cs.ET
Optimizing Microgrid Composition for Sustainable Data Centers
本文提出一种基于Vessim与NREL SAM的微电网组成优化框架，通过多时间尺度黑盒优化模拟计算负载、可再生能源与储能交互，以同时降低运营和隐含碳排放并提升供电可靠性。
2025-09-20 cs.DC cs.SY eess.SY
HUNTER: AI based Holistic Resource Management for Sustainable Cloud Computing
Imperial College London（帝国理工学院）；Queen Mary University of London（伦敦玛丽女王大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Lancaster University（兰卡斯特大学）；University of Birmingham（伯明翰大学）；Vienna University of Technology（维也纳工业大学）；University of Manchester（曼彻斯特大学）；Cardiff University（卡迪夫大学）；The University of Melbourne（墨尔本大学）；Loughborough University（拉夫堡大学）
云数据中心（CDC）在全球范围内的采用，已经引起了对在云上托管应用服务的普遍需求。此外，当代数据密集型行业已经看到现代应用程序的资源需求急剧上升。这导致了云服务器数量的增加，从而导致了更高的能耗，并因此带来了可持续性问题。传统的基于逻辑学和强化学习的节能云资源管理算法在有限程度上解决了可扩展性和适应性相关的挑战。现有的工作往往无法捕捉主机的热特性，任务的资源消耗和相应的调度决策之间的依赖关系。这导致可扩展性差，计算资源需求增加，特别是在具有非固定资源需求的环境中。为了解决这些局限性，我们提出了一种基于人工智能（AI）的整体资源管理技术，可持续的云计算称为猎人。该模型将优化数据中心能源效率的目标制定为多目标调度问题，考虑了三个重要模型：能源，热和冷却。HUNTER利用门控图卷积网络作为代理模型，用于近似系统状态的服务质量（QoS）并生成最优调度决策。使用CloudSim工具包和COSCO框架在模拟和物理云环境上进行的实验表明，HUNTER在能耗、SLA违规、调度时间、成本和温度方面分别比最先进的基线高出12%、35%、43%、54%和3%。
2021-10-28 cs.DC cs.LG cs.PF
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
Net-Zero 6G from Earth to Orbit: Sustainable Design of Integrated Terrestrial and Non-Terrestrial Networks
该研究聚焦地面与非地面融合6G网络的净零排放能源挑战，首次梳理相关设计难点，提出关键使能技术，结合AI开展用例分析以提升能效，并指明可持续演进的研究方向。
2025-10-01 cs.DC
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
Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
本文提出融合预测调度、能源感知分配与移动性管理的联邦雾计算框架，OMNeT++ 仿真证明其在资源利用率、延迟、能效和可扩展性上优于非联邦架构。
2025-06-14 cs.DC
The Gridbus Toolkit for Service Oriented Grid and Utility Computing: An Overview and Status Report
网格旨在利用自治分布式实体合作产生的协同效应。网格合作产生的协同效应包括共享、交换、选择和聚合地理上分布的资源，如计算机、数据库、软件和科学仪器，以解决科学、工程和商业中的大规模问题。为了使这种合作可持续，参与者需要有经济激励。因此，“激励”机制应被视为网格体系结构的关键设计参数之一。在这篇文章中，我们提出了一个开源的网格工具包，称为Gridbus，其体系结构是从根本上驱动的网格经济的需求的概述和状态。网格总线技术为计算网格和数据网格提供服务，为新兴的电子科学和电子商务应用提供动力。
2004-04-13 cs.DC
Implementation of Big AI Models for Wireless Networks with Collaborative Edge Computing
本文针对边缘设备训练大AI模型时计算资源受限与集中式云训练不可持续、隐私差的问题，提出将可信边缘设备组织为资源池的协作边缘训练机制，并给出系统框架、调度分析、并行性实验及未来挑战。
2024-04-27 cs.AI cs.DC cs.LG
Autonomic Management of Power Consumption with IoT and Fog Computing
我们介绍了一种用于在涉及物联网（IoT）和雾计算的设置中自主管理功耗的系统。中央物联网（CIoT）是一种基于雾计算的解决方案，提供先进的编排机制来管理动态占空比，以节省额外的能源。该解决方案通过基于上下文信息（例如环境条件、用户行为、行为变化、关于能量和网络资源利用的规定等）调整归属（H）和离开（A）周期来工作。通过概念验证进行的性能分析显示，平均节能58.4%，在增加调度系统和可变长睡眠周期（LS）时，节能率高达61.51%。然而，不存在增加LS时间和更多节省的线性关系。这项研究的意义是促进自主管理作为一种解决方案，以发展更节能的建筑和更智能的城市，实现可持续发展的目标。
2021-05-12 cs.DC
Demystifying Fog Computing: Characterizing Architectures, Applications and Abstractions
物联网（IoT）通过智慧城市基础设施和生活方式设备加速了网络边缘数百万个传感器的部署。云计算平台的任务通常是处理来自边缘的大量快速数据流。最近，雾计算已经成为这些观察流的低延迟和资源丰富处理的概念，以补充边缘和云计算。在本文中，我们回顾了系统架构，应用程序特性和平台抽象的各个方面，这些方面在边缘，雾和云生态系统中表现出来。我们强调了Edge和Fog层的新功能，例如物理和应用程序移动性，隐私敏感性和新生的运行时环境。基于不同领域第一手经验的物联网应用案例研究推动了这一分类。我们还强调了雾计算的潜力和现实之间的差距，并确定了解决方案可持续发展需要克服的挑战。总之，我们的文章可以帮助平台和应用程序开发人员弥合差距，使雾计算可行。
2017-02-21 cs.DC
Big Data Computing and Clouds: Trends and Future Directions
本文讨论了在大数据应用程序的云上执行分析的方法和环境。它围绕着分析和大数据的四个重要领域，即（i）数据管理和支持架构;（ii）模型开发和评分;（iii）可视化和用户交互;以及（iv）商业模式。通过详细的调查，我们确定了技术上可能存在的差距，并就云支持的大数据计算和分析解决方案的未来方向为研究社区提供了建议。
2014-08-22 cs.DC
Measuring Sustainability in Multi-Scale High-Performance Computing
Universidad Industrial de Santander（桑坦德工业大学）；INSA Lyon（里昂国立应用科学学院）；INRIA（法国国家信息与自动化研究所）；Université Grenoble-Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble-INP（格勒诺布尔国立理工学院）
本文提出多维度量框架，结合性能、利用率与可持续性指标，在混合测试平台上揭示权衡关系，指导HPC系统部署与调度优化，兼顾高性能与可持续性。
2026-09-09 cs.DC
Full Scaling Automation for Sustainable Development of Green Data Centers
Ant Group（蚂蚁集团）
针对数据中心碳排放问题，提出基于深度表征学习的全自动化扩缩容机制（FSA），通过预测工作负载动态调整资源以维持目标CPU利用率，在真实集群中显著提升能效并实现大规模碳减排。
2025-03-01 cs.AI cs.DC cs.LG
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
GreenBytes: Intelligent Energy Estimation for Edge-Cloud
本文提出 GreenBytes，在 Kubernetes 边缘-云集群中使用 LSTM 与 Gradient Booster 估算节点能耗，验证二者在动态负载预测和跨环境稳健性上的互补价值。
2024-06-11 cs.DC cs.ET cs.NI
Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-南洋理工大学新加坡联合研究院）；Nanyang Technological University（南洋理工大学）
本文提出一种基于多智能体强化学习与actor-critic的调度算法，用于地理分布式数据中心中可持续AIGC工作负载调度，在真实云环境中实现GPU利用率提升、成本降低和碳减排，系统效用最高提升28.6%。
2023-04-17 cs.AI cs.DC cs.LG
Mist Computing: Principles, Trends and Future Direction
在本文中，我们提出了在物联网架构的边缘附近进行计算的新想法，这在计算复杂应用程序时提高了固有效率。这个概念被称为雾计算。我们相信这种计算将为未来的计算技术带来一场巨大的革命。代替在数据传输时将控制责任推给网关，控制被分散到端节点，这减少了网络的通信延迟，从而增加了吞吐量。
2017-08-06 cs.DC cs.NI
A Management Framework for Vehicular Cloudtoward Economic and Environmental Efficiency
针对车载云计算（VCC）缺乏真实场景盈利与环境优势量化证据的问题，提出结合能量感知任务分配与联盟博弈收益共享的管理框架，仿真验证其可实现低延迟、资源变现且减排超99%。
2025-10-02 cs.DC cs.GT
HeatCache: Thermal-aware Energy-efficient LLM Inference Scheduling for Chassis-level Liquid Cooling in Sustainable Edge Server Rooms
The Hong Kong Polytechnic University（香港理工大学）；Wuhan University（武汉大学）；The Hong Kong University of Science and Technology（香港科技大学）
HeatCache利用AIO液冷回路作为热缓冲，通过热预算调度LLM推理请求，在保证SLO和热安全下降低能耗，实现最高18%节能和81.7%热节流减少。
2026-09-14 cs.DC cs.PF cs.SY
Quantum Cloud Computing: A Review, Open Problems, and Future Directions
本文对新兴的量子云计算领域展开综述，梳理了最新进展、相关模型平台与技术用例，探讨了资源管理等多方面问题，明确了开放问题并提出未来方向与潜在机遇。
2024-04-17 cs.DC cs.ET
Scoping Sustainable Collaborative Mixed Reality
本文针对混合现实（MR）生态系统碳足迹引发的环境担忧，梳理了现有MR减碳研究的局限，界定了可持续协作式MR的研究范围，明确了相关挑战、现有方案与未来方向，并从相邻领域寻求思路以推动协作MR系统的可持续发展。
2024-09-11 cs.CY cs.DC cs.ET
Sustainable AI Training via Hardware-Software Co-Design on NVIDIA, AMD, and Emerging GPU Architectures
Meta Platforms Inc.（Meta平台）
本文研究面向 NVIDIA、AMD 及新兴 GPU 架构的硬件-软件协同设计方法，通过张量核心、内存优化、混合精度和能量感知调度等手段提升 AI 训练能效，并结合真实案例证明可在不牺牲性能的前提下降低环境影响。
2025-07-28 cs.AI cs.AR cs.DC
