Carbon Footprint Reduction for Sustainable Data Centers in Real-Time
针对数据中心多目标碳优化缺乏实时方案的问题,提出DC-CFR多智能体强化学习框架,可协同优化制冷、负载转移与储能,在多地区一年期测试中较行业标准控制器大幅降低碳排放、能耗与成本。
2025-05-18 cs.AI cs.LG cs.MA
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
CarbonScaler: Leveraging Cloud Workload Elasticity for Optimizing Carbon-Efficiency
提出CarbonScaler,利用云批处理工作负载弹性,通过基于电网碳成本动态调整服务器分配的贪婪算法,显著降低碳排放并优于现有策略。
2023-10-19 cs.DC
Carbon Responder: Coordinating Demand Response for the Datacenter Fleet
针对数据中心碳足迹问题,提出Carbon Responder框架,通过性能感知的功率分配协调需响应,实现碳足迹约2倍削减并公平分配性能损失。
2023-11-14 cs.AR cs.DC
Hierarchical Multi-Agent Reinforcement Learning for Carbon-Aware AI Data Centers in Power Distribution Systems
LG Electronics(LG电子);Department of Electrical and Computer Engineering(电气电子工程系);School of Electrical and Electronics Engineering(电气电子工程学院)
针对人工智能数据中心能耗致碳排放增加问题,提出分层碳感知多智能体强化学习框架,含工作负载管理器和本地数据中心智能体,利用数据和碳强度分配任务、调度运行,在IEEE 33节点系统评估其有效性。
2026-07-08 cs.AI cs.SY eess.SY
Spatio-Temporal Shifting to Reduce Carbon, Water, and Land-Use Footprints of Cloud Workloads
"La Sapienza" University of Rome(罗马大学);University of Glasgow(格拉斯哥大学)
本文提出通过时空迁移优化云工作负载,以减少碳、水和土地使用足迹,实验表明空间迁移效果显著,结合时间调整可进一步提升整体效益。
2026-09-16 cs.DC
CarbonSim: A Lifecycle-Aware Framework for Evaluating Carbon Tradeoffs in Hardware Upgrade Decisions
University of Pittsburgh(匹兹堡大学)
提出CarbonSim框架,通过结合工作负载、功耗、隐含碳和电网碳强度,评估硬件升级决策中的碳权衡,发现延长现有硬件寿命在某些情况下可减少总碳排放。
2026-06-04 cs.DC cs.OS
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
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
Sustainable Graph Analytics Workload Scheduling with Evolutionary Reinforcement Learning in Edge-Cloud Systems
Colorado State University(科罗拉多州立大学);IIIT Guwahati(古瓦哈提信息与技术研究所);Hewlett-Packard Labs(惠普实验室)
本文提出MERSEM框架,通过进化搜索与强化学习结合,优化边缘-云计算系统中图分析工作负载的调度,减少SLA违规和碳排放。
2026-05-13 cs.DC
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
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
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
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
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
Carbon-Aware Microservice Deployment for Optimal User Experience on a Budget
针对面向服务的云应用无法直接采用传统碳感知策略的问题,提出一种在每小时碳预算下运行微服务的方法,通过选择微服务版本和水平扩展规模,在预算约束内最大化用户体验和收入。
2025-06-26 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
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
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
On the Effectiveness of the 'Follow-the-Sun' Strategy in Mitigating the Carbon Footprint of AI in Cloud Instances
本研究针对现有文献缺乏Follow-the-Sun(FtS)策略降低AI工作负载碳足迹实证证据的空白,通过基于欧洲7城2021年碳强度数据的部分合成场景实验,验证了FtS可使AI训练碳排放平均降14.6%、峰值降16.3%且不影响训练时长。
2025-03-20 cs.AI cs.CE 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
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
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
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
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
Carbon Containers: A System-level Facility for Managing Application-level Carbon Emissions
本文提出系统级设施 Carbon Containers,通过纵向扩缩容、迁移和挂起/恢复透明约束应用碳排放率,实验证明其在相同排放下提升碳效率与性能。
2023-09-25 cs.DC cs.ET cs.OS
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
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
Ecomap: Sustainability-Driven Optimization of Multi-Tenant DNN Execution on Edge Servers
School of Electrical, Computer and Biomedical Engineering, Southern Illinois University(南伊利诺伊大学电气、计算机与生物医学工程学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出可持续性驱动框架Ecomap,通过动态调整功率阈值、采用混合质量模型替换重负载DNN及transformer估计器优化工作负载映射,在保证延迟和功耗效率的同时显著降低边缘服务器碳排放。
2025-03-06 cs.DC cs.LG cs.PF
Green or Fast? Learning to Balance Cold Starts and Idle Carbon in Serverless Computing
Department of Computer Science William \& Mary Williamsburg, VA, USA;Department of Computer Science University of Thessaly Volos, Greece
LACE-RL通过深度强化学习在无服务器计算中平衡冷启动延迟与碳排放,实现更高效的资源管理和更优的延迟-碳贸易平衡。
2026-02-27 cs.AI cs.DC cs.PF
Energy Efficient Geographical Load Balancing via Dynamic Deferral of Workload
随着云计算和移动计算的日益普及,个人、企业和研究中心已经开始将其IT和计算需求外包给按需云服务。最近,地理负载均衡技术已经被建议用于托管云计算的数据中心,以便通过利用跨区域的电价差异来降低能源成本。然而,这些算法并不区分不同工作负载的响应性要求。在本文中,我们使用的灵活性,从服务水平协议(SLA),以区分有限的延迟要求下的工作负载,并提出了一种新的方法,节省成本的地理负载均衡。我们调查每个数据中心需要执行多少工作负载,以及需要延迟多少工作负载并将其迁移到其他数据中心以节省能源,同时满足最后期限。我们提出了一个离线制定的地理负载均衡问题的动态延迟和在线算法,以确定分配的工作负载的数据中心和迁移的数据中心之间的工作负载,以适应动态电价变化。我们比较我们的算法与贪婪的方法,并表明,可以实现显着的成本节约迁移的工作量和动态延迟与未来的电价预测。我们验证我们的算法MapReduce的痕迹,并表明,地理负载均衡与动态延迟可以提供20-30%的成本节约。
2012-04-11 cs.DC cs.NI
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
Energy and Network Aware Workload Management for Geographically Distributed Data Centers
云服务提供商正在地理上分布数据中心,以通过智能工作负载分配来最大限度地降低能源成本。随着新兴云工作负载中的数据量不断增加,将跨数据中心传输工作负载的网络成本考虑在内至关重要。对于地理分布的数据中心,许多研究人员一直在探索能源成本最小化和智能数据中心间的工作负载分配策略。然而,现有的工作并没有全面和同时考虑数据中心的能源成本,数据传输成本和数据中心的部署延迟。在本文中,我们提出了一种新的基于博弈论的工作负载管理框架,采取整体的方法来云运营成本最小化问题,通过智能调度决策,了解数据传输成本和数据中心的延迟。我们的框架执行智能工作负载管理,考虑数据中心计算能力的异构性,冷却能力,服务器中任务协同定位的干扰影响,使用时间电价,可再生能源,净计量,峰值需求定价分配和网络定价。我们的模拟表明,所提出的博弈论技术可以更有效地减少云运营成本比现有的方法。
2021-05-31 cs.DC cs.GT cs.NI
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
Advancing Environmental Sustainability in Data Centers via Carbon Depreciation Models
Brown University(布朗大学);Syracuse University(雪城大学)
提出碳折旧模型,通过非线性折旧优先使用旧服务器,在满足QoS约束下减少28-57%的碳排放。
2026-05-26 cs.DC
Predicting Lakehouse Performance in Clouds: An Empirical Exploration of Query Runtime Variance
University of Glasgow(格拉斯哥大学);Barclays PLC(巴克莱银行)
本文通过跨云实验量化分布式Lakehouse查询的运行时方差,分析其来源(如数据局部性、共租户负载和缓存效应),并评估方差对查询性能预测模型及低碳调度等负载管理技术的影响。
2026-06-02 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
Cache Your Prompt When It's Green: Carbon-Aware Caching for Large Language Model Serving
University of Waterloo(滑铁卢大学);Purdue University(普渡大学)
本文提出GreenCache框架,通过动态资源分配平衡碳排放与服务等级协议,实现在LLM服务中减少15.1%的碳排放,最高达25.3%。
2026-04-11 cs.AR 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
FissionReady: Joint Workload and Power Scheduling for Data Centers Powered by Small Modular Reactors
IIT Tirupati(蒂鲁帕蒂印度理工学院);University of Utah(犹他大学);Northeastern University(东北大学)
FissionReady是一种面向SMR供电数据中心的调度器,通过跟踪燃料年龄和氙状态确定运行包络,并采用双时间尺度优化协调负荷跟踪与电网购电,实现零停堆和零截止时间错过,同时大幅降低水耗和电网成本。
2026-10-01 cs.DC
MOSAIC: A Multi-Objective Optimization Framework for Sustainable Datacenter Management
提出MOSAIC框架,结合自适应局部搜索与协作分解进化算法,从全球视角协同优化数据中心运营的能源成本、碳排放和水足迹,实验表明相比现有方法在多个目标上显著提升。
2023-11-14 cs.DC cs.NE
A Survey on Machine Learning for Geo-Distributed Cloud Data Center Management
Colorado State University(科罗拉多州立大学)
今天的云工作负载通常在分布式环境中进行管理,并在地理上分布的数据中心进行处理。云服务提供商一直在全球范围内分布数据中心,以降低运营成本,同时通过使用智能工作负载和资源管理策略来提高服务质量。软件工作负载和硬件资源的这种大规模和复杂的编排仍然是难以有效解决的问题。研究人员和实践者一直试图通过提出各种云管理技术来解决这个问题。数学优化技术历来用于解决云管理问题。但这些技术难以扩展到地理分布的问题规模,并且在动态异构系统环境中的适用性有限,迫使云服务提供商探索智能数据驱动和基于机器学习(ML)的替代方案。近年来,采用ML方法对复杂、异构和不断变化的分布式云资源和工作负载进行表征、预测、控制和优化受到了广泛关注。在本文中,我们回顾了用于云数据中心管理问题的最新ML技术。我们研究了当前研究中的挑战和问题,重点关注ML云管理,并探索解决这些问题的策略。我们还讨论了最近文献中提出的ML技术的优点和缺点,并对未来的研究方向提出了建议。
2022-05-17 cs.DC cs.LG
Ichnos: A Carbon Footprint Estimator for Scientific Workflows
本文提出Ichnos系统,基于工作流轨迹、功耗模型和碳强度数据事后估算Nextflow科学工作流碳足迹,误差3.9%-10.3%,优于基线方法。
2025-08-06 cs.DC
Energy-Efficiency and Sustainability in New Generation Cloud Computing: A Vision and Directions for Integrated Management of Data Centre Resources and Workloads
针对云计算能耗激增带来的环境与运营问题,本文提出以学习为核心的新一代云环境集成管理愿景,明确相关维度与关键问题,给出概念架构及初步结果,验证其在保服务质量的同时降能耗减碳排的潜力。
2023-07-20 cs.DC
A Survey of End-to-End Modeling for Distributed DNN Training: Workloads, Simulators, and TCO
本文综述分布式 DNN 训练模拟器,从工作负载表示、仿真基础设施和含碳排放的 TCO 模型三维度比较现有工具,并指出趋势、局限与研究挑战。
2025-06-10 cs.DC
AI Inference as Relocatable Electricity Demand: A Latency-Constrained Energy-Geography Framework
School of Computer Science and Artificial Intelligence, Southwestern University of Finance and Economics(计算机科学与人工智能学院,西南财经大学)
本文提出一种延迟受限的能源-地理框架,研究AI推理计算的可迁移性,通过建模客户端、服务节点和计算节点三层架构,解决推理任务的放置优化问题,并引入可迁移推理需求等指标。
2026-05-01 cs.AI cs.DC
GeoMesh: Workload-Balanced and Sign-Compressed Geo-Distributed LLM Training
Korea University(高丽大学);Microsoft Research Asia(微软亚洲研究院)
针对地理分布式LLM训练中异构GPU同步等待和通信开销大的问题,提出GeoMesh框架,通过负载均衡和符号压缩伪梯度,将通信量减少近32倍,训练时间最多缩短70.2%。
2026-09-17 cs.DC
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
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
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
Distributed Real-Time Energy Management in Data Center Microgrids
数据中心运营商在运行其数据中心时通常面临三个重要问题,即,不断上涨的电费、不断增加的碳足迹和意外停电。为了缓解这些问题,在微电网中运行数据中心是一个很好的选择,因为微电网可以提高电力服务的能源效率、可持续性和可靠性。因此,在本文中,我们调查的问题,能源管理多个数据中心的微电网。具体而言,我们打算通过考虑电价、可再生能源产出和数据中心工作负载的不确定性,最大限度地降低数据中心微电网的长期运营成本。我们首先制定了一个随机规划问题的考虑因素很多,例如,为批量工作负载、交互式工作负载分配、批量工作负载削减、电力购买/销售、电池充电/放电效率以及备用发电机的斜坡约束提供异构服务延迟保证。然后,我们设计了一个实时和分布式算法的基础上,李雅普诺夫优化技术和交替方向的乘法器(ADMM)的一个变种的问题。此外,所提出的算法提供的性能保证进行了分析。大量的仿真结果表明,该算法在降低数据中心微电网的运营成本的有效性。
2017-02-01 cs.DC
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
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
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