May, 2023

绿色数据中心可持续发展的全面自动化扩展

PDF
TL;DR提出了一种名为 Full Scaling Automation (FSA) 的机制，该机制利用深度表征学习来动态适应大型云计算集群中的工作负载，实现数据中心集群保持所需的 CPU 利用率目标的同时提高能源效率，并且在 2022 年 “双 11” 购物节期间，使用 FSA 机制成功减少了 947 吨二氧化碳的排放，实现了我公司 2030 年碳中和的战略目标。
cloud computingresource utilizationenergy efficiencydeep representation learningcarbon emissions
发现论文，激发创造
  • CAFE：地理分布式数据中心中的碳感知联邦学习

    通过提出一个名为 CAFE 的框架，同时优化学习性能和减少环境影响，本研究重点探讨了在各地数据中心分布的条件下训练大规模人工智能模型所面临的挑战。

    Nov, 2023

  • 自我感知和自适应云自动扩展系统的调查和分类

    本文对自适应自感知云自适应系统 (SSCAS) 进行了全面的综述和分类，旨在提供更深入的分析和见解，以及未来工作中值得研究的方向，从而为云中更智能的自动缩放系统的工程奠定基础。

    Sep, 2016

  • 超越效率：可持续扩展人工智能

    AI 的碳排放问题及效率优化的机会和可持续性

    Jun, 2024

  • LACS: 基于学习的算法对碳意识进行资源调整和需求不确定性管理

    本文研究在线碳感知资源伸缩问题，并将其应用于执行计算工作负载的碳感知资源伸缩，以减少云数据中心的碳排放。通过提出的 LACS 算法，本研究实现了对未知作业长度的在线碳感知执行，并与基线算法进行了比较，展示了 LACS 相对于理想的作业长度信息和准确的碳强度预测算法的平均碳足迹减少。

    Mar, 2024

  • FedGreen：具有模型大小自适应的碳感知联邦学习

    FedGreen 是一种碳感知的联邦学习方法，通过采用基于客户端的碳排放数据和位置的自适应模型大小训练技巧，以及使用有序的随机失活作为模型压缩技术，可以有效地训练模型，并在考虑不同国家碳强度差异的同时，降低碳排放，并保持竞争性的模型准确性。

    Apr, 2024

  • 实时可持续数据中心的碳足迹减少

    利用多主体强化学习（MARL）框架，提出了一种数据中心碳足迹减少（DC-CFR）的方法，该方法在实时环境下，通过优化冷却、负载转移和能量存储，有效地解决了能源效率和碳排放减少等复杂目标之间的相互依赖关系。

    Mar, 2024

  • 云服务使异构资源上高效的 AI 引导仿真工作流程成为可能

    使用多种计算资源，如高度并行的超级计算机和专用加速器，部署基于 AI 的模拟工作流非常有利，其中，云托管管理服务的使用可以简化跨资源身份验证和授权，功能即服务（FaaS）函数调用和数据传输等方面的管理，我们的研究表明使用云托管管理服务可以实现与直接连接资源使用情况相当的性能优化。

    Mar, 2023

  • 基于长短期记忆循环神经网络的自动云资源缩放算法

    该研究提出了一种基于机器学习和神经网络的动态阈值自动扩展算法，以实现云计算中资源的自适应扩展，实验结果表明该算法优于其他算法。

    Jan, 2017

  • 网络容量扩展辅以不可靠机器学习预测

    本文介绍了一种名为 Adaptive Balanced Capacity Scaling (ABCS) 的算法，该算法能够通过使用基于机器学习的预测来适应并减小数据中心的能耗和交换成本，同时保持足够的预测精度和竞争比率，相关的实验结果也证明了该算法的有效性。

    Jan, 2021

  • 一种智能无服务器函数的深度递归强化学习方法

    通过将模型无关的循环强化学习（Recurrent RL）代理与最先进的 PPO 算法相结合，我们研究了用于函数自动缩放的模型无关的 Recurrent RL 代理，并将其与基于阈值的函数自动缩放进行了比较，发现循环策略能够捕捉环境参数并在函数自动缩放方面显示出有希望的结果。除此之外，我们将基于 PPO 的自动缩放代理与商业使用的基于阈值的函数自动缩放进行了比较，并认为基于 LSTM 的自动缩放代理能够提高吞吐量 18％，函数执行速度 13％，并支持多出 8.4％的函数实例。

    Aug, 2023