Mar, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 通过速度缩放学习增强能量最小化

    本文介绍了一种基于机器学习的动态在线速度缩放算法，以最小化数据中心的能源消耗，并提供了理论和实验证据来支持其效果。

    Oct, 2020

  • 绿色数据中心可持续发展的全面自动化扩展

    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。

    May, 2023

  • 走向碳中和边缘计算：利用现货和未来碳市场实现边缘 AI 绿色化

    研究如何实现有限碳排放的碳感知机器学习任务卸载和碳排放权购买，提出基于 Lyapunov 优化技术的在线算法，结合资源限制随机依赖舍入算法，以实现绿色边缘 AI。

    Apr, 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

  • 基于多智能体强化学习的地理分布数据中心可持续负载调度

    本研究提出一种基于多智能体强化学习和演员 - 评论家方法的算法，通过与真实工作负载模式、能源价格和碳强度相互作用的云系统学习最优的协同调度策略，从而最大化 GPU 利用率、降低运营成本和减少碳排放。与其他算法相比，我们的方法提高了系统效用，最高可达 28.6％。

    Apr, 2023

  • 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

  • 应用液态状态机学习实现 LTE-U 无人机网络资源及缓存管理

    针对具有缓存功能的无人机网络服务，提出了基于机器学习框架的分布式算法，解决了用户关联、频谱分配、内容缓存等问题，实验结果表明相比基于 Q-learning 算法的缓存和不缓存算法，优化后的算法在稳定队列用户数上分别有 33.3% 和 50.3% 的提高。

    Jan, 2018

  • 基于 A3C 学习和残差循环神经网络的随机边缘云计算环境动态调度

    提出了一种基于 A3C 和 R2N2 的边缘云环境实时调度器，允许分散式学习，同时跨多个代理并利用时间模式提供有效的调度决策，实验表明在实际数据集上相比现有算法的能耗、响应时间、服务级别协议和运行成本等方面都有显著改进。

    Sep, 2020

  • 最大推理准确性和能效的选择性任务卸载用于实时物联网感知系统

    通过提出轻量级混合遗传算法来解决小型推理模型在边缘设备上动态分配推理任务以最大化推理准确度的问题，并与其他演化方法进行比较。

    Feb, 2024