Reducing energy consumption - and especially carbon emissions - is one of the most important challenges facing humankind. ICT (Information and Communication Technology) is a powerful tool to reduce emissions as it offers alternatives to activities that are costly in energy: video streaming saves energy vs driving to a movie theater, for instance. Still, the carbon footprint of ICT in general and networking in particular have been growing, despite better energy efficiency per transmitted bit, due to the sheer growth in Internet usage and traffic. The information and communication technology (ICT) sector is currently estimated to create 2.7% of all global CO2 emissions and expected to continue to increase. Hence, monitoring and reducing the CO2 emissions from ICT is increasingly important. Networks are responsible for around 13% of ICT energy consumption, a third of which in turn is attributable to backbone (core) networks. As such, it is important to offer new mechanisms to reduce the energy footprint of networks. In this paper, we present a framework to include energy considerations (as a proxy for carbon footprint) into the management plane of a network. We apply this framework to optimize the network topology so as to minimize the energy spending while at the same time providing a satisfactory Quality of Experience (QoE) to the end users. We present this framework along high-level considerations, as its deployment and evaluation is left for future work.


翻译:减少能源消耗,尤其是碳排放,是人类面临的最重要的挑战之一。信息和通信技术(ICT)是减少排放的有力工具,因为它为节省能源的活动提供了替代方案,例如视频流媒体可以节省能源,而不必驾车前往电影院。然而,尽管每传输一比特的能耗更高效,ICT总体和网络特别是碳排放量却在增长,这是由于互联网使用和流量的大幅增长。目前,信息和通信技术(ICT)部门占全球二氧化碳排放总量的2.7%,预计将持续增长。因此,监测和减少ICT的二氧化碳排放量变得越来越重要。网络负责ICT能源消耗的约13%,其中三分之一归功于骨干(核心)网络。因此,提供新机制来减少网络的能源足迹非常重要。在本文中,我们提出了一种框架,将能源考虑(作为碳排放的代理)纳入网络的管理平面中。我们将此框架应用于优化网络拓扑结构,以最小化能源消耗,同时为终端用户提供满意的体验质量(QoE)。我们提供这个框架以及一些高层次的考虑,将其部署和评估留给未来的工作进行。

0
下载
关闭预览

相关内容

【2022新书】高效深度学习,Efficient Deep Learning Book
专知会员服务
120+阅读 · 2022年4月21日
强化学习最新教程,17页pdf
专知会员服务
176+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
40+阅读 · 2019年10月9日
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】(TensorFlow)SSD实时手部检测与追踪(附代码)
机器学习研究会
11+阅读 · 2017年12月5日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年5月11日
Arxiv
93+阅读 · 2022年8月2日
Arxiv
22+阅读 · 2022年3月31日
Arxiv
10+阅读 · 2021年11月10日
A Survey on Data Augmentation for Text Classification
Optimization for deep learning: theory and algorithms
Arxiv
105+阅读 · 2019年12月19日
VIP会员
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员