Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Datacenter Power Management in Smart Grids overviews recent work on managing and minimizing the cost of data centers in the context of smart grids. It starts by reviewing the operation of smart grids and analyzing how power is consumed in datacenters. Then, it presents various cost minimization approaches using techniques from the fields of optimization, algorithmics, and feedback control. In particular, it focuses on approaches that utilize time-of-use pricing and demand response features to cut the datacenter electricity cost. In a cloud computing environment, companies or individuals offload their computing to the cloud, which is supported by the computing infrastructure called datacenters. The operation of these datacenters consumes large amounts of electricity, bringing high costs and negatively impacting the environment. In the mean time, a new kind of electrical grid, the smart grid, is emerging. Smart grids enable two-way communications between the power generators and the power consumers. Smart grid technology brings many salient features to help deliver power efficiently and reliably. While a lot of research has been conducted on both datacenters and smart grids, Datacenter Power Management in Smart Grids takes the novel approach of considering both together and focuses on cost-aware datacenter power management in the presence of smart grids. This work reviews recent developments in this area and explains how a smart grid operates, where power goes in datacenters, and, most importantly, how to reduce the power cost and/or negative environmental impact when operating datacenters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle