Green Video Transcoding in Cloud Environments Using Kubernetes: A Framework With Dynamic Renewable Energy Allocation and Priority Scheduling
Notice bibliographique
Résumé
Video content continues to be a major source of Internet traffic, with a growing demand for high-quality, on-demand videos. This leads to significant energy consumption across cloud servers. Conserving energy and improving energy efficiency in cloud servers is a major challenge. The growing demand for video transcoding services and increasing concerns over energy consumption necessitate systems that balance processing power with energy usage. The research addresses these challenges by developing a green, energy-aware video transcoding system that predicts energy availability from renewable sources (solar and wind) using machine learning techniques and optimizes tasks allocation. The system utilizes a Kubernetes-managed backend to dynamically scale resources for FFmpeg-based transcoding while prioritizing renewable energy, minimizing grid usage utilizing the advanced machine learning models, including Random Forest, XGBoost, and CatBoost, predict energy production and guide task assignments. The integration of predictive analytics with Kubernetes’ Horizontal Pod Autoscaler (HPA) allows dynamic workload distribution, ensuring optimal energy utilization. Additionally, the system incorporates real-time energy monitoring to adjust task scheduling based on fluctuations in renewable energy availability. Two novel scheduling algorithms, Dynamic Renewable Energy Allocation (DREA) and Energy-Aware Priority Scheduling (EAPS), enhance energy efficiency. DREA allocates tasks to energy zones based on real-time renewable availability, while EAPS prioritizes tasks by urgency and energy needs, deferring low-priority tasks to periods of high renewable availability. These green strategies minimize reliance on non-renewable sources while maintaining performance and scalability. The system’s modular design allows easy integration with various cloud platforms, increasing its applicability in real-world scenarios. Furthermore, extensive scalability tests demonstrate that the proposed approach maintains efficient task execution even under high workloads, making it suitable for large-scale cloud environments. By reducing energy consumption and carbon footprint, this framework contributes to the advancement of sustainable cloud computing solutions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».