Optimized Resource Forecasting for Carbon-Intelligent Data Centers With TempoSight: A Hybrid Deep Learning Approach
Notice bibliographique
Résumé
Precise resource utilization forecasting is paramount for enabling carbon-intelligent operation in Industrial Internet of Things (IIoT) environments; Cloud data centers (DCs) are no exception. Optimizing their resource allocation not only reduces operational costs but also minimizes energy consumption and associated carbon emissions, contributing to sustainable computing. This paper introduces <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TempoSight</i>, a novel hybrid Deep Learning (DL) architecture designed for multivariate (MV) time series forecasting, specifically targeting carbon-intelligent resource provisioning in Cloud DCs. <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TempoSight</i> synergistically combines the strengths of Patch Time Series Transformers (PatchTST), excelling at capturing global context and long-range dependencies, and Long Short-Term Memory (LSTM) networks, mastering sequential dynamics. To address the critical need for efficient hyperparameter tuning in complex DL models, we propose a Cuckoo Search Algorithm (CSA) based optimization approach. This enables efficient training and optimization of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TempoSight</i> for MV time series forecasting, leading to improved resource utilization predictions. Rigorous evaluation on the Alibaba and Bitbrains datasets, representing diverse real-world IIoT workload patterns, demonstrates <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TempoSight</i>’s superior accuracy and robustness compared to state-of-the-art DL models. Notably, under high-load conditions, <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TempoSight</i> achieves a remarkable 10-15% reduction in Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). This research highlights the critical role of hybrid DL models and intelligent optimization in achieving accurate and efficient resource provisioning, paving the way for carbon-aware IIoT applications and contributing to the broader goals of sustainable and green computing. Simulation studies also suggest that <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TempoSight</i>’s high-fidelity CPU forecasts significantly improve the Green Energy Utilization Factor (GEUF) when guiding Predictive Carbon-Aware (PCA) scheduling, quantitatively connecting forecasting precision with concrete sustainability advantages in DC operations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».