GreenBytes: Intelligent Energy Estimation for Edge-Cloud

本研究探讨了先进的机器学习模型——具体而言是长短时记忆网络（LSTM）和梯度提升模型——在Kubernetes集群环境下准确估计能源消耗的应用。它旨在通过提供各种计算节点上精确的能源使用预测，提高可持续计算实践水平。通过对主节点和工作节点上模型性能的仔细分析，研究揭示了这些模型在促进能源效率方面的优势和潜在应用。LSTM模型表现出卓越的预测准确性，特别是在捕捉随时间变化的动态计算工作负载方面，低均方误差（MSE）率和能够紧密跟踪实际能源消耗趋势的能力证明了这一点。相反，梯度提升模型展示了在不同计算环境下的强大适应性和鲁棒性，尽管MSE值稍高。该研究强调了这些模型在推进可持续计算实践方面的互补性，建议将它们整合到能源管理系统中，可以显著提高技术运营的环境可持续性。

论文旨在通过应用先进的机器学习模型，特别是长短期记忆（LSTM）网络和梯度提升模型，在Kubernetes集群环境中准确估计能源消耗，以提高可持续计算实践。研究旨在通过对主节点和工作节点上模型性能的精细分析，揭示这些模型在促进能源效率方面的优势和潜在应用。

论文中的关键思路是通过LSTM模型和梯度提升模型的互补使用来提高能源管理系统的环境可持续性。

LSTM模型表现出了显著的预测精度，特别是在捕捉随时间变化的动态计算工作量方面，表现出低的均方误差（MSE）率和紧密跟踪实际能源消耗趋势的能力。梯度提升模型则展示了在不同计算环境中的强健性和适应性，尽管MSE值略高。实验使用了Kubernetes集群环境和真实的能源消耗数据集。论文提出的模型和方法可以用于提高能源管理系统的环境可持续性。

最近的相关研究包括使用深度学习模型进行能源消耗预测的研究，如《基于深度学习的数据中心能耗预测》和《基于长短期记忆网络的数据中心能耗预测研究》。