Ichnos+: Fitted Power Modelsを用いた科学ワークフローのカーボンフットプリント推定

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Researchers in sustainable computing can adopt Ichnos+ to quantify and optimize the environmental impact of their workflows.

🏢実務担当者:Practitioners managing data centers or cloud infrastructure can use Ichnos+ to report carbon emissions from computational workloads for sustainability reporting.

データ集約型の科学ワークフローが、増大するデータの分析自動化を促進するためにスケールするにつれて、そのリソース集約的かつ長時間実行される処理は、多大なエネルギー消費と炭素排出を引き起こす。ICTセクターからの排出がすでに顕著で増加傾向にあることを考慮すると、科学ワークフローの炭素フットプリントを定量化し理解することが極めて重要である。しかしながら、既存のツールは、共有・仮想化環境では一般的に使用できないか、わずか1つまたは2つの一般的なデータポイントに基づく電力モデルに頼っている。このギャップに対処するため、本論文では、Nextflow科学ワークフローの環境フットプリントを定量化する新しいシステムであるIchnos+を提示する。Ichnos+は、既存のワークフロートレース、利用された計算リソースに対するノード固有の電力モデル、および実行時間に整合した炭素強度データに基づく事後フットプリント推定を可能にする。我々は、Intel RAPLを用いて取得したハードウェアレベルのエネルギー測定値、およびGreen Algorithms手法を実装したnf-core co2footprintプラグインに対してIchnos+を評価する。その結果、Ichnos+は3つの計算クラスタ全体で10.8%の推定誤差でワークフローのエネルギー消費を推定でき、nf-coreプラグインを大幅に上回ることがわかった。さらに、Ichnos+が運用炭素を超えて、内包排出だけでなく水使用と土地利用も推定することを示す。最後に、Ichnos+が別のワークフローシステムであるApache Airflowにも拡張可能であり、同様に高い推定精度を維持することを実証する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

As data-intensive scientific workflows scale to facilitate the automation of analysis of increasing amounts of data, their resource-intensive and long-running execution incurs significant energy consumption and carbon emissions. Given the already significant and rising emissions from the ICT sector, it is crucial to quantify and understand the carbon footprint of scientific workflows. However, existing tooling is commonly not usable in shared, virtualized environments or resorts to power models that are based on only one or two generic data points. To address this gap, this paper presents Ichnos+, a novel system to quantify the environmental footprint of Nextflow scientific workflows. Ichnos+ enables post-hoc footprint estimation based on existing workflow traces, node-specific power models for the computational resources utilized, and carbon intensity data aligned with the execution time. We evaluate Ichnos+ against hardware-level energy measurements obtained using Intel RAPL, and the nf-core co2footprint plugin, which implements the Green Algorithms methodology. We find that Ichnos+ is capable of estimating workflow energy consumption with an estimation error of 10.8% across three compute clusters, significantly outperforming the nf-core plugin. We further show that Ichnos+ extends beyond operational carbon to estimate embodied emissions as well as water and land use. Finally, we demonstrate how Ichnos+ can be extended for another workflow system, Apache Airflow, maintaining a similarly high degree of estimation accuracy.

• openalex https://arxiv.org/abs/2607.10586first seen 2026-07-16 05:29:18 · last seen 2026-07-17 05:11:51