本研究は、データセンターにおけるワークロードパターンの予測に機械学習ベースのフレームワークを提案し、エネルギー効率の高い運用を可能にするものである。この研究では、Long Short-Term Memory（LSTM）ネットワークとRandom Forestアルゴリズムを組み合わせたハイブリッドモデルを提案し、予測精度を向上させて動的なリソース割り当てを支援する。モデルの評価には、大規模クラスターのトレースや機関のデータセンターログなどの実データセットを用いた。実験結果は、ハイブリッドアプローチが単独モデルを上回り、より高い予測精度を達成し、適応的な電力スケーリングにより最大25％のエネルギー節約を可能にすることを示した。また、本論文では、概念ドリフト、システム統合、スケーラビリティといった実装上の課題についても論じ、注意機構、フェデレーテッドラーニング、強化学習を用いたインテリジェントなエネルギー管理など将来の方向性を示している。本研究は、パフォーマンスを損なうことなく、予測分析によって現代のデータセンターにおけるエネルギー消費を大幅に削減できることを実証し、持続可能なコンピューティングに貢献する。
SINGHら（Mon,）はこの問題を研究した。