Zero-Carbon Cloud: Mensuração do Consumo Energético Associado à Virtualização de Solução Baseada em Redes Neurais Recorrentes LSTM

• Davi Lopes Lemos UNIPAMPA
• Naylor Bastiani Perez Embrapa
• Leonardo Bidese de Pinho UNIPAMPA

DOI: https://doi.org/10.5753/errc.2025.17842

Resumo

O uso crescente de Cloud Computing para aplicações de Inteligência Artificial tem ampliado a preocupação com o gasto de energia e o impacto ambiental desses sistemas. Este estudo analisa a execução de um modelo RNN LSTM em máquina virtual considerando os princípios de zero-carbon cloud, mostrando que a virtualização acrescenta cerca de 15% ao consumo energético e impacta de forma mais expressiva o tempo de execução. Além disso, demonstra-se que o local e horário influenciam fortemente as emissões de GEE, evidenciando que a execução em países com matrizes elétricas mais limpas reduz a pegada de carbono da solução.

Referências

Buyya, R., Ilager, S., and Arroba, P. (2023). Energy-efficiency and sustainability in new generation cloud computing: A vision and directions for integrated management of data centre resources and workloads.

DeSantis, D., James, B. D., Houchins, C., Saur, G., and Lyubovsky, M. (2021). Cost of long-distance energy transmission by different carriers. iScience, 24(12):103495.

Large-Scale Sustainable Systems Group (2025). Zero-carbon cloud (zccloud) and sustainable cloud computing. [link].

Lemos, D. L., Perez, N. B., and Pinho, L. (2025). Impacto do uso de virtualização na execução de modelos preditivos com ia para agricultura digital. Anais do Salão Inovação, Ensino, Pesquisa e Extensão, 2(17).

Morabito, R. (2015). Power consumption of virtualization technologies: an empirical investigation. In 8th IEEE/ACM International Conference on Utility and Cloud Computing (UCC).

Rich, E., Knight, K., and Nair, S. B. (2009). Artificial Intelligence. McGraw Hill Education.

Schulte, L. G. (2019). Suporte à decisão em pastagens: Análise espaço-temporal e aprendizado de máquina para predição da disponibilidade de forragem no contexto de smart farming. Master’s thesis, PPGCAP – UNIPAMPA.

Schwartz, R., Dodge, J., Smith, N. A., and Etzioni, O. (2020). Green ai. Communications of the ACM, 63(12):54–63.

Tomm, D. F., Lemos, D. L., Perez, N. B., and Pinho, L. (2025). Avaliação de método baseado em software para medição do consumo energético de redes neurais recorrentes. Anais do Salão Inovação, Ensino, Pesquisa e Extensão, 2(17).

Verdecchia, R., Sallou, J., and Cruz, L. (2023). A systematic review of green ai. WIREs Data Mining and Knowledge Discovery, 13(4):e1507.