Well-Architected Framework: Säule „Nachhaltigkeit“

Last reviewed 2026-01-28 UTC

Die Nachhaltigkeitssäule im Google Cloud Well-Architected Framework bietet Empfehlungen zum Entwerfen, Erstellen und Verwalten von Arbeitslasten in Google Cloud, die energieeffizient und CO₂-bewusst sind.

Die Zielgruppe für dieses Dokument umfasst Entscheidungsträger, Architekten, Administratoren, Entwickler und Operatoren, die Arbeitslasten in Google Cloudentwerfen, erstellen, bereitstellen und verwalten.

Architektur- und Betriebsentscheidungen haben erhebliche Auswirkungen auf den Energieverbrauch, die Wassernutzung und die CO₂-Bilanz, die durch Ihre Arbeitslasten in der Cloud verursacht werden. Jede Arbeitslast, sei es eine kleine Website oder ein umfangreiches ML-Modell, verbraucht Energie und trägt zu CO₂-Ausstoß und der Intensität der Wasserressourcen bei. Wenn Sie Nachhaltigkeit in Ihre Cloud-Architektur und Ihren Designprozess integrieren, erstellen Sie Systeme, die effizient, kostengünstig und klimafreundlich sind. Eine nachhaltige Architektur ist robust und optimiert, was zu einem positiven Feedback-Loop mit höherer Effizienz, niedrigeren Kosten und geringerer Umweltbelastung führt.

Nachhaltiges Design: Ganzheitliche Geschäftsergebnisse

Nachhaltigkeit ist kein Kompromiss gegenüber anderen zentralen Geschäftszielen. Nachhaltigkeitspraktiken tragen dazu bei, Ihre anderen Geschäftsziele schneller zu erreichen. Architekturentscheidungen, bei denen CO₂-arme Ressourcen und Vorgänge priorisiert werden, helfen Ihnen, Systeme zu erstellen, die auch schneller, günstiger und sicherer sind. Solche Systeme gelten als von Grund auf nachhaltig, wobei die Optimierung im Hinblick auf Nachhaltigkeit insgesamt zu positiven Ergebnissen für Leistung, Kosten, Sicherheit, Ausfallsicherheit und Nutzerfreundlichkeit führt.

Leistungsoptimierung

Systeme, die für die Leistung optimiert sind, verbrauchen von Natur aus weniger Ressourcen. Eine effiziente Anwendung, die eine Aufgabe schneller erledigt, benötigt Rechenressourcen für einen kürzeren Zeitraum. Daher verbraucht die zugrunde liegende Hardware weniger Kilowattstunden (kWh) Energie. Eine optimierte Leistung führt außerdem zu einer geringeren Latenz und einer besseren Nutzerfreundlichkeit. Es werden keine Zeit und Energie durch Ressourcen verschwendet, die auf ineffiziente Prozesse warten. Wenn Sie spezielle Hardware (z. B. GPUs und TPUs) verwenden, effiziente Algorithmen einsetzen und die parallele Verarbeitung maximieren, verbessern Sie die Leistung und reduzieren die CO₂-Bilanz Ihrer Cloud-Arbeitslast.

Kostenoptimierung

Die Betriebskosten für die Cloud hängen von der Ressourcennutzung ab. Aufgrund dieses direkten Zusammenhangs reduzieren Sie durch die kontinuierliche Kostenoptimierung auch den Energieverbrauch und den CO₂-Ausstoß. Wenn Sie die Größe von VMs anpassen, aggressives Autoscaling implementieren, alte Daten archivieren und inaktive Ressourcen entfernen, reduzieren Sie die Ressourcennutzung und die Cloud-Kosten. Außerdem reduzieren Sie die CO₂-Bilanz Ihrer Systeme, da die Rechenzentren weniger Energie für die Ausführung Ihrer Arbeitslasten verbrauchen.

Sicherheit und Robustheit

Sicherheit und Zuverlässigkeit sind Voraussetzungen für eine nachhaltige Cloud-Umgebung. Ein manipuliertes System, z. B. ein System, das von einem DoS-Angriff (Denial of Service) oder einer unbefugten Datenpanne betroffen ist, kann den Ressourcenverbrauch erheblich steigern. Diese Vorfälle können zu massiven Traffic-Spitzen führen, Rechenzyklen für die Eindämmung auslösen und langwierige, energieintensive Vorgänge für die forensische Analyse, Bereinigung und Datenwiederherstellung erforderlich machen. Starke Sicherheitsmaßnahmen können dazu beitragen, unnötige Spitzen bei der Ressourcennutzung zu vermeiden, damit Ihre Abläufe stabil, vorhersehbar und energieeffizient bleiben.

In der Praxis

Systeme, die Effizienz, Leistung, Barrierefreiheit und minimale Datennutzung priorisieren, können dazu beitragen, den Energieverbrauch der Endnutzer zu senken. Eine Anwendung, die ein kleineres Modell lädt oder weniger Daten verarbeitet, um schneller Ergebnisse zu liefern, trägt dazu bei, den Energieverbrauch von Netzwerkgeräten und Endnutzergeräten zu senken. Diese Reduzierung des Energieverbrauchs ist besonders für Nutzer mit begrenzter Bandbreite oder älteren Geräten von Vorteil. Außerdem trägt nachhaltige Architektur dazu bei, die Umweltbelastung zu minimieren, und zeigt Ihr Engagement für sozial verantwortliche Technologie.

Nachhaltigkeitsvorteile der Migration in die Cloud

Die Migration lokaler Arbeitslasten in die Cloud kann dazu beitragen, den ökologischen Fußabdruck Ihres Unternehmens zu verringern. Die Umstellung auf eine Cloud-Infrastruktur kann den Energieverbrauch und die damit verbundenen Emissionen im Vergleich zu typischen lokalen Bereitstellungen um das 1,4- bis 2-Fache reduzieren. Cloud-Rechenzentren sind moderne, speziell entwickelte Einrichtungen, die für eine hohe Effizienz der Stromnutzung (Power Usage Effectiveness, PUE) ausgelegt sind. Ältere lokale Rechenzentren sind oft nicht groß genug, um Investitionen in moderne Kühl- und Stromverteilungssysteme zu rechtfertigen.

Gemeinsame Verantwortung und Fate-Sharing

Unter Gemeinsame Verantwortung und Fate-Sharing in Google Cloud wird beschrieben, dass die Sicherheit von Cloud-Arbeitslasten eine gemeinsame Verantwortung von Google und Ihnen als Kunden ist. Dieses Modell der gemeinsamen Verantwortung gilt auch für die Nachhaltigkeit.

Google ist für die Nachhaltigkeit von Google Cloudverantwortlich, d. h. für die Energieeffizienz und die nachhaltige Wassernutzung unserer Rechenzentren, Infrastruktur und zentralen Dienste. Wir investieren kontinuierlich in erneuerbare Energien, klimabewusste Kühlung und Hardwareoptimierung. Weitere Informationen zur Nachhaltigkeitsstrategie und zu den Fortschritten von Google finden Sie im Google Sustainability 2025 Environmental Report.

Sie als Kunde sind für die Nachhaltigkeit in der Cloud verantwortlich. Das bedeutet, dass Sie Ihre Arbeitslasten so optimieren müssen, dass sie energieeffizient sind. Sie können beispielsweise Ressourcen richtig dimensionieren, serverlose Dienste verwenden, die auf null skaliert werden, und Datenlebenszyklen effektiv verwalten.

Wir befürworten auch ein Fate-Sharing-Modell: Nachhaltigkeit ist nicht nur eine Aufteilung von Aufgaben, sondern eine partnerschaftliche Zusammenarbeit zwischen Ihnen und Google, um den ökologischen Fußabdruck des gesamten Ökosystems zu reduzieren.

KI für bessere Geschäftsergebnisse einsetzen

Die Nachhaltigkeitssäule des Well-Architected Framework (dieses Dokument) enthält Anleitungen, die Sie beim Entwerfen nachhaltiger KI-Systeme unterstützen. Eine umfassende Nachhaltigkeitsstrategie geht jedoch über die Umweltauswirkungen von KI-Arbeitslasten hinaus. Die Strategie sollte Möglichkeiten zur Nutzung von KI zur Optimierung von Abläufen und zur Schaffung neuer Geschäftswerte umfassen.

KI dient als Katalysator für Nachhaltigkeit, indem sie riesige Datasets in umsetzbare Informationen umwandelt. So können Unternehmen von reaktiver Compliance zu proaktiver Optimierung übergehen, z. B. in den folgenden Bereichen:

  • Betriebliche Effizienz: Optimieren Sie Ihre Abläufe durch eine verbesserte Bestandsverwaltung, eine optimierte Lieferkette und ein intelligentes Energiemanagement.
  • Transparenz und Risiko: Nutzen Sie Daten für eine detaillierte Transparenz der Lieferkette, die Einhaltung regulatorischer Anforderungen und die Modellierung von Klimarisiken.
  • Wert und Wachstum: Erschließen Sie neue Einnahmequellen in den Bereichen nachhaltige Finanzen und Recommerce.

Google bietet die folgenden Produkte und Funktionen, mit denen Sie Erkenntnisse aus Daten gewinnen und Funktionen für eine nachhaltige Zukunft entwickeln können:

  • Google Earth AI: Diese Lösung nutzt raumbezogene Daten auf globaler Ebene, um Umweltveränderungen zu analysieren und die Auswirkungen auf die Lieferkette zu überwachen.
  • WeatherNext: Bietet erweiterte Wettervorhersagen und Analysen zu klimabedingten Risiken, um Sie bei der Entwicklung von Resilienz gegenüber Klimaschwankungen zu unterstützen.
  • Geospatial Insights mit Google Earth: Verwendet Geodaten, um Standorten umfangreiche Kontextdaten hinzuzufügen. Das ermöglicht eine intelligentere Standortauswahl, Ressourcenplanung und Betriebsführung.
  • Routenoptimierung in Google Maps: Optimiert Logistik- und Lieferrouten, um die Effizienz zu steigern und den Kraftstoffverbrauch und die Transportemissionen zu senken.

Zusammenarbeit mit Partnern und Kunden

Google Cloud und TELUS haben sich zusammengetan, um die Nachhaltigkeit der Cloud zu verbessern. Dazu migrieren sie Arbeitslasten in die CO₂-neutrale Infrastruktur von Google und nutzen Datenanalysen, um den Betrieb zu optimieren. Diese Zusammenarbeit bietet soziale und ökologische Vorteile durch Initiativen wie Smart-City-Technologie, die Echtzeitdaten nutzt, um Staus und CO₂-Ausstoß in kanadischen Gemeinden zu reduzieren. Weitere Informationen zu dieser Zusammenarbeit finden Sie unter Google Cloud und TELUS arbeiten für Nachhaltigkeit zusammen.

Arbeitslasten mit einem KI-Agenten-Skill bewerten

Wenn Sie KI-Agenten ermöglichen möchten, Ihre Cloud-Arbeitslasten anhand der Prinzipien und Empfehlungen in dieser Säule zu bewerten, verwenden Sie den Skill google-cloud-waf-sustainability, der im Google Agent Skills-Repository auf GitHub verfügbar ist.

Führen Sie den folgenden Befehl im Client oder Terminal Ihres Agenten aus, um den Skill zu installieren:

npx skills add google/skills --skill google-cloud-waf-sustainability

Geben Sie bei entsprechender Aufforderung die KI-Agenten an, für die Sie den Skill installieren möchten, und legen Sie den Installationsbereich (Projekt oder global) fest.

Grundprinzipien

Die Empfehlungen in der Nachhaltigkeitssäule des Well-Architected Framework sind den folgenden Grundprinzipien zugeordnet:

Beitragende

Autor: Brett Tackaberry | Principal Architect

Weitere Beitragende:

Regionen mit CO₂-armer Energie verwenden

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen zur Auswahl von Regionen mit geringen CO₂-Emissionen für Ihre Arbeitslasten in Google Cloud.

Übersicht über die Prinzipien

Wenn Sie eine Arbeitslast in Google Cloudbereitstellen möchten, ist die Wahl der Google Cloud -Region für die Arbeitslast eine wichtige Architekturentscheidung. Diese Entscheidung wirkt sich auf die CO₂-Bilanz Ihrer Arbeitslast aus. Um den CO2-Fußabdruck zu minimieren, muss Ihre Strategie zur Auswahl von Regionen die folgenden Elemente enthalten:

  • Datengestützte Auswahl: Berücksichtigen Sie bei der Identifizierung und Priorisierung von Regionen den Blattsymbol-Indikator Niedriger CO2-Ausstoß und den Messwert CO₂-freie Energie (CFE).
  • Richtlinienbasierte Governance: Schränken Sie die Ressourcenerstellung auf umweltfreundliche Standorte ein, indem Sie die Einschränkung Ressourcenstandorte im Organisationsrichtliniendienst verwenden.
  • Betriebliche Flexibilität: Verwenden Sie Techniken wie Zeitverschiebung und CO₂-bewusste Planung, um Batcharbeitslasten zu Zeiten auszuführen, in denen die CO₂-Intensität des Stromnetzes am niedrigsten ist.

Der Strom, der für den Betrieb Ihrer Anwendung und Arbeitslasten in der Cloud benötigt wird, ist ein wichtiger Faktor bei der Auswahl von Google Cloud -Regionen. Berücksichtigen Sie außerdem die folgenden Faktoren:

  • Datenstandort und -hoheit: Der Ort, an dem Sie Ihre Daten speichern müssen, ist ein grundlegender Faktor, der Ihre Wahl der Google Cloud-Region bestimmt. Diese Auswahl wirkt sich auf die Einhaltung der lokalen Anforderungen an den Datenstandort aus.
  • Latenz für Endnutzer: Die geografische Entfernung zwischen Ihren Endnutzern und den Regionen, in denen Sie Anwendungen bereitstellen, wirkt sich auf die Nutzerfreundlichkeit und die Anwendungsleistung aus.
  • Kosten: Die Preise für Google Cloud -Ressourcen können je nach Region unterschiedlich sein.

Mit dem Tool Google Cloud Region Picker können Sie optimale Google Cloud Regionen basierend auf Ihren Anforderungen an CO₂-Bilanz, Kosten und Latenz auswählen. Sie können auch den Cloud Location Finder verwenden, um Cloud-Standorte in Google Cloud und bei anderen Anbietern zu finden, die Ihren Anforderungen in Bezug auf Nähe, Nutzung von CO₂-freier Energie und andere Parameter entsprechen.

Empfehlungen

Wenn Sie Ihre Cloud-Arbeitslasten in CO₂-armen Regionen bereitstellen möchten, beachten Sie die Empfehlungen in den folgenden Abschnitten. Diese Empfehlungen basieren auf den Hinweisen unter CO₂-freie Energie für Google Cloud -Regionen.

CO₂-Intensität von Cloud-Regionen

Google Cloud Rechenzentren in einer Region nutzen Energie aus dem Stromnetz, in dem sich die Region befindet. Google misst die CO₂-Belastung einer Region anhand des CFE-Messwerts, der stündlich berechnet wird. CFE gibt den Prozentsatz der CO₂-freien Energie am Gesamtenergieverbrauch innerhalb einer Stunde an. Der CFE-Messwert hängt von zwei Faktoren ab:

  • Die Art der Kraftwerke, die das Stromnetz in einem bestimmten Zeitraum versorgen.
  • Google zugeschriebene saubere Energie, die in diesem Zeitraum in das Netz eingespeist wird.

Informationen zum aggregierten durchschnittlichen stündlichen CFE% für jedeGoogle Cloud -Region finden Sie unter CO₂-freie Energie für Google Cloud -Regionen. Sie können diese Daten auch in einem maschinenlesbaren Format aus dem Repository Carbon free energy for Google Cloud regions in GitHub und einem öffentlichen BigQuery-Dataset abrufen.

CFE in Ihre Strategie zur Standortauswahl einbeziehen

Beachten Sie die folgenden Empfehlungen:

  • Wählen Sie die Region aus, die für Ihre Anwendungen am besten geeignet ist. Wenn Sie eine Anwendung über einen längeren Zeitraum ausführen möchten, führen Sie sie in der Region mit dem höchsten CFE%-Wert aus. Bei Batcharbeitslasten haben Sie mehr Flexibilität bei der Auswahl einer Region, da Sie vorhersagen können, wann die Arbeitslast ausgeführt werden muss.
  • Wählen Sie CO₂-arme Regionen aus. Auf bestimmten Seiten der Website von Google Cloud und in der Standortauswahl in der Google Cloud Console wird der Indikator Blattsymbol Niedriger CO2-Wert für Regionen mit der niedrigsten CO₂-Bilanz angezeigt.
  • Sie können die Erstellung von Ressourcen auf bestimmte Google Cloud-Regionen mit geringen CO₂-Emissionen beschränken, indem Sie die Einschränkung Ressourcenstandorte der Organisationsrichtlinie verwenden. Wenn Sie beispielsweise das Erstellen von Ressourcen nur in CO₂-armen Regionen in den USA zulassen möchten, erstellen Sie eine Einschränkung, die die Wertgruppe in:us-low-carbon-locations angibt.

Wenn Sie Standorte für Ihre Google Cloud -Ressourcen auswählen, sollten Sie auch die Best Practices für die Auswahl von Regionen berücksichtigen, einschließlich Faktoren wie Anforderungen an den Datenstandort, Latenz für Endnutzer, Redundanz der Anwendung, Verfügbarkeit von Diensten und Preise.

Tageszeitplanung verwenden

Die CO₂-Intensität eines Stromnetzes kann im Laufe des Tages erheblich variieren. Die Schwankungen hängen vom Mix der Energiequellen ab, die das Stromnetz speisen. Sie können Arbeitslasten, insbesondere flexible oder nicht dringende, so planen, dass sie ausgeführt werden, wenn das Stromnetz einen höheren Anteil an CFE hat.

Viele Stromnetze haben beispielsweise in den Nebenzeiten oder wenn erneuerbare Energiequellen wie Solar- und Windenergie mehr Strom ins Netz einspeisen, einen höheren Anteil an CFE. Wenn Sie rechenintensive Aufgaben wie das Modelltraining und die Batch-Inferenz in großem Umfang in Zeiten mit höherem CFE-Anteil planen, können Sie die damit verbundenen CO₂-Emissionen erheblich reduzieren, ohne dass sich dies auf die Leistung oder die Kosten auswirkt. Dieser Ansatz wird als Zeitverschiebung bezeichnet. Dabei nutzen Sie die dynamische Natur der CO₂-Intensität eines Stromnetzes, um Ihre Arbeitslasten im Hinblick auf Nachhaltigkeit zu optimieren.

KI- und ML-Arbeitslasten für Energieeffizienz optimieren

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen zur Optimierung von KI- und ML-Arbeitslasten, um deren Energieverbrauch und CO₂-Bilanz zu reduzieren.

Übersicht über die Prinzipien

Wenn Sie KI- und ML-Arbeitslasten im Hinblick auf Nachhaltigkeit optimieren möchten, müssen Sie einen ganzheitlichen Ansatz für das Entwerfen, Bereitstellen und Betreiben der Arbeitslasten verfolgen. Wählen Sie geeignete Modelle und spezialisierte Hardware wie Tensor Processing Units (TPUs) aus, führen Sie die Arbeitslasten in Regionen mit geringen CO₂-Emissionen aus, optimieren Sie die Ressourcennutzung und wenden Sie Best Practices für den Betrieb an.

Architektur- und Betriebspraktiken, die die Kosten und Leistung von KI- und ML-Arbeitslasten optimieren, führen von Natur aus zu einem geringeren Energieverbrauch und einem geringeren ökologischen Fußabdruck. Die KI- und ML-Perspektive im Well-Architected Framework beschreibt Grundsätze und Empfehlungen für das Design, die Entwicklung und die Verwaltung von KI- und ML-Arbeitslasten, die Ihre Betriebs-, Sicherheits-, Zuverlässigkeits-, Kosten- und Leistungsziele erfüllen. Darüber hinaus bietet das Cloud Architecture Center detaillierte Referenzarchitekturen und Designleitfäden für KI- und ML-Arbeitslasten in Google Cloud.

Empfehlungen

Beachten Sie die Empfehlungen in den folgenden Abschnitten, um KI- und ML-Arbeitslasten im Hinblick auf die Energieeffizienz zu optimieren.

Energieeffizienz durch Verwendung von TPUs

KI- und ML-Arbeitslasten können rechenintensiv sein. Der Energieverbrauch von KI- und ML-Arbeitslasten ist ein wichtiger Aspekt für die Nachhaltigkeit. Mit TPUs können Sie die Energieeffizienz und Nachhaltigkeit Ihrer KI- und ML-Arbeitslasten deutlich verbessern.

TPUs sind speziell entwickelte Beschleuniger, die für KI- und ML-Arbeitslasten konzipiert sind. Dank ihrer speziellen Architektur sind TPUs hocheffektiv für die umfangreiche Matrixmultiplikation, die die Grundlage des Deep Learning bildet. TPUs können komplexe Aufgaben in großem Umfang effizienter ausführen als Prozessoren für allgemeine Zwecke wie CPUs oder GPUs.

TPUs bieten die folgenden direkten Vorteile für die Nachhaltigkeit:

  • Geringerer Energieverbrauch: TPUs sind für optimale Energieeffizienz konzipiert. Sie ermöglichen mehr Berechnungen pro Watt verbrauchter Energie. Ihre spezialisierte Architektur reduziert den Energiebedarf für umfangreiche Trainings- und Inferenzaufgaben erheblich, was zu geringeren Betriebskosten und einem niedrigeren Energieverbrauch führt.
  • Schnelleres Training und schnellere Inferenz: Dank der außergewöhnlichen Leistung von TPUs können Sie komplexe KI-Modelle in Stunden statt in Tagen trainieren. Diese erhebliche Reduzierung der Gesamtrechenzeit trägt direkt zu einem kleineren ökologischen Fußabdruck bei.
  • Geringerer Kühlbedarf: TPUs verfügen über eine fortschrittliche Flüssigkeitskühlung, die für ein effizientes Wärmemanagement sorgt und den Energieverbrauch für die Kühlung des Rechenzentrums erheblich reduziert.
  • Optimierung des KI-Lebenszyklus: Durch die Integration von Hardware und Software bieten TPUs eine optimierte Lösung für den gesamten KI-Lebenszyklus, von der Datenverarbeitung bis zur Modellbereitstellung.

Best Practices für die Ressourcenauswahl gemäß den 4Ms befolgen

Google empfiehlt eine Reihe von Best Practices, um den Energieverbrauch und den CO₂-Ausstoß für KI- und ML-Arbeitslasten erheblich zu reduzieren. Wir nennen diese Best Practices die 4Ms:

  • Modell: Wählen Sie effiziente ML-Modellarchitekturen aus. Sparse-Modelle verbessern beispielsweise die ML-Qualität und reduzieren die Berechnung im Vergleich zu dichten Modellen um das 3- bis 10-Fache.
  • Maschine: Wählen Sie Prozessoren und Systeme aus, die für das ML-Training optimiert sind. Diese Prozessoren verbessern die Leistung und Energieeffizienz im Vergleich zu Prozessoren für allgemeine Zwecke um das 2- bis 5-Fache.
  • Mechanisierung: Stellen Sie Ihre rechenintensiven Arbeitslasten in der Cloud bereit. Ihre Arbeitslasten verbrauchen im Vergleich zu lokalen Bereitstellungen 1,4- bis 2-mal weniger Energie und verursachen weniger Emissionen. Cloud-Rechenzentren nutzen neuere, speziell entwickelte Lagerhallen, die auf Energieeffizienz ausgelegt sind und eine hohe Effizienz der Stromnutzung (Power Usage Effectiveness, PUE) aufweisen. Lokale Rechenzentren sind oft älter und kleiner, weswegen sich hier Investitionen in energieeffiziente Kühl- und Stromverteilungssysteme möglicherweise nicht lohnen.
  • Karte: Wählen Sie Google Cloud Standorte aus, die die sauberste Energie verwenden. Dieser Ansatz trägt dazu bei, die Brutto-CO₂-Bilanz Ihrer Arbeitslasten um das 5- bis 10-Fache zu reduzieren. Weitere Informationen finden Sie unter CO2-freie Energie für Google Cloud Regionen.

Weitere Informationen zu den Best Practices und Effizienzmesswerten der 4Ms finden Sie in den folgenden Forschungsarbeiten:

KI-Modelle und -Algorithmen für Training und Inferenz optimieren

Die Architektur eines KI-Modells und die Algorithmen, die für Training und Inferenz verwendet werden, haben einen erheblichen Einfluss auf den Energieverbrauch. Beachten Sie die folgenden Empfehlungen.

Effiziente KI-Modelle auswählen

Wählen Sie kleinere, effizientere KI-Modelle aus, die Ihren Leistungsanforderungen entsprechen. Wählen Sie nicht das größte verfügbare Modell als Standard aus. Eine kleinere, destillierte Modellversion wie DistilBERT kann beispielsweise eine ähnliche Leistung mit deutlich weniger Rechenaufwand und schnellerer Inferenz als ein größeres Modell wie BERT bieten.

Domainspezifische, hocheffiziente Lösungen verwenden

Wählen Sie spezialisierte ML-Lösungen, die eine bessere Leistung bieten und deutlich weniger Rechenleistung erfordern als ein großes Foundation Model. Diese spezialisierten Lösungen sind oft vortrainiert und hyperoptimiert. Sie können den Energieverbrauch und den Forschungsaufwand für Trainings- und Inferenzarbeitslasten erheblich reduzieren. Hier sind einige Beispiele für domainspezifische Speziallösungen:

  • Earth AI ist eine energieeffiziente Lösung, die große Mengen globaler Geodaten zusammenfasst, um zeitnahe, genaue und umsetzbare Informationen zu liefern.
  • WeatherNext erstellt im Vergleich zu herkömmlichen physikbasierten Methoden schnellere, effizientere und hochpräzise globale Wettervorhersagen.

Geeignete Modellkomprimierungstechniken anwenden

Im Folgenden finden Sie Beispiele für Techniken, die Sie für die Modellkomprimierung verwenden können:

  • Pruning: Entfernen unnötiger Parameter aus einem neuronalen Netzwerk. Diese Parameter tragen nicht wesentlich zur Leistung eines Modells bei. Diese Technik reduziert die Größe des Modells und die für die Inferenz erforderlichen Rechenressourcen.
  • Quantisierung: Reduzieren Sie die Genauigkeit der Modellparameter. Sie können beispielsweise die Genauigkeit von 32-Bit-Gleitkommazahlen auf 8-Bit-Ganzzahlen reduzieren. Mit dieser Technik können der Speicherbedarf und der Stromverbrauch erheblich gesenkt werden, ohne dass die Genauigkeit merklich abnimmt.
  • Wissensdestillation: Ein kleineres Schülermodell wird trainiert, um das Verhalten eines größeren, komplexeren Lehrermodells nachzuahmen. Das Schülermodell kann mit weniger Parametern und geringerem Energieverbrauch ein hohes Leistungsniveau erreichen.

Spezielle Hardware verwenden

Wie unter Best Practices für die Ressourcenauswahl gemäß den 4Ms beschrieben, sollten Sie Prozessoren und Systeme auswählen, die für das ML-Training optimiert sind. Diese Prozessoren verbessern die Leistung und Energieeffizienz im Vergleich zu Prozessoren für allgemeine Zwecke um das 2- bis 5-Fache.

Parameter-efficient Fine-tuning verwenden

Anstatt alle Milliarden von Parametern eines Modells anzupassen (vollständige Feinabstimmung), sollten Sie PEFT-Methoden (Parameter-Efficient Fine-Tuning) wie LoRA (Low-Rank Adaptation) verwenden. Bei dieser Technik werden die Gewichte des ursprünglichen Modells eingefroren und nur eine kleine Anzahl neuer, einfacher Ebenen trainiert. Dieser Ansatz trägt dazu bei, Kosten und Energieverbrauch zu senken.

Best Practices für KI- und ML-Vorgänge befolgen

Betriebliche Praktiken haben erhebliche Auswirkungen auf die Nachhaltigkeit Ihrer KI- und ML-Arbeitslasten. Beachten Sie die folgenden Empfehlungen.

Modelltrainingsprozesse optimieren

Verwenden Sie die folgenden Techniken, um Ihre Modelltrainingsprozesse zu optimieren:

  • Vorzeitiges Beenden: Überwachen Sie den Trainingsprozess und beenden Sie ihn, wenn Sie keine weitere Verbesserung der Modellleistung im Vergleich zum Validierungs-Dataset feststellen. So können Sie unnötige Berechnungen und unnötigen Energieverbrauch vermeiden.
  • Effizientes Laden von Daten: Verwenden Sie effiziente Datenpipelines, um dafür zu sorgen, dass die GPUs und TPUs immer ausgelastet sind und nicht auf Daten warten müssen. Diese Technik trägt dazu bei, die Ressourcennutzung zu maximieren und Energieverschwendung zu reduzieren.
  • Optimierte Hyperparameter-Abstimmung: Verwenden Sie Techniken wie die Bayes-Optimierung oder Reinforcement Learning, um optimale Hyperparameter effizienter zu finden. Vermeiden Sie umfassende Rastersuchen, da diese ressourcenintensiv sein können.

Effizienz der Inferenz verbessern

So verbessern Sie die Effizienz von KI-Inferenzaufgaben:

  • Batching: Gruppieren Sie mehrere Inferenzanfragen in Batches und nutzen Sie die parallele Verarbeitung auf GPUs und TPUs. Diese Technik trägt dazu bei, die Energiekosten pro Vorhersage zu senken.
  • Erweitertes Caching: Implementieren Sie eine mehrschichtige Caching-Strategie, die Schlüssel/Wert-Caching für die autoregressive Generierung und semantisches Prompt-Caching für Anwendungsantworten umfasst. Mit dieser Technik lassen sich redundante Modellberechnungen umgehen, was zu einer erheblichen Reduzierung des Energieverbrauchs und des CO₂-Ausstoßes führen kann.

Messen und beobachten

Überwachen und messen Sie die folgenden Parameter:

  • Nutzung und Kosten: Verwenden Sie geeignete Tools, um die Tokennutzung, den Energieverbrauch und die CO₂-Bilanz Ihrer KI-Arbeitslasten zu verfolgen. Anhand dieser Daten können Sie Optimierungsmöglichkeiten erkennen und Fortschritte bei der Erreichung von Nachhaltigkeitszielen melden.
  • Leistung: Überwachen Sie die Modellleistung in der Produktion kontinuierlich. Probleme wie Datendrift identifizieren, die darauf hindeuten können, dass das Modell noch einmal optimiert werden muss. Wenn Sie das Modell neu trainieren müssen, können Sie das ursprüngliche, optimierte Modell als Ausgangspunkt verwenden und so bei Aktualisierungen viel Zeit, Geld und Energie sparen.
    • Verwenden Sie Cloud Monitoring, um Leistungsmesswerte zu erfassen.
    • Wenn Sie Modelländerungen mit Verbesserungen der Leistungsmesswerte korrelieren möchten, verwenden Sie Ereignisanmerkungen.

Weitere Informationen zur Umsetzung kontinuierlicher Verbesserungen finden Sie unter Nachhaltigkeit kontinuierlich messen und verbessern.

CO₂-bewusste Planung implementieren

Architektur Ihrer ML-Pipeline-Jobs so gestalten, dass sie in Regionen mit dem saubersten Energiemix ausgeführt werden. Mithilfe des Berichts „Carbon Footprint“ können Sie die Regionen mit der geringsten CO₂-Intensität ermitteln. Planen Sie ressourcenintensive Aufgaben als Batchjobs für Zeiten, in denen das lokale Stromnetz einen höheren Anteil an CO₂-freier Energie (CFE) hat.

Datenpipelines optimieren

Für ML-Vorgänge und die Feinabstimmung ist ein sauberer, hochwertiger Datensatz erforderlich. Bevor Sie ML-Jobs starten, sollten Sie die Daten mit verwalteten Datenverarbeitungsdiensten effizient vorbereiten. Verwenden Sie beispielsweise Dataflow für Streaming und Batchverarbeitung und Managed Service for Apache Spark für verwaltete Spark- und Hadoop-Pipelines. Eine optimierte Datenpipeline trägt dazu bei, dass Ihre Feinabstimmungs-Arbeitslast nicht auf Daten warten muss. So können Sie die Ressourcennutzung maximieren und Energieverschwendung reduzieren.

MLOps nutzen

Um den gesamten ML-Lebenszyklus zu automatisieren und zu verwalten, implementieren Sie MLOps-Verfahren (Machine Learning Operations). Diese Best Practices tragen dazu bei, dass Modelle kontinuierlich überwacht, validiert und effizient neu bereitgestellt werden. So wird unnötiges Training oder eine unnötige Ressourcenzuweisung vermieden.

Verwaltete Dienste verwenden

Anstatt Ihre eigene Infrastruktur zu verwalten, können Sie verwaltete Cloud-Dienste wie die Gemini Enterprise Agent Platform verwenden. Die Cloud-Plattform übernimmt die zugrunde liegende Ressourcenverwaltung, sodass Sie sich auf den Feinabstimmungsprozess konzentrieren können. Verwenden Sie Dienste mit integrierten Tools für die Hyperparameter-Abstimmung, das Modell-Monitoring und die Ressourcenverwaltung.

Nächste Schritte

Ressourcennutzung im Sinne der Nachhaltigkeit optimieren

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen zur Optimierung der Ressourcennutzung durch Ihre Arbeitslasten in Google Cloud.

Grundsatzübersicht

Die Optimierung der Ressourcennutzung ist entscheidend, um die Nachhaltigkeit Ihrer Cloud-Umgebung zu verbessern. Jede bereitgestellte Ressource – von Rechenzyklen bis hin zur Datenspeicherung – wirkt sich direkt auf den Energieverbrauch, die Wasserintensität und die CO₂-Emissionen aus. Um den ökologischen Fußabdruck Ihrer Arbeitslasten zu verringern, müssen Sie beim Bereitstellen, Verwalten und Verwenden von Cloud-Ressourcen fundierte Entscheidungen treffen.

Empfehlungen

Beachten Sie die Empfehlungen in den folgenden Abschnitten, um die Ressourcennutzung zu optimieren.

Automatisierte und dynamische Skalierung implementieren

Durch die automatisierte und dynamische Skalierung wird eine optimale Ressourcennutzung sichergestellt. So wird Energieverschwendung durch inaktive oder überdimensionierte Infrastruktur vermieden. Die Reduzierung des Energieverlusts führt zu niedrigeren Kosten und geringeren CO₂-Emissionen.

Verwenden Sie die folgenden Techniken, um eine automatisierte und dynamische Skalierbarkeit zu implementieren.

Horizontale Skalierung verwenden

Die horizontale Skalierung ist die bevorzugte Skalierungstechnik für die meisten Cloud-First-Anwendungen. Anstatt die Größe jeder Instanz zu erhöhen (vertikale Skalierung), fügen Sie Instanzen hinzu, um die Last zu verteilen. Sie können beispielsweise verwaltete Instanzgruppen (Managed Instance Groups, MIGs) verwenden, um eine Gruppe von Compute Engine-VMs automatisch horizontal zu skalieren. Eine horizontal skalierte Infrastruktur ist widerstandsfähiger, da der Ausfall einer Instanz die Verfügbarkeit der Anwendung nicht beeinträchtigt. Die horizontale Skalierung ist auch eine ressourceneffiziente Technik für Anwendungen mit variablen Laststufen.

Geeignete Skalierungsrichtlinien konfigurieren

Konfigurieren Sie die Autoscaling-Einstellungen entsprechend den Anforderungen Ihrer Arbeitslasten. Benutzerdefinierte Messwerte und Grenzwerte definieren, die für das Anwendungsverhalten spezifisch sind Anstatt sich nur auf die CPU-Auslastung zu verlassen, sollten Sie Messwerte wie die Warteschlangentiefe für asynchrone Aufgaben, die Anfragelatenz und benutzerdefinierte Anwendungsmesswerte berücksichtigen. Um häufige, unnötige Skalierungen oder Flapping zu vermeiden, sollten Sie klare Skalierungsrichtlinien definieren. Konfigurieren Sie beispielsweise für Arbeitslasten, die Sie in Google Kubernetes Engine (GKE) bereitstellen, eine geeignete Cluster-Autoscaling-Richtlinie.

Reaktive und proaktive Skalierung kombinieren

Bei der reaktiven Skalierung wird das System als Reaktion auf Laständerungen in Echtzeit skaliert. Diese Technik eignet sich für Anwendungen mit unvorhersehbaren Lastspitzen.

Die proaktive Skalierung eignet sich für Arbeitslasten mit vorhersagbaren Mustern, z. B. feste tägliche Geschäftszeiten und wöchentliche Berichterstellung. Verwenden Sie für solche Arbeitslasten geplantes Autoscaling, um Ressourcen vorab bereitzustellen, damit sie ein erwartetes Lastniveau bewältigen können. Diese Technik verhindert einen Kampf um Ressourcen und sorgt für eine reibungslosere Nutzererfahrung mit höherer Effizienz. Diese Technik hilft Ihnen auch, proaktiv für bekannte Lastspitzen wie große Verkaufsereignisse und gezielte Marketingmaßnahmen zu planen.

Google Cloud Verwaltete Dienste und Funktionen wie GKE Autopilot, Cloud Run und MIGs verwalten die proaktive Skalierung automatisch, indem sie aus Ihren Arbeitslastmustern lernen. Wenn ein Cloud Run-Dienst keinen Traffic empfängt, wird er standardmäßig auf null Instanzen herunterskaliert.

Zustandslose Anwendungen entwerfen

Damit eine Anwendung horizontal skaliert werden kann, sollten ihre Komponenten zustandslos sein. Das bedeutet, dass die Sitzung oder die Daten eines bestimmten Nutzers nicht an eine einzelne Compute-Instanz gebunden sind. Wenn Sie den Sitzungsstatus außerhalb der Compute-Instanz speichern, z. B. in Memorystore for Redis, kann jede Compute-Instanz Anfragen von jedem Nutzer verarbeiten. Dieser Designansatz ermöglicht eine nahtlose und effiziente horizontale Skalierung.

Planung und Batches verwenden

Die Batchverarbeitung eignet sich ideal für umfangreiche, nicht dringende Arbeitslasten. Batchjobs können dazu beitragen, Ihre Arbeitslasten hinsichtlich Energieeffizienz und Kosten zu optimieren.

Verwenden Sie die folgenden Techniken, um Zeitpläne und Batchjobs zu implementieren.

Für niedrige CO₂-Intensität planen

Planen Sie die Ausführung Ihrer Batchjobs in Regionen mit geringen CO₂-Emissionen und zu Zeiten, in denen das lokale Stromnetz einen hohen Anteil an sauberer Energie hat. Mit dem CO₂-Bilanz-Bericht können Sie die Tageszeiten mit der geringsten CO₂-Intensität für eine Region ermitteln.

Spot-VMs für unkritische Arbeitslasten verwenden

Mit Spot-VMs können Sie ungenutzte Compute Engine-Kapazität zu einem stark reduzierten Preis nutzen. Spot-VMs können vorzeitig beendet werden, bieten aber eine kostengünstige Möglichkeit, große Datasets zu verarbeiten, ohne dass dedizierte, always-on Ressourcen erforderlich sind. Spot-VMs sind ideal für nicht kritische, fehlertolerante Batchjobs.

Jobs konsolidieren und parallelisieren

Um den Aufwand für das Starten und Beenden einzelner Jobs zu reduzieren, sollten Sie ähnliche Jobs in einem einzigen großen Batch zusammenfassen. Führen Sie diese umfangreichen Arbeitslasten in Diensten wie Batch aus. Der Dienst stellt die erforderliche Infrastruktur automatisch bereit und verwaltet sie, was zu einer optimalen Ressourcennutzung beiträgt.

Verwaltete Dienste verwenden

Verwaltete Dienste wie Batch und Dataflow übernehmen automatisch die Ressourcenbereitstellung, Planung und das Monitoring. Die Cloud-Plattform übernimmt die Ressourcenoptimierung. Sie können sich auf die Anwendungslogik konzentrieren. Beispiel: Dataflow skaliert die Anzahl der Worker automatisch basierend auf dem Datenvolumen in der Pipeline, sodass Sie nicht für inaktive Ressourcen bezahlen.

VM-Maschinenfamilien an Arbeitslastanforderungen anpassen

Die Maschinentypen, die Sie für Ihre Compute Engine-VMs verwenden können, sind in Maschinenfamilien gruppiert, die für verschiedene Arbeitslasten optimiert sind. Wählen Sie die passenden Maschinenfamilien für die Anforderungen Ihrer Arbeitslasten aus.

Maschinenfamilie Empfohlen für Arbeitslasttypen Anleitung zur Nachhaltigkeit
Instanzen für allgemeine Zwecke (E2, N2, N4, Tau T2A/T2D): Diese Instanzen bieten ein ausgewogenes Verhältnis von CPU zu Arbeitsspeicher. Webserver, Mikrodienste, kleine bis mittelgroße Datenbanken und Entwicklungsumgebungen. Die E2-Serie ist aufgrund der dynamischen Zuweisung von Ressourcen sehr kosteneffizient und energieeffizient. Die Tau T2A-Serie verwendet ARM-basierte Prozessoren, die pro Leistungseinheit für umfangreiche Arbeitslasten oft energieeffizienter sind.
Computing-optimierte Instanzen (C2, C3): Diese Instanzen bieten ein hohes Verhältnis von vCPU zu Arbeitsspeicher und eine hohe Leistung pro Kern. Hochleistungs-Computing (HPC), Batchverarbeitung, Gameserver und CPU-basierte Datenanalyse. Mit einer Instanz der C-Serie können Sie CPU-intensive Aufgaben schneller erledigen. Dadurch werden die gesamte Rechenzeit und der Energieverbrauch des Jobs reduziert.
Speicheroptimierte Instanzen (M3, M2): Diese Instanzen sind für Arbeitslasten konzipiert, die viel Arbeitsspeicher benötigen. Große In-Memory-Datenbanken und Data Warehouses wie SAP HANA oder In-Memory-Analysen. Speicheroptimierte Instanzen ermöglichen die Konsolidierung speicherintensiver Arbeitslasten auf weniger physischen Knoten. Durch diese Konsolidierung wird der Gesamtenergieverbrauch im Vergleich zur Verwendung mehrerer kleinerer Instanzen reduziert. Hochleistungsspeicher reduziert die Latenz beim Datenzugriff, was die Gesamtzeit, die die CPU in einem aktiven Zustand verbringt, verringern kann.
Speicheroptimierte Instanzen (Z3): Diese Instanzen bieten lokalen SSD-Speicher mit hohem Durchsatz und geringer Latenz. Data Warehousing, Loganalyse sowie SQL-, NoSQL- und Vektordatenbanken. Speicheroptimierte Instanzen verarbeiten große Datasets lokal. Dadurch wird die Energie eingespart, die für den standortübergreifenden ausgehenden Netzwerktraffic verwendet wird. Wenn Sie lokalen Speicher für Aufgaben mit hohen IOPS-Anforderungen verwenden, vermeiden Sie die Überdimensionierung mehrerer Standardinstanzen.
Beschleunigungsoptimierte Instanzen (A3, A2, G2): Diese Instanzen sind für GPU- und TPU-beschleunigte Arbeitslasten wie KI, ML und HPC konzipiert. Training und Inferenz von ML-Modellen sowie wissenschaftliche Simulationen.

TPUs sind für eine optimale Energieeffizienz ausgelegt. Sie ermöglichen mehr Berechnungen pro Watt.

Eine GPU-beschleunigte Instanz wie die A3-Serie mit NVIDIA H100-GPUs kann für das Training großer Modelle deutlich energieeffizienter sein als eine reine CPU-Alternative. Eine GPU-beschleunigte Instanz hat zwar einen höheren nominalen Stromverbrauch, die Aufgabe wird jedoch viel schneller abgeschlossen.

Upgrade auf die neuesten Maschinentypen

Die Verwendung der neuesten Maschinentypen kann zur Verbesserung der Nachhaltigkeit beitragen. Wenn Maschinentypen aktualisiert werden, sind sie oft energieeffizienter und bieten eine höhere Leistung pro Watt. VMs, die die neuesten Maschinentypen verwenden, können die gleiche Menge an Arbeit mit geringerem Stromverbrauch erledigen.

CPUs, GPUs und TPUs profitieren häufig von technischen Fortschritten in der Chiparchitektur, z. B.:

  • Spezialisierte Kerne: Fortschritte bei Prozessoren umfassen häufig spezialisierte Kerne oder Anweisungen für gängige Arbeitslasten. CPUs können beispielsweise dedizierte Kerne für Vektorvorgänge oder integrierte KI-Beschleuniger haben. Wenn diese Aufgaben von der Haupt-CPU ausgelagert werden, werden sie effizienter ausgeführt und verbrauchen weniger Energie.
  • Verbesserte Energieverwaltung: Fortschritte bei Chiparchitekturen umfassen häufig komplexere Funktionen zur Energieverwaltung, z. B. die dynamische Anpassung von Spannung und Frequenz basierend auf der Arbeitslast. Dank dieser Funktionen zur Energieverwaltung können die Chips mit maximaler Effizienz arbeiten und im Leerlauf in einen Energiesparmodus wechseln, wodurch der Energieverbrauch minimiert wird.

Die technischen Verbesserungen in der Chiparchitektur bieten die folgenden direkten Vorteile für Nachhaltigkeit und Kosten:

  • Höhere Leistung pro Watt: Dies ist ein wichtiger Messwert für Nachhaltigkeit. Beispielsweise bieten die C4-VMs ein um 40% besseres Preis-Leistungs-Verhältnis als C3-VMs bei gleichem Energieverbrauch. Der C4A-Prozessor bietet eine um 60% höhere Energieeffizienz als vergleichbare x86-Prozessoren. Mit diesen Leistungsfunktionen können Sie Aufgaben schneller erledigen oder weniger Instanzen für dieselbe Last verwenden.
  • Geringerer Gesamtenergieverbrauch: Dank verbesserter Prozessoren werden Rechenressourcen für eine bestimmte Aufgabe kürzer genutzt, was den Gesamtenergieverbrauch und den CO₂-Fußabdruck reduziert. Die CO₂-Belastung ist besonders hoch bei kurzlebigen, rechenintensiven Arbeitslasten wie Batchjobs und ML-Modelltraining.
  • Optimale Ressourcennutzung: Die neuesten Maschinentypen sind oft besser für moderne Software geeignet und mit erweiterten Funktionen von Cloud-Plattformen kompatibler. Diese Maschinentypen ermöglichen in der Regel eine bessere Ressourcennutzung, was die Notwendigkeit einer Überdimensionierung reduziert und dazu beiträgt, dass jedes Watt Strom produktiv genutzt wird.

Containerisierte Anwendungen bereitstellen

Sie können containerbasierte, vollständig verwaltete Dienste wie GKE und Cloud Run als Teil Ihrer Strategie für nachhaltiges Cloud-Computing verwenden. Diese Dienste helfen, die Ressourcennutzung zu optimieren und die Ressourcenverwaltung zu automatisieren.

Die Funktion „Skalierung auf null“ von Cloud Run nutzen

Cloud Run bietet eine verwaltete serverlose Umgebung, in der Instanzen automatisch auf null skaliert werden, wenn kein eingehender Traffic für einen Dienst vorhanden ist oder wenn ein Job abgeschlossen ist. Autoscaling trägt dazu bei, den Energieverbrauch durch inaktive Infrastruktur zu eliminieren. Ressourcen werden nur mit Strom versorgt, wenn sie Anfragen aktiv verarbeiten. Diese Strategie ist sehr effektiv für unregelmäßige oder ereignisgesteuerte Arbeitslasten. Für KI-Arbeitslasten können Sie GPUs mit Cloud Run verwenden. So können Sie GPUs nur dann nutzen und bezahlen, wenn sie verwendet werden.

Ressourcenoptimierung mit GKE automatisieren

GKE ist eine Plattform zur Containerorchestrierung, die dafür sorgt, dass Anwendungen nur die Ressourcen verwenden, die sie benötigen. GKE bietet die folgenden Techniken, mit denen Sie die Ressourcenoptimierung automatisieren können:

  • Bin-Packing: GKE Autopilot packt mehrere Container intelligent auf die verfügbaren Knoten. Durch Bin Packing wird die Nutzung jedes Knotens maximiert und die Anzahl der inaktiven oder nicht optimal genutzten Knoten reduziert, was dazu beiträgt, den Energieverbrauch zu senken.
  • Horizontales Pod-Autoscaling (HPA): Mit HPA wird die Anzahl der Containerreplikate (Pods) automatisch anhand vordefinierter Messwerte wie der CPU-Auslastung oder benutzerdefinierter anwendungsspezifischer Messwerte angepasst. Wenn Ihre Anwendung beispielsweise einen Traffic-Spike aufweist, fügt GKE Pods hinzu, um die Nachfrage zu decken. Wenn der Traffic nachlässt, reduziert GKE die Anzahl der Pods. Durch diese dynamische Skalierung wird eine Überdimensionierung von Ressourcen verhindert, sodass Sie nicht für unnötige Rechenkapazität bezahlen oder diese aktivieren müssen.
  • Vertikales Pod-Autoscaling (VPA): Sie können GKE so konfigurieren, dass die CPU- und Arbeitsspeicherzuweisungen und ‑limits für einzelne Container automatisch angepasst werden. Diese Konfiguration sorgt dafür, dass einem Container nicht mehr Ressourcen zugewiesen werden, als er benötigt. So wird eine Überdimensionierung von Ressourcen verhindert.
  • Mehrdimensionales Pod-Autoscaling in GKE: Bei komplexen Arbeitslasten können Sie HPA und VPA gleichzeitig konfigurieren, um sowohl die Anzahl der Pods als auch die Größe der einzelnen Pods zu optimieren. Diese Technik trägt dazu bei, dass der Energiebedarf für die erforderliche Leistung so gering wie möglich ist.
  • Topology-Aware Scheduling (TAS): TAS verbessert die Netzwerkeffizienz für KI- und ML-Arbeitslasten in der GKE, indem Pods basierend auf der physischen Struktur der Rechenzentrumsinfrastruktur platziert werden. TAS platziert Arbeitslasten strategisch, um die Anzahl der Netzwerk-Hops zu minimieren. Diese Colocation trägt dazu bei, die Kommunikationslatenz und den Energieverbrauch zu reduzieren. Durch die Optimierung der physischen Ausrichtung von Knoten und spezialisierter Hardware beschleunigt TAS die Aufgabenerledigung und maximiert die Energieeffizienz von umfangreichen KI- und ML-Arbeitslasten.

CO₂-bewusste Planung konfigurieren

Bei Google verlagern wir unsere Arbeitslasten kontinuierlich an Standorte und zu Zeiten, an denen der sauberste Strom verfügbar ist. Außerdem verwenden wir ältere Geräte für alternative Anwendungsfälle wieder oder schlachten sie aus. Mit dieser CO₂-orientierten Planungsstrategie können Sie dafür sorgen, dass Ihre containerisierten Arbeitslasten saubere Energie nutzen.

Um eine CO₂-bewusste Planung zu implementieren, benötigen Sie Echtzeitinformationen zum Energiemix, der die Rechenzentren in einer Region versorgt. Sie können diese Informationen in einem maschinenlesbaren Format aus dem Repository CO₂-freie Energie für Google Cloud -Regionen in GitHub oder aus einem öffentlichen BigQuery-Dataset abrufen. Die stündlichen Daten zum Strommix und zur CO₂-Intensität, die zur Berechnung des jährlichen CO₂-Datensatzes von Google verwendet werden, stammen von Electricity Maps.

Für die Implementierung einer CO₂-bewussten Planung empfehlen wir die folgenden Techniken:

  • Geografische Verlagerung: Planen Sie Ihre Arbeitslasten so, dass sie in Regionen ausgeführt werden, die einen höheren Anteil an erneuerbaren Energiequellen nutzen. So können Sie sauberere Stromnetze nutzen.
  • Zeitliche Verschiebung: Konfigurieren Sie nicht kritische, flexible Arbeitslasten wie die Batchverarbeitung so, dass sie außerhalb der Spitzenzeiten oder dann ausgeführt werden, wenn erneuerbare Energien am meisten verfügbar sind. Dieser Ansatz wird als zeitliche Verschiebung bezeichnet und trägt dazu bei, die CO₂-Bilanz insgesamt zu verbessern, da sauberere Energiequellen genutzt werden, wenn sie verfügbar sind.

Energieeffiziente Notfallwiederherstellung planen

Die Vorbereitung auf die Notfallwiederherstellung (Disaster Recovery, DR) umfasst oft die Vorab-Bereitstellung redundanter Ressourcen in einer sekundären Region. Inaktive oder nicht ausgelastete Ressourcen können jedoch zu einer erheblichen Energieverschwendung führen. Wählen Sie DR-Strategien aus, die die Ressourcennutzung maximieren und die CO₂-Belastung minimieren, ohne Ihre Recovery Time Objectives (RTO) zu beeinträchtigen.

Für effiziente Kaltstarts optimieren

Verwenden Sie die folgenden Ansätze, um aktive Ressourcen in Ihrer sekundären (DR-)Region zu minimieren oder zu eliminieren:

  • Priorisieren Sie Cold DR: Lassen Sie Ressourcen in der DR-Region deaktiviert oder in einem Zustand der Skalierung auf null. So wird die CO₂-Bilanz inaktiver Rechenressourcen eliminiert.
  • Serverloses Failover nutzen: Verwenden Sie verwaltete serverlose Dienste wie Cloud Run für DR-Endpunkte. Cloud Run wird auf null skaliert, wenn es nicht verwendet wird. So können Sie eine DR-Topologie aufrechterhalten, die keinen Strom verbraucht, bis der Traffic in die DR-Region umgeleitet wird.
  • Wiederherstellung mit Infrastructure as Code (IaC) automatisieren: Anstatt Ressourcen am DR-Standort am Laufen zu halten (warm), können Sie ein IaC-Tool wie Terraform verwenden, um Umgebungen nur bei Bedarf schnell bereitzustellen.

Redundanz und Auslastung ausgleichen

Ressourcenredundanz ist eine der Hauptursachen für Energieverschwendung. So können Sie Redundanz reduzieren:

  • Aktiv-Aktiv-Konfigurationen gegenüber Aktiv-Passiv-Konfigurationen bevorzugen: In einer Aktiv-Passiv-Konfiguration sind die Ressourcen am passiven Standort inaktiv, was zu Energieverschwendung führt. Eine Aktiv/Aktiv-Architektur, die optimal dimensioniert ist, sorgt dafür, dass alle bereitgestellten Ressourcen in beiden Regionen aktiv Traffic verarbeiten. So können Sie die Energieeffizienz Ihrer Infrastruktur maximieren.
  • Redundanz richtig dimensionieren: Daten und Dienste nur dann regionsübergreifend replizieren, wenn die Replikation erforderlich ist, um die Anforderungen an Hochverfügbarkeit oder Notfallwiederherstellung zu erfüllen. Jedes zusätzliche Replikat erhöht die Energiekosten für persistenten Speicher und ausgehenden Netzwerkverkehr.

Energieeffiziente Software entwickeln

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen zum Schreiben von Software, die den Energieverbrauch und die Serverlast minimiert.

Übersicht über die Prinzipien

Wenn Sie Best Practices zum Erstellen Ihrer Cloud-Anwendungen befolgen, optimieren Sie die Energie, die von den Cloud-Infrastrukturressourcen genutzt wird: KI, Computing, Speicher und Netzwerk. Außerdem tragen Sie dazu bei, den Wasserbedarf der Rechenzentren und den Energieverbrauch der Endnutzergeräte beim Zugriff auf Ihre Anwendungen zu reduzieren.

Wenn Sie energieeffiziente Software entwickeln möchten, müssen Sie Nachhaltigkeitsaspekte im gesamten Softwarelebenszyklus berücksichtigen, von Design und Entwicklung bis hin zu Bereitstellung, Wartung und Archivierung. Ausführliche Informationen zur Verwendung von KI für die Entwicklung von Software, die die Umweltauswirkungen von Cloud-Arbeitslasten minimiert, finden Sie im E-Book von Google Cloud Software nachhaltig entwickeln.

Empfehlungen

Die Empfehlungen in diesem Abschnitt sind in die folgenden Schwerpunktbereiche unterteilt:

  • Rechenaufwand minimieren: Bevorzugen Sie schlanken, fokussierten Code, der redundante Logik eliminiert und unnötige Berechnungen oder überflüssige Funktionen vermeidet.
  • Effiziente Algorithmen und Datenstrukturen verwenden: Wählen Sie zeit- und speichereffiziente Algorithmen, die die CPU-Last reduzieren und die Arbeitsspeichernutzung minimieren.
  • Compute- und Datenvorgänge optimieren: Entwickeln Sie mit dem Ziel, alle verfügbaren Ressourcen effizient zu nutzen, einschließlich CPU, Arbeitsspeicher, Festplatten-E/A und Netzwerk. Wenn Sie beispielsweise Busy-Loops durch ereignisgesteuerte Logik ersetzen, vermeiden Sie unnötiges Polling.
  • Frontend-Optimierung implementieren: Verwenden Sie Strategien wie Minimierung, Komprimierung und Lazy Loading für Bilder und Assets, um den Stromverbrauch von Endnutzergeräten zu reduzieren.

Rechenaufwand minimieren

Um energieeffiziente Software zu schreiben, müssen Sie die Gesamtzahl der Rechenvorgänge minimieren, die Ihre Anwendung ausführt. Jede unnötige Anweisung, redundante Schleife und zusätzliche Funktion verbraucht Energie, Zeit und Ressourcen. Verwenden Sie die folgenden Empfehlungen, um Software zu entwickeln, die minimale Berechnungen ausführt.

Schlanken, fokussierten Code schreiben

Verwenden Sie die folgenden Ansätze, um minimalen Code zu schreiben, der für die erforderlichen Ergebnisse unerlässlich ist:

  • Redundante Logik und überflüssige Funktionen vermeiden: Schreiben Sie Code, der nur die wesentlichen Funktionen ausführt. Vermeiden Sie Funktionen, die den Rechenaufwand und die Komplexität erhöhen, aber Ihren Nutzern keinen messbaren Mehrwert bieten.
  • Refaktorieren: Um die Energieeffizienz im Laufe der Zeit zu verbessern, sollten Sie Ihre Anwendungen regelmäßig prüfen, um ungenutzte Funktionen zu identifizieren. Ergreifen Sie Maßnahmen, um solche Funktionen gegebenenfalls zu entfernen oder zu überarbeiten.
  • Unnötige Vorgänge vermeiden: Berechnen Sie einen Wert oder führen Sie eine Aktion erst aus, wenn das Ergebnis benötigt wird. Verwenden Sie Techniken wie die verzögerte Auswertung, bei der Berechnungen so lange verzögert werden, bis eine abhängige Komponente in der Anwendung die Ausgabe benötigt.
  • Lesbarkeit und Wiederverwendbarkeit von Code priorisieren: Schreiben Sie Code, der lesbar und wiederverwendbar ist. Dieser Ansatz minimiert Duplikate und folgt dem DRY-Prinzip (Don't Repeat Yourself), das dazu beitragen kann, den CO₂-Ausstoß bei der Softwareentwicklung und ‑wartung zu verringern.

Backend-Caching verwenden

Durch Backend-Caching wird sichergestellt, dass eine Anwendung nicht wiederholt dieselbe Arbeit ausführt. Eine hohe Cache-Trefferquote führt zu einer fast linearen Reduzierung des Energieverbrauchs pro Anfrage. Verwenden Sie die folgenden Techniken, um Backend-Caching zu implementieren:

  • Häufig verwendete Daten im Cache speichern: Speichern Sie häufig verwendete Daten an einem temporären, leistungsstarken Speicherort. Verwenden Sie beispielsweise einen In-Memory-Caching-Dienst wie Memorystore. Wenn eine Anwendung Daten aus einem Cache abruft, wird die Anzahl der Datenbankabfragen und Laufwerk-E/A-Vorgänge reduziert. Dadurch wird die Last auf den Datenbanken und Servern im Backend verringert.
  • API-Antworten im Cache speichern: Speichern Sie die Ergebnisse häufiger API-Anfragen im Cache, um redundante und kostspielige Netzwerkaufrufe zu vermeiden.
  • In-Memory-Caching priorisieren: Um langsame Festplatten-E/A-Vorgänge und komplexe Datenbankabfragen zu vermeiden, sollten Sie Daten im schnellen Arbeitsspeicher (RAM) speichern.
  • Wählen Sie geeignete Cache-Schreibstrategien aus:
    • Die Write-Through-Strategie sorgt dafür, dass Daten synchron in den Cache und den nichtflüchtigen Speicher geschrieben werden. Diese Strategie erhöht die Wahrscheinlichkeit von Cache-Treffern, sodass der nichtflüchtige Speicher weniger energieintensive Leseanfragen erhält.
    • Die Write-Back-Strategie (Write-Behind) verbessert die Leistung von schreibintensiven Anwendungen. Daten werden zuerst in den Cache geschrieben und die Datenbank wird später asynchron aktualisiert. Diese Strategie reduziert die unmittelbare Schreiblast auf langsamere Datenbanken.
  • Smarte Löschrichtlinien verwenden: Halten Sie den Cache schlank und effizient. Wenn Sie veraltete oder wenig nützliche Daten entfernen und den verfügbaren Speicherplatz für häufig angeforderte Daten maximieren möchten, verwenden Sie Richtlinien wie „Gültigkeitsdauer“ (TTL), „Am weitesten in der Vergangenheit verwendet“ (LRU) und „Am seltensten verwendet“ (LFU).

Effiziente Algorithmen und Datenstrukturen verwenden

Die von Ihnen ausgewählten Algorithmen und Datenstrukturen bestimmen die rohe Rechenkomplexität Ihrer Software. Wenn Sie geeignete Algorithmen und Datenstrukturen auswählen, minimieren Sie die Anzahl der CPU-Zyklen und Speicheroperationen, die zum Ausführen einer Aufgabe erforderlich sind. Weniger CPU-Zyklen und Arbeitsspeichervorgänge führen zu einem geringeren Energieverbrauch.

Algorithmen für optimale Zeitkomplexität auswählen

Priorisieren Sie Algorithmen, die das erforderliche Ergebnis in kürzester Zeit erzielen. Dieser Ansatz trägt dazu bei, die Dauer der Ressourcennutzung zu reduzieren. So wählen Sie Algorithmen aus, die die Ressourcennutzung optimieren:

  • Komplexität reduzieren: Berücksichtigen Sie bei der Bewertung der Komplexität nicht nur Laufzeitmesswerte, sondern auch die theoretische Komplexität des Algorithmus. Im Vergleich zum Bubble-Sort-Verfahren wird beim Merge-Sort-Verfahren beispielsweise die Rechenlast und der Energieverbrauch für große Datasets erheblich reduziert.
  • Redundante Arbeit vermeiden: Verwenden Sie integrierte, optimierte Funktionen in der von Ihnen gewählten Programmiersprache oder dem von Ihnen gewählten Framework. Diese Funktionen werden häufig in einer Sprache auf niedrigerer Ebene und mit höherer Energieeffizienz wie C oder C++ implementiert. Sie sind daher im Vergleich zu benutzerdefinierten Funktionen besser für die zugrunde liegende Hardware optimiert.

Datenstrukturen für mehr Effizienz auswählen

Die von Ihnen ausgewählten Datenstrukturen bestimmen die Geschwindigkeit, mit der Daten abgerufen, eingefügt oder verarbeitet werden können. Diese Geschwindigkeit wirkt sich auf die CPU- und Arbeitsspeichernutzung aus. Um effiziente Datenstrukturen auszuwählen, können Sie die folgenden Ansätze verwenden:

  • Für Suche und Abruf optimieren: Für häufige Vorgänge wie das Prüfen, ob ein Element vorhanden ist, oder das Abrufen eines bestimmten Werts sollten Sie Datenstrukturen verwenden, die für Geschwindigkeit optimiert sind. Beispielsweise ermöglichen Hash-Maps oder Hash-Sets Suchvorgänge in nahezu konstanter Zeit, was ein energieeffizienterer Ansatz ist als die lineare Suche in einem Array.
  • Speicherbedarf minimieren: Effiziente Datenstrukturen tragen dazu bei, den gesamten Speicherbedarf einer Anwendung zu reduzieren. Durch den geringeren Arbeitsspeicherzugriff und die geringere Arbeitsspeicherverwaltung wird der Stromverbrauch gesenkt. Außerdem können Prozesse mit einem schlankeren Speicherprofil effizienter ausgeführt werden, sodass Sie Ressourcenupgrades verschieben können.
  • Spezialisierte Strukturen verwenden: Verwenden Sie Datenstrukturen, die speziell für ein bestimmtes Problem entwickelt wurden. Verwenden Sie beispielsweise eine Trie-Datenstruktur für die schnelle Suche nach Stringpräfixen und eine Prioritätswarteschlange, wenn Sie effizient nur auf den höchsten oder niedrigsten Wert zugreifen müssen.

Computing- und Datenvorgänge optimieren

Konzentrieren Sie sich bei der Softwareentwicklung auf eine effiziente und verhältnismäßige Ressourcennutzung im gesamten Technologie-Stack. Behandeln Sie CPU, Arbeitsspeicher, Festplatte und Netzwerk als begrenzte und gemeinsam genutzte Ressourcen. Erkennen Sie, dass eine effiziente Nutzung von Ressourcen zu spürbaren Kostensenkungen und einem geringeren Energieverbrauch führt.

CPU-Auslastung und Inaktivitätszeit optimieren

Mit den folgenden Ansätzen können Sie die Zeit minimieren, die die CPU in einem aktiven, energieverbrauchenden Zustand verbringt, ohne sinnvolle Arbeit zu leisten:

  • Ereignisgesteuerte Logik gegenüber Polling bevorzugen: Ersetzen Sie ressourcenintensive Busy-Loops oder konstante Prüfungen (Polling) durch ereignisgesteuerte Logik. Eine ereignisgesteuerte Architektur sorgt dafür, dass die Komponenten einer Anwendung nur dann ausgeführt werden, wenn sie durch relevante Ereignisse ausgelöst werden. Dieser Ansatz ermöglicht die On-Demand-Verarbeitung, sodass kein ressourcenintensives Polling erforderlich ist.
  • Konstant hohe Frequenz verhindern: Schreibe Code, der die CPU nicht dazu zwingt, ständig mit der höchsten Frequenz zu arbeiten. Um den Energieverbrauch zu minimieren, sollten Systeme, die inaktiv sind, in den Energiesparmodus oder Ruhemodus wechseln können.
  • Asynchrone Verarbeitung verwenden: Verwenden Sie die asynchrone Verarbeitung, um zu verhindern, dass Threads während inaktiver Wartezeiten gesperrt werden. Dieser Ansatz setzt Ressourcen frei und führt zu einer höheren Gesamtauslastung der Ressourcen.

Speicher und Laufwerks-E/A effizient verwalten

Eine ineffiziente Speicher- und Laufwerksnutzung führt zu unnötiger Verarbeitung und erhöhtem Stromverbrauch. Verwenden Sie die folgenden Techniken, um Arbeitsspeicher und E/A effizient zu verwalten:

  • Strikte Speicherverwaltung: Ergreifen Sie Maßnahmen, um nicht verwendete Speicherressourcen proaktiv freizugeben. Vermeiden Sie es, große Objekte länger als nötig im Arbeitsspeicher zu halten. Dieser Ansatz verhindert Leistungsengpässe und reduziert den Stromverbrauch für den Speicherzugriff.
  • Laufwerk-E/A optimieren: Reduzieren Sie die Häufigkeit der Lese- und Schreibinteraktionen Ihrer Anwendung mit nichtflüchtigen Speicherressourcen. Verwenden Sie beispielsweise einen Zwischenspeicher, um Daten zu speichern. Schreiben Sie die Daten in festen Intervallen oder wenn der Zwischenspeicher eine bestimmte Größe erreicht, in den nichtflüchtigen Speicher.
  • Batchvorgänge: Fassen Sie häufige, kleine Laufwerkvorgänge in weniger, größeren Batchvorgängen zusammen. Ein Batchvorgang verbraucht weniger Energie als viele einzelne, kleine Transaktionen.
  • Komprimierung verwenden: Reduzieren Sie die Datenmenge, die auf Laufwerke geschrieben oder von diesen gelesen wird, indem Sie geeignete Datenkomprimierungstechniken anwenden. Wenn Sie beispielsweise Daten komprimieren möchten, die Sie in Cloud Storage speichern, können Sie die dekomprimierende Transcodierung verwenden.

Netzwerkverkehr minimieren

Netzwerkressourcen verbrauchen bei Datenübertragungsvorgängen viel Energie. Verwenden Sie die folgenden Techniken, um die Netzwerkkommunikation zu optimieren:

  • Nutzlastgröße minimieren: Entwerfen Sie Ihre APIs und Anwendungen so, dass nur die Daten übertragen werden, die für eine Anfrage erforderlich sind. Vermeiden Sie das Abrufen oder Zurückgeben großer JSON- oder XML-Strukturen, wenn nur wenige Felder erforderlich sind. Achten Sie darauf, dass die zurückgegebenen Datenstrukturen prägnant sind.
  • Roundtrips reduzieren: Verwenden Sie intelligentere Protokolle, um die Anzahl der Netzwerk-Roundtrips zu reduzieren, die für eine Nutzeraktion erforderlich sind. Verwenden Sie beispielsweise HTTP/3 anstelle von HTTP/1.1, GraphQL anstelle von REST, binäre Protokolle und fassen Sie API-Aufrufe zusammen. Wenn Sie die Anzahl der Netzwerkaufrufe reduzieren, senken Sie den Energieverbrauch sowohl für Ihre Server als auch für die Endnutzergeräte.

Frontend-Optimierung implementieren

Durch die Frontend-Optimierung werden die Daten minimiert, die Ihre Endnutzer herunterladen und verarbeiten müssen. Dadurch wird die Belastung der Ressourcen von Endnutzergeräten verringert.

Code und Assets minimieren

Wenn Endnutzer kleinere und effizienter strukturierte Ressourcen herunterladen und verarbeiten müssen, verbrauchen ihre Geräte weniger Strom. Um das Downloadvolumen und die Verarbeitungslast auf Endnutzergeräten zu minimieren, können Sie die folgenden Techniken verwenden:

  • Minimierung und Komprimierung: Entfernt bei JavaScript-, CSS- und HTML-Dateien unnötige Zeichen wie Leerzeichen und Kommentare mit geeigneten Minimierungstools. Achten Sie darauf, dass Dateien wie Bilder komprimiert und optimiert sind. Sie können die Minimierung und Komprimierung von Web-Assets mithilfe einer CI/CD-Pipeline automatisieren.
  • Lazy Loading: Bilder, Videos und nicht kritische Assets werden erst geladen, wenn sie tatsächlich benötigt werden, z. B. wenn diese Elemente in den Darstellungsbereich einer Webseite gescrollt werden. Dieser Ansatz reduziert das Volumen der anfänglichen Datenübertragung und die Verarbeitungslast auf den Endnutzergeräten.
  • Kleinere JavaScript-Bundles: Entfernen Sie nicht verwendeten Code aus Ihren JavaScript-Bundles, indem Sie moderne Modul-Bundler und Techniken wie Tree-Shaking verwenden. Dadurch werden kleinere Dateien erstellt, die schneller geladen werden und weniger Serverressourcen verbrauchen.
  • Browser-Caching: Verwenden Sie HTTP-Caching-Header, um den Browser des Nutzers anzuweisen, statische Assets lokal zu speichern. Durch Browser-Caching werden wiederholte Downloads und unnötiger Netzwerkverkehr bei nachfolgenden Besuchen vermieden.

Nutzerfreundlichkeit (UX) priorisieren

Das Design Ihrer Benutzeroberfläche kann erhebliche Auswirkungen auf die Rechenkomplexität beim Rendern von Frontend-Inhalten haben. Verwenden Sie die folgenden Methoden, um Frontend-Schnittstellen zu erstellen, die eine einfache UX bieten:

  • Effizientes Rendering: Vermeiden Sie ressourcenintensive, häufige DOM-Manipulationen (Document Object Model). Schreiben Sie Code, der die Rendering-Komplexität minimiert und unnötiges erneutes Rendern verhindert.
  • Leichtgewichtige Designmuster: Bevorzugen Sie nach Möglichkeit statische Websites oder progressive Web-Apps (PWAs). Solche Websites und Apps werden schneller geladen und erfordern weniger Serverressourcen.
  • Barrierefreiheit und Leistung: Responsive, schnell ladende Websites sind oft nachhaltiger und barrierefreier. Ein optimiertes, übersichtliches Design reduziert die Ressourcen, die beim Rendern von Inhalten verbraucht werden. Websites, die für Leistung und Geschwindigkeit optimiert sind, können zu höheren Umsätzen beitragen. Laut der Studie Milliseconds Make Millions von Deloitte und Google führt eine Verbesserung der Websitegeschwindigkeit um 0,1 Sekunden (100 ms) zu einer Steigerung der Conversions auf Einzelhandelswebsites um 8,4 % und zu einer Steigerung des durchschnittlichen Bestellwerts um 9,2 %.

Daten und Speicher für Nachhaltigkeit optimieren

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen zur Optimierung der Energieeffizienz und der CO₂-Bilanz Ihrer Speicherressourcen in Google Cloud.

Grundsatzübersicht

Gespeicherte Daten sind keine passive Ressource. Während des gesamten Lebenszyklus von Daten wird Energie verbraucht und es entstehen CO₂-Emissionen. Für jedes Gigabyte gespeicherter Daten ist eine physische Infrastruktur erforderlich, die kontinuierlich mit Strom versorgt, gekühlt und verwaltet werden muss. Um eine nachhaltige Cloud-Architektur zu erreichen, sollten Sie Daten als wertvolles, aber umweltschädliches Asset behandeln und proaktive Data Governance priorisieren.

Ihre Entscheidungen in Bezug auf Datenaufbewahrung, ‑qualität und ‑standort können Ihnen helfen, die Cloud-Kosten und den Energieverbrauch erheblich zu senken. Minimieren Sie die Daten, die Sie speichern, optimieren Sie, wo und wie Sie Daten speichern, und implementieren Sie Strategien für das automatische Löschen und Archivieren. Wenn Sie Datenmüll reduzieren, verbessern Sie die Systemleistung und verringern die langfristigen Auswirkungen Ihrer Daten auf die Umwelt.

Empfehlungen

Wenn Sie den Datenlebenszyklus und die Speicherressourcen im Hinblick auf Nachhaltigkeit optimieren möchten, beachten Sie die Empfehlungen in den folgenden Abschnitten.

Daten mit hohem Wert priorisieren

Gespeicherte Daten, die nicht verwendet werden, dupliziert oder veraltet sind, verbrauchen weiterhin Energie, um die zugrunde liegende Infrastruktur zu betreiben. Mit den folgenden Techniken können Sie den CO2-Fußabdruck im Zusammenhang mit dem Speicherplatz reduzieren.

Duplikate identifizieren und entfernen

Legen Sie Richtlinien fest, um die unnötige Replikation von Datasets in mehreren Google Cloud Projekten oder ‑Diensten zu verhindern. Verwenden Sie zentrale Daten-Repositories wie BigQuery-Datasets oder Cloud Storage-Buckets als zentrale Informationsquellen und gewähren Sie entsprechenden Zugriff auf diese Repositories.

Schatten- und Dark Data entfernen

Dark Data sind Daten, deren Nutzen oder Inhaber unbekannt ist. Schattendatensätze sind nicht autorisierte Kopien von Daten. Scannen Sie Ihre Speichersysteme und finden Sie Dark Data und Shadow Data mit einer Lösung zur Datenerkennung und -katalogisierung wie Knowledge Catalog. Prüfen Sie diese Ergebnisse regelmäßig und implementieren Sie einen Prozess zur Archivierung oder Löschung von Dark Data und Schattendaten.

Datenvolumen für KI-Arbeitslasten minimieren

Speichern Sie nur die Features und verarbeiteten Daten, die für das Modelltraining und die Bereitstellung erforderlich sind. Verwenden Sie nach Möglichkeit Techniken wie Stichprobenerhebung, Aggregation und Generierung synthetischer Daten, um die Modellleistung zu erreichen, ohne auf riesige Rohdatensätze angewiesen zu sein.

Datenqualitätsprüfungen einbinden

Implementieren Sie automatische Pipelines für die Datenvalidierung und Datenbereinigung mit Diensten wie Managed Service for Apache Spark, Dataflow oder Knowledge Catalog am Punkt der Datenaufnahme. Daten von geringer Qualität führen zu verschwendetem Speicherplatz. Außerdem führt es zu unnötigem Energieverbrauch, wenn die Daten später für Analysen oder KI-Training verwendet werden.

Wertdichte von Daten prüfen

Überprüfen Sie regelmäßig Datasets mit hohem Volumen, z. B. Logs und IoT-Streams. Prüfen Sie, ob Daten zusammengefasst, aggregiert oder herunterskaliert werden können, um die erforderliche Informationsdichte beizubehalten und das physische Speichervolumen zu reduzieren.

Kritische Bewertung der Notwendigkeit von Sicherungen

Prüfen Sie, ob Backups von Daten erforderlich sind, die Sie mit minimalem Aufwand neu generieren können. Beispiele für solche Daten sind ETL-Zwischenergebnisse, sitzungsspezifische Caches und Trainingsdaten, die aus einer stabilen, dauerhaften Quelle stammen. Sichern Sie nur Daten, die eindeutig sind oder deren Neuerstellung teuer ist.

Speicher-Lifecycle-Verwaltung optimieren

Automatisieren Sie den Speicherlebenszyklus, sodass Daten, wenn ihr Nutzen abnimmt, in eine energieeffiziente Speicherklasse verschoben oder entsprechend entfernt werden. Gehen Sie dazu so vor:

Geeignete Cloud Storage-Klasse auswählen

Mit der Verwaltung des Objektlebenszyklus können Sie den Übergang von Daten in Cloud Storage zu Speicherklassen mit geringerem CO2-Ausstoß basierend auf der Zugriffshäufigkeit automatisieren.

  • Verwenden Sie Standard Storage nur für aktiv verwendete Datasets, z. B. aktuelle Produktionsmodelle.
  • Lagern Sie Übergangsdaten wie ältere KI-Trainingsdatasets oder weniger häufig aufgerufene Sicherungen in Nearline- oder Coldline Storage aus.
  • Verwenden Sie für die langfristige Aufbewahrung Archive Storage, das für Energieeffizienz im großen Maßstab optimiert ist.

Aggressive Richtlinien für den Datenlebenszyklus implementieren

Definieren Sie klare, automatisierte Richtlinien für die Gültigkeitsdauer (Time to Live, TTL) für nicht wesentliche Daten wie Logdateien, temporäre Modellartefakte und veraltete Zwischenergebnisse. Verwenden Sie Lebenszyklusregeln, um solche Daten nach einem bestimmten Zeitraum automatisch zu löschen.

Ressourcen-Tagging vorschreiben

Schreiben Sie die Verwendung einheitlicher Ressourcen-Tags und ‑Labels für alle Ihre Cloud Storage-Buckets, BigQuery-Datasets und nichtflüchtigen Speicher vor. Erstellen Sie Tags, die den Dateninhaber, den Zweck der Daten und den Aufbewahrungszeitraum angeben. Verwenden Sie Einschränkungen des Organisationsrichtliniendienstes, um sicherzustellen, dass erforderliche Tags wie die Aufbewahrungsdauer auf Ressourcen angewendet werden. Mit Tags können Sie das Lifecycle-Management automatisieren, detaillierte FinOps-Berichte erstellen und Berichte zu CO2-Emissionen erstellen.

Computing-Speicher bedarfsgerecht anpassen und bereitgestellte Ressourcen aufheben

Prüfen Sie regelmäßig nichtflüchtige Speicher, die an Compute Engine-Instanzen angehängt sind, und achten Sie darauf, dass die Speicher nicht überdimensioniert sind. Verwenden Sie Snapshots nur, wenn sie für die Sicherung erforderlich sind. Löschen Sie alte, nicht verwendete Snapshots. Verwenden Sie für Datenbanken Richtlinien zur Datenaufbewahrung, um die Größe der zugrunde liegenden nichtflüchtigen Speicher zu reduzieren.

Speicherformat optimieren

Für Speicher, der Analysearbeitslasten verarbeitet, sollten Sie komprimierte, spaltenbasierte Formate wie Parquet oder optimiertes Avro gegenüber zeilenbasierten Formaten wie JSON oder CSV bevorzugen. Durch die spaltenbasierte Speicherung wird der physische Speicherplatzbedarf erheblich reduziert und die Leseeffizienz verbessert. Durch diese Optimierung wird der Energieverbrauch für die zugehörigen Rechen- und E/A-Vorgänge reduziert.

Regionalität und Datenübertragung optimieren

Der physische Standort und die Bewegung Ihrer Daten wirken sich auf den Verbrauch von Netzwerkressourcen und den für die Speicherung erforderlichen Energieverbrauch aus. Optimieren Sie die Datenregionalität mit den folgenden Techniken.

Regionen mit geringen CO2-Emissionen für die Speicherung auswählen

Je nach Ihren Compliance-Anforderungen können Sie Daten in Google Cloud Regionen speichern, die einen höheren Prozentsatz an CO₂-freier Energie (CFE) verwenden oder eine geringere CO₂-Intensität des Netzes aufweisen. Sie können die Erstellung von Speicher-Buckets in Regionen mit hohem CO₂-Ausstoß mit der Beschränkung für Ressourcenstandorte der Organisationsrichtlinie einschränken. Informationen zu CFE- und CO₂-Intensitätsdaten für Google Cloud -Regionen finden Sie unter CO₂-freie Energie für Google Cloud -Regionen.

Replikation minimieren

Replizieren Sie Daten nur dann über Regionen hinweg, wenn dies für die Notfallwiederherstellung oder Hochverfügbarkeit erforderlich ist. Durch regionenübergreifende und multiregionale Replikationsvorgänge steigen die Energiekosten und der ökologische Fußabdruck Ihrer Daten erheblich.

Orte der Datenverarbeitung optimieren

Um den Energieverbrauch für die Netzwerkdatenübertragung zu senken, sollten Sie rechenintensive Arbeitslasten wie KI-Training und BigQuery-Verarbeitung in derselben Region wie die Datenquelle bereitstellen.

Datenbewegungen für Partner und Kunden optimieren

Wenn große Datenmengen zwischen Cloud-Diensten, Standorten und Anbietern verschoben werden sollen, empfehlen Sie Ihren Partnern und Kunden, den Storage Transfer Service oder APIs für die Datenweitergabe zu verwenden. Vermeiden Sie Massendaten-Dumps. Verwenden Sie für öffentliche Datasets Anforderer bezahlt-Buckets, um die Kosten für die Datenübertragung und -verarbeitung sowie die Umweltauswirkungen auf Endnutzer zu verlagern.

Nachhaltigkeit kontinuierlich messen und verbessern

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen, mit denen Sie die Nachhaltigkeit Ihrer Arbeitslasten in Google Cloudmessen und kontinuierlich verbessern können.

Übersicht über die Prinzipien

Damit Ihre Cloud-Arbeitslasten nachhaltig bleiben, benötigen Sie genaue und transparente Messwerte. Mit überprüfbaren Messwerten können Sie Nachhaltigkeitsziele in Maßnahmen umsetzen. Jede Ressource, die Sie in der Cloud erstellen, hat eine CO₂-Bilanz. Wenn Sie nachhaltige Cloud-Architekturen erstellen und verwalten möchten, müssen Sie die Messung von CO₂-Daten in Ihre operative Feedback-Schleife einbinden.

Die Empfehlungen in diesem Abschnitt bieten einen Rahmen für die Verwendung der CO₂-Bilanz, um CO₂-Emissionen zu quantifizieren, CO₂-Hotspots zu identifizieren, gezielte Arbeitslastoptimierungen zu implementieren und die Ergebnisse der Optimierungsbemühungen zu überprüfen. Mit diesem Framework können Sie Ihre Ziele zur Kostenoptimierung effizient mit nachweisbaren Zielen zur Reduzierung von CO2-Emissionen in Einklang bringen.

Berichtsmethode für die CO₂-Bilanz

Carbon Footprint bietet einen transparenten, prüfbaren und global abgestimmten Bericht über Ihre cloudbezogenen Emissionen. Der Bericht entspricht internationalen Standards, vor allem dem Greenhouse Gas (GHG) Protocol für die Berichterstellung und Bilanzierung von CO₂-Emissionen. Im Bericht zur CO₂-Bilanz werden standortbasierte und marktbasierte Bilanzierungsmethoden verwendet. Die standortbasierte Bilanzierung basiert auf dem Emissionsfaktor des lokalen Stromnetzes. Bei der marktbasierten Bilanzierung werden die von Google eingekauften CO₂-freien Energien (CFE) berücksichtigt. Dieser duale Ansatz hilft Ihnen, sowohl die Auswirkungen auf das physische Netz als auch die CO₂-Vorteile Ihrer Arbeitslasten in Google Cloudzu verstehen.

Weitere Informationen zur Erstellung des Carbon Footprint-Berichts, einschließlich der verwendeten Datenquellen, der Scope-3-Einbeziehungen und des Kundenzuordnungsmodells, finden Sie unter Berichtsmethode für die CO₂-Bilanz.

Empfehlungen

Wenn Sie die CO₂-Messung für eine kontinuierliche Verbesserung nutzen möchten, beachten Sie die Empfehlungen in den folgenden Abschnitten. Die Empfehlungen sind in Phasen der Reife für die Implementierung von nachhaltigen Cloud-Vorgängen strukturiert:

Phase 1: Baseline festlegen

In dieser Phase richten Sie die erforderlichen Tools ein und sorgen dafür, dass die Daten zugänglich und richtig integriert sind.

  1. Berechtigungen gewähren: Gewähren Sie Teams wie FinOps, SecOps und Platform Engineering Berechtigungen, damit sie in der Google Cloud Console auf das Dashboard Carbon Footprint“ zugreifen können. Weisen Sie die Rolle „Carbon Footprint Viewer“ (roles/billing.carbonViewer) in Identity and Access Management (IAM) für das entsprechende Rechnungskonto zu.
  2. Datenexport automatisieren: Bevor Sie Daten exportieren, sollten Sie darauf achten, dass IhreGoogle Cloud-Ressourcenhierarchie (Ordner und Projekte) und Ihre Ressourcenanmerkungen (Tags und Labels) die Organisation Ihrer Geschäftsbereiche korrekt widerspiegeln. Da die Daten zu Carbon Footprint auf Projektebene aggregiert werden, ist eine klar definierte Hierarchie für die korrekte Zuordnung von Emissionen unerlässlich. Konfigurieren Sie den automatischen Export von Carbon Footprint-Bilanzdaten nach BigQuery. Mit den exportierten Daten können Sie detaillierte Analysen durchführen, CO₂-Daten mit Kosten- und Nutzungsdaten korrelieren und benutzerdefinierte Berichte erstellen.
  3. CO₂-bezogene Leistungskennzahlen (KPIs) definieren: Legen Sie Messwerte fest, die CO₂-Emissionen mit dem Geschäftswert verknüpfen. Die CO₂-Intensität ist beispielsweise ein Messwert für die Anzahl der Kilogramm CO2-Äquivalent pro Kunde, Transaktion oder Umsatzeinheit.

Phase 2: CO2-Hotspots identifizieren

Identifizieren Sie die Bereiche mit den größten Umweltauswirkungen, indem Sie die detaillierten Daten im Carbon Footprint-Bericht analysieren. Verwenden Sie für diese Analyse die folgenden Techniken:

  • Nach Umfang priorisieren: Um die größten Brutto-Kohlenstoffemittenten schnell zu identifizieren, analysieren Sie die Daten im Dashboard nach Projekt, Region und Dienst.
  • Duale Bilanzierung verwenden: Wenn Sie die CO₂-Bilanz in einer Region bewerten, berücksichtigen Sie sowohl standortbasierte Emissionen (die Umweltauswirkungen des lokalen Stromnetzes) als auch marktbasierten Emissionen (die Vorteile der CFE-Investitionen von Google).
  • Mit Kosten korrelieren: Verknüpfen Sie die CO₂-Daten in BigQuery mit Ihren Abrechnungsdaten und bewerten Sie die Auswirkungen von Optimierungsmaßnahmen auf Nachhaltigkeit und Kosten. Obwohl Kosten und CO₂-Emissionen oft zusammenhängen, können Sie die Kosten nur als ersten Indikator verwenden. In Regionen mit hohen Kosten und hohen CO₂-freie Energie (CFE)-Scores können Arbeitslasten beispielsweise hohe Kosten, aber niedrige marktbasierten Emissionen verursachen. Validieren Sie Optimierungsannahmen immer anhand von realen standort- und marktbezogenen Messwerten.
  • Daten mit Anmerkungen versehen, um den Return on Effort (ROE) zu messen: Versehen Sie die CO₂-Daten in BigQuery mit Anmerkungen zu bestimmten Ereignissen, z. B. zur Anpassung der Größe einer Ressource oder zur Außerbetriebnahme eines großen Dienstes. Mit den Annotationen können Sie die Reduzierung von CO₂-Ausstoß und Kosten bestimmten Optimierungsinitiativen zuordnen, um das Ergebnis jeder Initiative zu messen und zu demonstrieren.

Phase 3: Gezielte Optimierung implementieren

Dies ist die Ausführungsphase für die Implementierung von nachhaltigen Cloud-Vorgängen. Verwenden Sie die folgenden Strategien, um bestimmte Ressourcen zu optimieren, die Sie als wesentliche Treiber von Kosten und CO₂-Ausstoß identifizieren:

  • Nicht genutzte Projekte deaktivieren: Überprüfen Sie im Rahmen Ihrer IT-Servicemanagement-Workflows (ITSM) regelmäßig den Recommender für nicht genutzte Projekte, der in die Carbon Footprint-Daten eingebunden ist. Wenn Sie den CO₂-Ausstoß und die Kosten sofort und nachweislich senken möchten, sollten Sie die Überprüfung und das Löschen nicht verwendeter Projekte über nachverfolgte Engineering-Tickets automatisieren.
  • Ressourcen anpassen: Passen Sie die bereitgestellte Ressourcenkapazität an die tatsächliche Nutzung an. Verwenden Sie dazu die Recommender für die Größenanpassung von Active Assist, z. B. Empfehlungen für Maschinentypen für Compute Engine-VMs. Verwenden Sie für rechenintensive Aufgaben und KI-Arbeitslasten die effizientesten Maschinentypen und KI-Modelle.
  • CO₂-bewusste Planung einführen: Integrieren Sie für Batch-Arbeitslasten, die nicht zeitkritisch sind, regionale CFE-Daten in die Planungslogik. Beschränken Sie die Erstellung neuer Ressourcen nach Möglichkeit auf Regionen mit geringen CO₂-Emissionen. Verwenden Sie dazu die Einschränkung Ressourcenstandorte im Organisationsrichtliniendienst.
  • Datenflut reduzieren: Implementieren Sie Data-Governance-Richtlinien, um dafür zu sorgen, dass selten aufgerufene Daten in eine geeignete kalte Speicherklasse (Nearline, Coldline oder Archive) verschoben oder endgültig gelöscht werden. Diese Strategie hilft, die Energiekosten Ihrer Speicherressourcen zu senken.
  • Anwendungscode optimieren: Beheben Sie Ineffizienzen auf Codeebene, die zu einer übermäßigen Ressourcennutzung oder unnötigen Berechnungen führen.

Hier finden Sie weitere Informationen:

Phase 4: Nachhaltigkeitspraktiken und ‑berichte institutionalisieren

In dieser Phase binden Sie die CO₂-Messung in Ihr Governance-Framework ein. Dieser Ansatz trägt dazu bei, dass Ihre Organisation über die Fähigkeiten und Kontrollen verfügt, die für kontinuierliche Nachhaltigkeitsverbesserungen und überprüfbare Berichte erforderlich sind.

  • GreenOps-Governance implementieren: Richten Sie eine formelle GreenOps-Funktion oder Arbeitsgruppe ein, um Carbon Footprint-Daten in Cloud Billing-Daten zu integrieren. Integrieren Sie Ihre monatlichen BigQuery-CO₂-Exporte direkt in Ihre vorhandenen FinOps-Dashboards, z. B. Looker. Wenn Sie CO₂- und Kostendaten in einer einzigen Oberfläche präsentieren, können Sie dafür sorgen, dass Nachhaltigkeit Teil Ihres standardmäßigen Betriebsüberprüfungszyklus ist. Diese Funktion muss die Verantwortlichkeit für die Ziele zur Reduzierung von CO₂-Emissionen in allen Projekten definieren, die Kostenoptimierung mit den Nachhaltigkeitszielen in Einklang bringen und Berichte implementieren, um die CO₂-Effizienz im Verhältnis zu den Ausgaben zu verfolgen.
  • CO₂-Bilanz-Daten für Berichte und Compliance verwenden: Mit den geprüften, prüfbaren Carbon Footprint-Daten in BigQuery können Sie formelle Offenlegungen zu Umwelt, Gesellschaft und Unternehmensführung (Environmental, Social, and Governance, ESG) erstellen. Mit diesem Ansatz können Sie die Anforderungen der Stakeholder an die Transparenz erfüllen und die Einhaltung von obligatorischen und freiwilligen Vorschriften gewährleisten.
  • In Schulungen und Sensibilisierung investieren: Führen Sie obligatorische Nachhaltigkeitsschulungen für relevante technische und nicht technische Teams ein. Ihre Teams müssen wissen, wie sie auf die Carbon Footprint-Daten zugreifen und sie interpretieren können und wie sie Optimierungsempfehlungen in ihren täglichen Arbeitsabläufen und Designentscheidungen anwenden können. Weitere Informationen finden Sie unter Rollenbasierte Nachhaltigkeitsschulungen anbieten.
  • Anforderungen an den CO₂-Ausstoß definieren: Nehmen Sie Messwerte für den CO₂-Ausstoß als nicht funktionale Anforderungen (NFR) in die Akzeptanzkriterien Ihrer Anwendung für neue Bereitstellungen auf. So wird sichergestellt, dass Architekten und Entwickler von Beginn des Lebenszyklus der Anwendungsentwicklung an CO₂-arme Designoptionen priorisieren.
  • GreenOps automatisieren: Automatisieren Sie die Implementierung von Active Assist-Empfehlungen mithilfe von Skripts, Vorlagen und IaC-Pipelines (Infrastructure as Code). So wird sichergestellt, dass Teams Empfehlungen im gesamten Unternehmen einheitlich und schnell anwenden.

Nachhaltigkeit fördern

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework enthält Empfehlungen, die Ihnen helfen, eine Kultur zu schaffen, in der Teams in Ihrer Organisation Nachhaltigkeitspraktiken kennen und beherrschen.

Übersicht über die Prinzipien

Um Nachhaltigkeitspraktiken anzuwenden, benötigen Sie mehr als nur Tools und Techniken. Sie benötigen einen kulturellen Wandel, der durch Bildung und Verantwortlichkeit vorangetrieben wird. Ihre Teams müssen sich der Nachhaltigkeitsprobleme bewusst sein und über praktische Kenntnisse in Nachhaltigkeitspraktiken verfügen.

  • Bewusstsein für Nachhaltigkeit ist das Kontextwissen, dass jede architektonische und betriebliche Entscheidung konkrete Auswirkungen auf die Nachhaltigkeit hat. Teams müssen sich bewusst sein, dass die Cloud keine abstrakte Sammlung virtueller Ressourcen ist, sondern von physischen Ressourcen angetrieben wird, die Energie verbrauchen und CO₂-Ausstoß verursachen.
  • Kenntnisse in Bezug auf Nachhaltigkeit umfassen die Fähigkeit, Daten zu CO₂-Ausstoß zu interpretieren, Erfahrung mit der Implementierung von Cloud-Nachhaltigkeitsrichtlinien und technische Fähigkeiten, um Code für Energieeffizienz zu refaktorieren.

Damit Nachhaltigkeitspraktiken mit den Zielen des Unternehmens in Einklang gebracht werden können, müssen Ihre Teams verstehen, wie sich der Energieverbrauch von Cloud-Infrastruktur und Software auf die CO₂-Bilanz des Unternehmens auswirkt. Eine gut geplante Schulung trägt dazu bei, dass alle Ihre Stakeholder – von Entwicklern und Architekten bis hin zu Finanzexperten und Betriebsingenieuren – den Nachhaltigkeitskontext ihrer täglichen Arbeit verstehen. Dieses gemeinsame Verständnis ermöglicht es Teams, von der passiven Compliance zur aktiven Optimierung überzugehen, wodurch Ihre Cloud-Arbeitslasten von vornherein nachhaltig werden. Nachhaltigkeit wird zu einer zentralen nicht funktionalen Anforderung (NFR) wie andere Anforderungen an Sicherheit, Kosten, Leistung und Zuverlässigkeit.

Empfehlungen

Um das Bewusstsein für Nachhaltigkeitsprobleme und die Kompetenz in Nachhaltigkeitspraktiken zu schärfen, sollten Sie die Empfehlungen in den folgenden Abschnitten berücksichtigen.

Geschäftlichen Kontext und Abstimmung mit den Unternehmenszielen bereitstellen

Nachhaltigkeit ist nicht nur eine technische Übung, sondern erfordert einen kulturellen Wandel, der die Handlungen des Einzelnen mit der Umweltmission Ihrer Organisation in Einklang bringt. Wenn Teams das Warum hinter Nachhaltigkeitsinitiativen verstehen, ist es wahrscheinlicher, dass sie die Initiativen als Grundprinzipien und nicht als optionale Aufgaben übernehmen.

Das große Ganze im Blick

Helfen Sie Ihren Teams zu verstehen, wie einzelne Architekturentscheidungen, z. B. die Auswahl einer Region mit geringen CO₂-Emissionen oder die Optimierung einer Datenpipeline, zu den allgemeinen Nachhaltigkeitsverpflichtungen der Organisation beitragen. Kommunizieren Sie explizit, wie sich diese Entscheidungen auf die lokale Gemeinschaft und die Branche auswirken. Abstrakte CO2-Messwerte in konkrete Indikatoren für den Fortschritt bei der Erreichung der Ziele für die soziale Verantwortung von Unternehmen (Corporate Social Responsibility, CSR) umwandeln.

Eine Nachricht wie die folgende informiert Teams beispielsweise über das positive Ergebnis und die Anerkennung durch die Führungsebene einer Entscheidung, eine Arbeitslast in eine CO₂-arme Region zu migrieren und einen energieeffizienten Maschinentyp zu verwenden. In der Nachricht wird auf das CO2-Äquivalent verwiesen, das Ihrem Team hilft, die Auswirkungen von Maßnahmen zur Reduzierung von CO2-Emissionen zu verstehen.

„Durch die Migration unserer Datenanalyse-Engine in die Region Blattsymbol Niedriger CO2-Ausstoß und das Upgrade unserer Cluster auf C4A-Axion-basierte Instanzen haben wir unsere CO₂-Bilanz grundlegend verändert. Diese Umstellung führte zu einer Reduzierung der CO2 -Intensität unserer Datenanalyse-Engine um 75 %, was in diesem Quartal einer Reduzierung von 12  Tonnen CO2-Äquivalent entspricht. Diese Migration hatte einen erheblichen Einfluss auf unsere Geschäftsziele und wurde in den Newsletter für das vierte Quartal an unseren Vorstand aufgenommen.“

Finanz- und Nachhaltigkeitsziele kommunizieren

Transparenz ist entscheidend, um Nachhaltigkeitspraktiken mit Zielen in Einklang zu bringen. Teilen Sie Nachhaltigkeitsziele und ‑fortschritte so weit wie möglich im gesamten Unternehmen. Fortschritte bei der Nachhaltigkeit im Jahresabschluss hervorheben. Eine solche Kommunikation sorgt dafür, dass technische Teams ihre Arbeit als wichtigen Teil der öffentlichen Verpflichtungen und der finanziellen Gesundheit des Unternehmens betrachten.

Fate-Sharing-Mentalität annehmen

Teams über die kollaborative Natur der Cloud-Nachhaltigkeit informieren. Google ist für die Nachhaltigkeit der Cloud verantwortlich, einschließlich der Effizienz der Infrastruktur und der Rechenzentren. Sie (der Kunde) sind für die Nachhaltigkeit Ihrer Ressourcen und Arbeitslasten in der Cloud verantwortlich. Wenn Sie diese Zusammenarbeit als Partnerschaft mit gemeinsamem Schicksal darstellen, unterstreichen Sie, dass Ihre Organisation und Google zusammenarbeiten, um optimale Umweltergebnisse zu erzielen.

Rollenbasierte Nachhaltigkeitsschulungen anbieten

Damit Nachhaltigkeit nicht nur ein theoretisches Konzept, sondern eine praktische Fähigkeit ist, sollten Sie das Nachhaltigkeitstraining auf bestimmte Rollen zuschneiden. Die Nachhaltigkeitstools und ‑techniken, die ein Data Scientist verwenden kann, unterscheiden sich stark von denen, die einem FinOps-Analysten zur Verfügung stehen. Das wird in der folgenden Tabelle beschrieben:

Rolle Trainingsfokus
Data Scientists und ML-Entwickler CO₂-Intensität von Rechenleistung: Zeigen Sie die Unterschiede zwischen der Ausführung von KI-Trainingsjobs auf Legacy-Systemen und speziell entwickelten KI-Beschleunigern auf. Heben Sie hervor, wie ein Modell mit weniger Parametern die erforderliche Genauigkeit bei deutlich geringerem Energieverbrauch erreichen kann.
Entwickler Codeeffizienz und Ressourcenverbrauch: Veranschaulichen Sie, wie Code mit hoher Latenz oder ineffiziente Schleifen direkt zu einer längeren CPU-Laufzeit und einem höheren Energieverbrauch führen. Betonen Sie die Bedeutung von schlanken Containern und die Notwendigkeit, die Anwendungsleistung zu optimieren, um die Umweltauswirkungen von Software zu verringern.
Architekten Nachhaltigkeit durch Design: Fokus auf die Auswahl der Region und die Platzierung von Arbeitslasten. Zeigen Sie, wie die Auswahl einer Blattsymbol Region mit niedrigem CO2-Ausstoß und einem hohen Anteil an erneuerbaren Energien (z. B. northamerica-northeast1) das CO2-Profil Ihres gesamten Anwendungsstacks grundlegend ändert, bevor Sie eine einzige Zeile Code schreiben.
Plattform- und Betriebsingenieure Auslastung maximieren: Betonen Sie die Umweltkosten von inaktiven Ressourcen und Überbereitstellung. Szenarien für automatische Skalierung und Right-Sizing präsentieren, um sicherzustellen, dass Cloud-Ressourcen effizient genutzt werden. Erklären, wie nachhaltigkeitsbezogene Messwerte wie die Auslastung erstellt und verfolgt werden und wie Messwerte wie die Rechenzeit in entsprechende Messwerte für CO₂-Ausstoß umgerechnet werden.
FinOps Unit Economics von CO₂: Konzentrieren Sie sich auf die Beziehung zwischen finanziellen Ausgaben und Umweltauswirkungen. Zeigen Sie, wie GreenOps-Praktiken es einem Unternehmen ermöglichen, den CO2-Ausstoß pro Transaktion zu erfassen. So wird Nachhaltigkeit zu einer Leistungskennzahl, die genauso wichtig ist wie herkömmliche KPIs wie Kosten und Nutzung.
Produktmanager Nachhaltigkeit als Feature: Zeigen Sie, wie Ziele zur Reduzierung von CO₂-Emissionen in Produkt-Roadmaps integriert werden können. Zeigen Sie, wie vereinfachte User Journeys dazu beitragen können, den Energieverbrauch sowohl von Cloud-Ressourcen als auch von Endnutzergeräten zu senken.
Führungskräfte Strategische Ausrichtung und Berichterstellung: Konzentrieren Sie sich darauf, wie sich die Nachhaltigkeit der Cloud auf die ESG-Bewertungen (Environmental, Social, and Governance) und den öffentlichen Ruf auswirkt. Veranschaulichen Sie, wie Nachhaltigkeitsentscheidungen dazu beitragen, regulatorische Risiken zu reduzieren und Verpflichtungen gegenüber der Gemeinschaft und der Branche zu erfüllen.

Nachhaltigkeit fördern und Erfolge anerkennen

Um langfristige Fortschritte zu erzielen, müssen Sie über interne technische Korrekturen hinausgehen und beginnen, Ihre Partner und die Branche zu beeinflussen.

Führungskräfte in die Lage versetzen, sich für Nachhaltigkeit einzusetzen

Stellen Sie Managern die Daten und Berechtigungen zur Verfügung, die sie benötigen, um die Umweltauswirkungen ähnlich wie andere Geschäftsmesswerte wie Markteinführungszeit und Kosten zu priorisieren. Wenn Führungskräfte diese Daten haben, betrachten sie Nachhaltigkeit als Qualitäts- und Effizienzstandard und nicht als „Nice-to-have“-Funktion, die die Produktion verlangsamt. Sie setzen sich aktiv für neue Funktionen von Cloud-Anbietern ein, z. B. für detailliertere CO₂-Daten und neuere, umweltfreundlichere Prozessoren in bestimmten Regionen.

An Branchenstandards und Frameworks ausrichten

Damit Ihre Nachhaltigkeitsbemühungen glaubwürdig und messbar sind, sollten Sie interne Praktiken an anerkannten globalen und regionalen Standards ausrichten. Weitere Informationen finden Sie unter Nachhaltigkeitspraktiken an Branchenrichtlinien ausrichten.

Nachhaltigkeitsbemühungen fördern

Damit Nachhaltigkeit zu einem dauerhaften Bestandteil der Engineering-Kultur wird, müssen Teams den Wert der Priorisierung von Nachhaltigkeit erkennen. Von allgemeinen Zielen zu spezifischen, messbaren KPIs übergehen, die Verbesserungen und Effizienz belohnen.

CO₂-KPIs und nicht funktionale Anforderungen definieren

Nachhaltigkeit als zentrale technische Anforderung behandeln. Wenn Sie CO₂-KPIs definieren, z. B. Gramm CO2-Äquivalent pro Million Anfragen oder CO₂-Intensität pro KI-Trainingslauf, machen Sie die Auswirkungen auf die Nachhaltigkeit sichtbar und umsetzbar. Integrieren Sie beispielsweise Nachhaltigkeit in die NFRs für jedes neue Projekt. Genauso wie ein System ein bestimmtes Latenz- oder Verfügbarkeitsziel erreichen muss, muss es auch innerhalb eines definierten Budgets für Kohlenstoffemissionen bleiben.

Return on Effort messen

Helfen Sie Ihren Teams, wirkungsvolle und wenig aufwendige Nachhaltigkeitsmaßnahmen zu identifizieren, z. B. das Verschieben eines Batchjobs in eine andere Region, im Gegensatz zu einer komplexen Code-Refaktorierung, die möglicherweise nur minimale Vorteile bietet. Transparenz hinsichtlich des Return on Effort (ROE) bieten. Wenn ein Team eine effizientere Prozessorfamilie auswählt, muss es genau wissen, wie viel CO₂-Ausstoß es im Verhältnis zu dem Zeit- und Arbeitsaufwand vermieden hat, der für die Migration zum neuen Prozessor erforderlich ist.

CO₂-Reduktionen anerkennen und feiern

Die Auswirkungen auf die Nachhaltigkeit sind oft im Hintergrund der Infrastruktur verborgen. Um die Dynamik für Nachhaltigkeitsfortschritte zu steigern, sollten Sie Erfolge für die gesamte Organisation sichtbar machen. Verwenden Sie beispielsweise Annotationen in Monitoring-Dashboards, um zu markieren, wann ein Team eine bestimmte Nachhaltigkeitsoptimierung bereitgestellt hat. Dank dieser Transparenz können Teams auf Daten im Dashboard verweisen und Anerkennung für ihre Erfolge einfordern.

Nachhaltigkeitspraktiken an Branchenrichtlinien ausrichten

Dieses Prinzip in der Nachhaltigkeitssäule des Google Cloud Well-Architected Framework bietet einen Überblick über Branchenrichtlinien und ‑frameworks, an denen Sie Ihre Nachhaltigkeitsbemühungen ausrichten sollten.

Übersicht über die Prinzipien

Damit Ihre Nachhaltigkeitsinitiativen auf weltweit anerkannten Methoden zur Messung, Berichterstellung und Verifizierung basieren, empfehlen wir, Ihre Initiativen an den folgenden Branchenrichtlinien auszurichten:

Wenn Sie Ihre Nachhaltigkeitsinitiativen an diesen gemeinsamen externen Richtlinien ausrichten, erhalten Ihre Initiativen die Glaubwürdigkeit und Prüfbarkeit, die Investoren, Aufsichtsbehörden und andere externe Stakeholder fordern. Außerdem fördern Sie die Verantwortlichkeit in den Entwicklungsteams, integrieren Nachhaltigkeit in die Mitarbeiterschulungen und integrieren Cloud-Vorgänge erfolgreich in unternehmensweite Verpflichtungen für die Berichterstattung zu Umwelt, Soziales und Unternehmensführung (ESG).

W3C Web Sustainability Guidelines

Die W3C Web Sustainability Guidelines (WSG) sind ein aufstrebendes Framework mit Best Practices, das von einer W3C-Arbeitsgruppe entwickelt wurde, um die Umweltauswirkungen digitaler Produkte und Dienste zu minimieren. Die Richtlinien decken den gesamten Lebenszyklus einer digitalen Lösung ab, einschließlich Geschäfts- und Produktstrategie, UX-Design, Webentwicklung, Hosting, Infrastruktur und Systeme. Das Hauptziel von WSG ist es, Entwicklern und Architekten die Möglichkeit zu geben, Websites und Webanwendungen zu erstellen, die energieeffizienter sind und den Netzwerkverkehr, die clientseitige Verarbeitung und den serverseitigen Ressourcenverbrauch reduzieren. Diese Richtlinien dienen als wichtiger Bezugspunkt, um die Nachhaltigkeit auf Anwendungsebene mit den Architekturentscheidungen auf Cloud-Ebene in Einklang zu bringen.

Green Software Foundation

Die Green Software Foundation (GSF) konzentriert sich auf den Aufbau eines Branchen-Ökosystems für nachhaltige Software. Ziel ist es, die Entwicklung von Software voranzutreiben, die so konzipiert, entwickelt und betrieben wird, dass der ökologische Fußabdruck minimiert wird. Die GSF hat die Spezifikation „Software Carbon Intensity“ (SCI) entwickelt, die einen gemeinsamen Standard für die Messung des CO₂-Ausstoßes von Software bietet. Die Ausrichtung an den GSF hilft Entwicklern, die Effizienz einer Anwendung direkt mit den CO2-Auswirkungen der Cloud-Umgebung in Verbindung zu bringen.

Greenhouse Gas Protocol

Das Greenhouse Gas (GHG) Protocol ist ein weit verbreitetes Regelwerk zur Messung, Verwaltung und öffentlichen Berichterstattung von Treibhausgasemissionen. Das Protokoll wurde in Zusammenarbeit zwischen dem World Resources Institute (WRI) und dem World Business Council for Sustainable Development (WBCSD) entwickelt. Das GHG Protocol bietet den wesentlichen Rahmen für die Klimabilanzierung von Unternehmen. Der Bericht Carbon Footprint“ enthält Daten zu Emissionsbereichen, die für die Cloud-Nutzung relevant sind. Weitere Informationen finden Sie unter Berichtsmethode für die CO₂-Bilanz.

Die Einhaltung des GHG-Protokolls trägt dazu bei, dass Ihre Nachhaltigkeitsinitiativen glaubwürdig sind und externe Parteien Ihre Daten zu Kohlenstoffemissionen prüfen können. Außerdem vermeiden Sie den Eindruck von Greenwashing und erfüllen die Due-Diligence-Anforderungen Ihrer Investoren, Aufsichtsbehörden und externen Stakeholder. Bestätigte und geprüfte Daten helfen Ihrer Organisation, Rechenschaftspflicht nachzuweisen und Vertrauen in öffentlichkeitswirksame Nachhaltigkeitsverpflichtungen aufzubauen.