Well-Architected Framework：永續發展支柱

Last reviewed 2026-10-28 UTC

Google Cloud Well-Architected Framework 的永續發展支柱提供建議，協助您在 Google Cloud中設計、建構及管理高效節能且具碳感知的工作負載。

這份文件的目標對象包括決策者、架構師、管理員、開發人員和操作人員，他們負責在 Google Cloud中設計、建構、部署及維護工作負載。

架構和營運決策會對雲端工作負載的能源用量、水資源影響和碳足跡產生重大影響。無論是小型網站或大型機器學習模型，所有工作負載都會消耗能源，並產生碳排放和水資源密集度。將永續發展融入雲端架構和設計流程，即可建構高效、符合成本效益且環境永續的系統。永續架構具有韌性且經過最佳化，可形成良性循環，提高效率、降低成本，並減少對環境的影響。

永續設計：全方位的業務成果

永續發展與其他核心業務目標並非互斥，永續發展做法有助於加速達成其他業務目標。優先採用低碳資源和作業的架構選擇，有助於建構更快速、更便宜、更安全的系統。這類系統被視為永續設計，針對永續性進行最佳化，可為效能、成本、安全性、韌性和使用者體驗帶來整體正面成果。

效能最佳化

效能最佳化的系統本身使用的資源較少。如果應用程式效率高，能更快完成工作，所需的運算資源時間就會縮短。因此，基礎硬體消耗的能源較少 (以千瓦時為單位)。最佳化效能也能縮短延遲時間，並提升使用者體驗。資源不會因等待低效率的程序而浪費時間和精力。使用專用硬體 (例如 GPU 和 TPU)、採用高效率演算法，並盡可能提高平行處理能力，即可提升效能並減少雲端工作負載的碳足跡。

成本最佳化

雲端營運支出取決於資源用量。由於這種直接關聯，當您持續最佳化成本時，也會減少能源消耗和碳排放。只要將 VM 調整至最適規模、積極實施自動調度資源、封存舊資料，以及消除閒置資源，就能減少資源用量和雲端成本。此外，資料中心執行工作負載時消耗的能源較少，因此系統的碳足跡也會減少。

安全性與彈性

安全性和可靠性是永續雲端環境的先決條件。如果系統遭到入侵 (例如受到阻斷攻擊 (DoS) 或未經授權的資料侵害)，資源消耗量可能會大幅增加。這類事件可能導致流量大幅激增、產生失控的運算週期來緩解問題，並需要耗費大量能源進行長時間的鑑識分析、清理和資料還原作業。強大的安全措施有助於防止資源用量不必要地激增，讓作業保持穩定、可預測且高效節能。

使用者體驗

如果系統優先考量效率、效能、無障礙功能和最低資料用量，就能協助使用者減少能源用量。如果應用程式載入較小的模型或處理較少資料，就能更快提供結果，有助於減少網路裝置和使用者裝置消耗的能源。這種能源用量減少的做法，特別適合頻寬有限或使用舊型裝置的使用者。此外，永續架構有助於盡可能減少對地球的傷害，並展現您對社會責任技術的承諾。

遷移至雲端的永續發展價值

將地端部署工作負載遷移至雲端，有助於減少組織的環境足跡。與一般地端部署相比，改用雲端基礎架構可減少 1.4 到 2 倍的能源用量和相關排放量。雲端資料中心是現代化的特製設施，專為高電力使用效能 (PUE) 而建。老舊的地端部署資料中心通常規模不足，無法證明投資先進冷卻和配電系統的合理性。

共同責任與命運共同體

Google Cloud的共同責任和命運共同體說明 Google 和您 (客戶) 如何共同承擔雲端工作負載的安全性責任。這項共同責任模式也適用於永續發展。

Google 負責 Google Cloud「本身」的永續發展，也就是資料中心、基礎架構和核心服務的能源效率和水資源管理。我們持續投資可再生能源、具氣候變遷意識的冷卻技術，以及硬體最佳化。如要進一步瞭解 Google 的永續發展策略和進展，請參閱《Google 永續發展 2026 年環境報告》。

客戶則負責雲端中的永續發展，也就是最佳化工作負載，提高高效節能。例如，您可以調整資源大小、使用可縮減至零的無伺服器服務，以及有效管理資料生命週期。

我們也提倡命運共同體模式：永續發展不只是分工合作，而是您與 Google 攜手合作，減少整個生態系統的環境足跡。

運用 AI 提升業務成效

Well-Architected Framework 的永續發展支柱 (本文件) 包含指南，可協助您設計永續的 AI 系統。不過，全面的永續發展策略不只著重於 AI 工作負載對環境的影響，這項策略應包含如何運用 AI 改善作業方式，以及創造新的業務價值。

AI 可將龐大的資料集轉化為可做為行動依據的洞察資料，進而推動永續發展。組織可從被動遵循法規，轉為主動最佳化，例如：

  • 作業效率：改善商品目錄管理、最佳化供應鏈，以及採用智慧能源管理，簡化作業流程。
  • 資訊透明度和風險：運用資料，提高供應鏈資訊透明度、遵循法規，以及建立氣候風險模型。
  • 價值與成長：在永續金融和二手電商領域開發新的收益來源。

Google 提供下列產品和功能，協助您從資料中取得洞察資訊，並打造永續發展的能力：

  • Google Earth AI：使用全球地理空間資料分析環境變化，並監控供應鏈影響。
  • WeatherNext：提供先進的天氣預報和氣候風險分析，協助您建立因應氣候波動的韌性。
  • Google 地球地理空間洞察：使用地理空間資料，為地點新增豐富的比對內容資料，進而更明智地選擇地點、規劃資源及營運。
  • Google 地圖路線最佳化：最佳化物流和配送路線，提高效率並減少燃料消耗和交通運輸排放。

與合作夥伴和客戶合作

Google Cloud 和 TELUS 攜手合作，將工作負載遷移至 Google 的碳中和基礎架構，並運用資料分析技術最佳化營運，進而提升雲端永續性。這項合作透過智慧城市技術等計畫，帶來社會和環境效益，利用即時資料減少加拿大各市的交通壅塞和碳排放。如要進一步瞭解這項合作，請參閱「Google Cloud 和 TELUS 攜手合作，共同推動永續發展」。

使用代理技能評估工作負載

如要讓 AI 代理依據本支柱的原則和建議評估雲端工作負載，請使用 google-cloud-waf-sustainability 技能，該技能位於 GitHub 的 Google 代理技能存放區。

如要安裝技能，請在代理用戶端或終端機中執行下列指令：

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

系統提示時，請指定要安裝技能的 AI 代理，並設定安裝範圍 (專案或全域)。

如果已安裝技能，可以執行下列指令，更新至最新版本：

npx skills update

核心原則

Well-Architected Framework 永續發展支柱中的建議，對應至下列核心原則：

貢獻者

作者：Brett Tackaberry | 首席架構師

其他貢獻者：

使用低碳能源的區域

Google Cloud Well-Architected Framework 永續發展支柱中的這項原則提供建議，協助您在 Google Cloud中為工作負載選取低碳區域。

原則總覽

當您打算在 Google Cloud部署工作負載時，一項重要的架構決策是選擇工作負載的 Google Cloud 區域。這項決定會影響工作負載的碳足跡。為盡可能減少碳足跡，區域選擇策略必須包含下列元素：

  • 資料導向選擇：如要找出並優先選擇區域，請考量 節能綠葉圖示 Low CO2 指標和無碳能源 (CFE) 指標。
  • 依據政策管理：使用組織政策服務中的資源位置限制，限制資源建立位置，確保資源建立在環境最佳的位置。
  • 營運彈性：採用時間轉移和碳感知排程等技術，在電網碳排放強度最低的時段執行批次工作負載。

雲端中用於執行應用程式和工作負載的電力，是影響您選擇 Google Cloud 區域的重要因素。此外，請考量下列因素：

  • 資料落地和主權：資料儲存位置是決定 Google Cloud區域選擇的基本因素。這項選擇會影響是否符合當地資料落地規定。
  • 使用者延遲時間：使用者與應用程式部署區域之間的地理距離，會影響使用者體驗和應用程式效能。
  • 費用： Google Cloud 資源的定價可能因區域而異。

Google Cloud 區域挑選器工具可依據您對碳足跡、成本和延遲時間的需求，協助您選取最佳 Google Cloud 區域。您也可以使用 Cloud Location Finder，根據鄰近程度、無碳能源 (CFE) 使用量和其他參數，尋找 Google Cloud 和其他供應商的雲端位置。

建議

如要在低碳區域部署雲端工作負載，請參考下列各節的建議。這些建議是根據「 Google Cloud 區域的無碳能源」中的指引提供。

瞭解雲端區域的碳排放強度

Google Cloud 資料中心位於某個區域，使用的能源來自該區域的電網。Google 會使用每小時計算一次的 CFE 指標，衡量區域的碳影響。CFE 代表一小時內消耗的總能源中，無碳能源所占的百分比。CFE 指標取決於兩項因素：

  • 在特定期間內，為電網供電的發電廠類型。
  • Google 歸因 在該時段內供應至電網的潔淨能源。

如要瞭解各Google Cloud 區域的每小時平均 CFE% 匯總值，請參閱「 Google Cloud 區域的無碳能源」。您也可以從 GitHub 的 Google Cloud 區域無碳能源存放區和 BigQuery 公開資料集，取得機器可讀格式的資料。

將 CFE 納入位置選擇策略

請參考下列建議：

  • 為應用程式選取最潔淨的區域。如果您打算長時間執行應用程式，請在 CFE% 最高的區域執行。如果是批次工作負載，您在選擇區域時有更大的彈性，因為您可以預測工作負載必須執行的時間。
  • 選取低碳區域。 Google Cloud 網站中的特定頁面和 Google Cloud 控制台中的位置選取器，會針對碳影響最低的區域顯示節能綠葉圖示 「Low CO2」(低二氧化碳) 指標。
  • 使用資源位置組織政策限制，限制只能在特定低碳 Google Cloud區域建立資源。舉例來說，如要只允許在美國境內的低碳區域建立資源，請建立指定 in:us-low-carbon-locations 值組的限制。

為 Google Cloud 資源選取位置時，也請考量區域選取的最佳做法，包括資料落地規定、使用者延遲時間、應用程式備援、服務可用性和定價等因素。

使用時段排程

電網的碳排放強度在一天中可能會有很大的變化。這項差異取決於電網的能源組合。您可以安排工作負載 (尤其是彈性或非緊急的工作負載)，在電網供應較高比例的 CFE 時執行。

舉例來說，許多電網在離峰時段或太陽能和風能等再生能源供應較多電力時，CFE 百分比會較高。只要在 CFE 較高的時段，排定模型訓練和大規模批次推論等運算密集型工作，就能大幅減少相關碳排放量，同時兼顧效能和成本。這種做法稱為「時移」，也就是利用電網碳排放強度的動態特性，盡可能提高工作負載的永續性。

最佳化 AI 和機器學習工作負載，提高能源效率

這項原則屬於Google Cloud Well-Architected Framework的永續發展支柱，提供最佳化 AI 和機器學習工作負載的建議，以減少能源用量和碳足跡。

原則總覽

如要最佳化 AI 和機器學習工作負載，提升永續發展成效，您必須採取全方位做法，設計、部署及運作工作負載。選取合適的模型和 Tensor Processing Unit (TPU) 等專用硬體、在低碳區域執行工作負載、進行最佳化調整以減少資源用量，並套用營運最佳做法。

採用架構和營運做法，最佳化 AI 和機器學習工作負載的成本和效能，自然能降低能源消耗和碳足跡。Well-Architected Framework 的 AI 和機器學習觀點說明原則和建議，協助您設計、建構及管理 AI 和機器學習工作負載，達成營運、安全性、可靠性、成本和效能目標。此外，Cloud Architecture Center 提供詳細的參考架構和設計指南，協助您在 Google Cloud中建構 AI 和機器學習工作負載。

建議

如要最佳化 AI 和機器學習工作負載，提高能源效率，請參考下列各節的建議。

使用 TPU 建構高能源效率架構

AI 和機器學習工作負載可能會耗用大量運算資源。AI 和機器學習工作負載的能源消耗，是永續發展的考量重點。TPU 可大幅提升 AI 和機器學習工作負載的能源效率和永續性。

TPU 是專為 AI 和機器學習工作負載打造的特製加速器。TPU 採用專用架構，能有效處理大規模矩陣乘法，這是深度學習的基礎。TPU 能大規模執行複雜工作，效率高於 CPU 或 GPU 等一般用途處理器。

TPU 可直接帶來下列永續發展效益：

  • 降低能源消耗：TPU 專為最佳能源效率而設計。每瓦能源消耗的運算量更高。其專門架構可大幅降低大規模訓練和推論任務的電力需求，進而降低營運成本和能源消耗。
  • 訓練和推論速度更快：TPU 效能卓越，訓練複雜 AI 模型只需幾小時，而非數天。大幅縮短總運算時間，直接減少環境足跡。
  • 減少冷卻需求：TPU 採用先進的液冷技術，可有效管理熱能，大幅減少資料中心冷卻所需的能源。
  • 最佳化 AI 生命週期：TPU 整合軟硬體，為整個 AI 生命週期提供最佳化解決方案，涵蓋資料處理到模型提供。

遵循 4M 最佳做法，選取資源

Google 建議採用一組最佳做法，大幅減少 AI 和機器學習工作負載的能源用量和碳排放量。我們將這些最佳做法稱為 4M：

  • 模型：針對特殊用途，請選擇專用模型，這類模型使用的運算資源比一般用途的大型模型少。
  • 機器：選擇專為機器學習訓練最佳化的處理器和系統。與一般用途處理器相比，這些處理器可將效能和高能源效率提升 2 至 5 倍。
  • 機械化：在雲端部署耗用大量運算資源的工作負載。與地端部署相比，您的工作負載可減少 1.4 到 2 倍的能源消耗和排放量。雲端資料中心採用新型特製廠房，專為高效節能而生，電力使用效能 (PUE) 比率極高。地端部署資料中心通常規模較小且老舊，因此投資節能冷卻設備和配電系統可能不符合經濟效益。
  • 地圖：選取使用最潔淨能源的 Google Cloud 位置。這個方法可將工作負載的總碳足跡減少 5 到 10 倍。詳情請參閱「 Google Cloud 區域的無碳能源」。

如要進一步瞭解 4M 最佳做法和效率指標，請參閱下列研究論文：

最佳化 AI 模型和演算法，用於訓練和推論

AI 模型的架構和用於訓練及推論的演算法，對能源消耗有重大影響。請參考下列建議。

選取高效的 AI 模型

選擇更小、更有效率且符合效能需求的 AI 模型。請勿將可用的最大模型設為預設選項。舉例來說，相較於 BERT 等大型模型，DistilBERT 等精簡模型版本能提供類似的效能，但運算負擔大幅降低，推論速度也更快。

使用特定領域的高效率解決方案

選擇專門的機器學習解決方案，可提供更佳效能，且所需的運算能力遠低於大型基礎模型。這類專用解決方案通常經過預先訓練和高度最佳化。無論是訓練或推論工作負載，都能大幅降低能源消耗和研究工作量。以下是領域專屬解決方案的例子：

  • Earth AI 是一項高能源效率的解決方案，可整合大量全球地理空間資料，提供即時、準確且可做為行動依據的洞察資料。
  • 與傳統物理方法相比，WeatherNext 能更快、更有效率地產生高度準確的全球天氣預報。

套用適當的模型壓縮技術

以下列舉幾種可用於模型壓縮的技術：

  • 剪枝：從類神經網路中移除不必要的參數。這些參數對模型效能沒有顯著貢獻。這項技術可縮減模型大小，以及推論所需的運算資源。
  • 量化：降低模型參數的精確度。例如將精確度從 32 位元浮點數降為 8 位元整數。這項技術可大幅減少記憶體用量和耗電量，且不會明顯降低準確度。
  • 知識蒸餾：訓練較小的學生模型，模仿較大、較複雜的教師模型行為。學員模型能以較少的參數和能源，達到高水準的效能。

使用專用硬體

如「遵循 4M 資源選擇最佳做法」一節所述，請選擇針對機器學習訓練最佳化的處理器和系統。與一般用途處理器相比，這類處理器的效能和能源效率可提升 2 至 5 倍。

使用高效參數微調

請使用低秩適應 (LoRA) 等高效參數微調 (PEFT) 方法，而非調整模型的所有數十億個參數 (全量微調)。這項技術會凍結原始模型的權重，只訓練少量新的輕量層。這個方法有助於降低成本和能源消耗。

遵循 AI 和機器學習作業的最佳做法

作業做法會大幅影響 AI 和機器學習工作負載的永續性。請參考下列建議。

最佳化模型訓練程序

請使用下列技術，最佳化模型訓練程序：

  • 提早停止：監控訓練過程，如果模型在驗證集上的成效沒有進一步提升，就停止訓練。這項技術可協助您避免不必要的運算和能源使用。
  • 有效率地載入資料：使用高效率的資料管道，確保 GPU 和 TPU 隨時處於運作狀態，不會等待資料。這項技術有助於充分利用資源，減少能源浪費。
  • 最佳化超參數調整：如要更有效率地找出最佳超參數，請使用貝氏最佳化或強化學習等技術。避免執行詳盡的網格搜尋，因為這類作業可能會耗用大量資源。

提升推論效率

如要提升 AI 推論工作的效率，請採用下列技術：

  • 批次處理：將多個推論要求分批，並利用 GPU 和 TPU 的平行處理功能。這項技術有助於降低每次預測的能源成本。
  • 進階快取：實作多層快取策略，包括用於自動迴歸生成的鍵/值 (KV) 快取，以及用於應用程式回應的語意提示快取。這項技術有助於略過多餘的模型運算，大幅減少能源用量和碳排放量。

評估及監控

監控及測量下列參數：

  • 用量和成本：使用適當工具，追蹤 AI 工作負載的詞元用量、能源消耗和碳足跡。這項資料可協助您找出最佳化機會，並回報永續發展目標的進度。
  • 效能：持續監控正式環境中的模型效能。找出資料偏移等問題，這可能表示模型需要再次微調。如果需要重新訓練模型，可以從原本微調過的模型開始，節省更新所需的時間、金錢和精力。
    • 如要追蹤成效指標，請使用 Cloud Monitoring。
    • 如要將模型變更與成效指標改善情形建立關聯，請使用事件註解。

如要進一步瞭解如何落實持續改善，請參閱「持續評估及改善永續發展成效」。

實作碳感知排程

架構機器學習管道工作，在潔淨能源組合最豐富的區域執行。使用碳足跡報表，找出碳密集度最低的區域。在本機電網無碳能源 (CFE) 比例較高的時段，將資源密集型工作排定為批次工作。

最佳化資料管道

機器學習作業和微調需要乾淨、高品質的資料集。在開始機器學習工作前，請使用代管資料處理服務，有效率地準備資料。例如，使用 Dataflow 處理串流和批次處理，並使用 Managed Service for Apache Spark 處理代管 Spark 和 Hadoop 管道。最佳化的資料管道可確保微調工作負載不必等待資料，因此您可以充分利用資源，並減少能源浪費。

採用 MLOps

如要自動化及管理整個機器學習生命週期，請導入機器學習運作 (MLOps) 做法。這些做法有助於確保模型持續受到監控、驗證及有效率地重新部署，避免不必要的訓練或資源分配。

使用代管服務

建議您使用 Gemini Enterprise Agent Platform 等代管雲端服務，而非自行管理基礎架構。雲端平台會處理基礎資源管理作業，讓您專注於微調程序。使用內建超參數調整、模型監控和資源管理工具的服務。

後續步驟

充分運用資源，落實永續發展

Google Cloud Well-Architected Framework 永續發展支柱中的這項原則提供建議，協助您最佳化調整 Google Cloud中工作負載的資源用量。

原則總覽

充分運用資源，是提升雲端環境永續發展的關鍵。從運算週期到資料儲存庫，每項佈建的資源都會直接影響能源用量、用水強度和碳排放量。如要減少工作負載的環境足跡，您必須在佈建、管理及使用雲端資源時，做出明智的選擇。

建議

如要充分運用資源，請參考下列各節的建議。

導入自動化和動態資源調度

自動和動態資源調度功能可確保資源用量達到最佳狀態，避免閒置或過度佈建的基礎架構浪費能源。減少能源浪費，降低成本和碳排放量。

請使用下列技術，實作自動和動態擴充功能。

使用水平資源調度

對於大多數雲端優先應用程式，水平資源調度是首選的資源調度技術。您不必增加每個執行個體的大小 (稱為垂直擴充)，而是新增執行個體來分配負載。舉例來說，您可以使用代管執行個體群組 (MIG)，自動向外擴充一組 Compute Engine VM。橫向擴充的基礎架構更具彈性，因為執行個體故障不會影響應用程式的可用性。對於負載程度不定的應用程式，水平資源調度也是一種節省資源的技術。

設定適當的資源調度政策

依據工作負載需求，設定自動調度資源。定義應用程式行為專屬的自訂指標和門檻。除了 CPU 使用率，您也可以考慮使用非同步工作的佇列深度、要求延遲時間和自訂應用程式指標等指標。為避免頻繁、不必要的資源調度或震盪，請定義明確的資源調度政策。舉例來說，如果是部署在 Google Kubernetes Engine (GKE) 的工作負載，請設定適當的叢集自動調度資源政策。

結合被動和主動資源調度

採用被動式資源調度時，系統會根據即時負載變化調整資源。這項技術適用於負載會出現無法預測高峰的應用程式。

主動調度資源適用於模式可預測的工作負載，例如每日固定營業時間和每週報表生成。針對這類工作負載，請使用排定的自動調度資源功能預先佈建資源，以便處理預期的負載量。這項技術可避免資源爭奪，並確保使用者體驗更流暢、效率更高。這項技術也有助於您主動規劃已知的負載高峰，例如大型特價活動和重點行銷活動。

Google Cloud 代管服務和功能 (例如 GKE Autopilot、Cloud Run 和 MIG) 會學習工作負載模式，自動管理主動調度資源。根據預設，如果 Cloud Run 服務未收到任何流量，就會將執行個體數量縮減至零。

設計無狀態應用程式

如要水平擴充應用程式，其元件應為無狀態。這表示特定使用者的工作階段或資料不會與單一運算執行個體連結。如果將工作階段狀態儲存在運算執行個體外部 (例如 Memorystore for Redis)，任何運算執行個體都能處理任何使用者的要求。這種設計方法可實現順暢且有效率的水平擴充。

使用排程和批次

批次處理適合大規模、非緊急的工作負載。批次工作可協助您最佳化工作負載，提高能源效率和成本效益。

請使用下列技術，實作排程和批次工作。

安排在碳排放強度較低時充電

安排批次工作在低碳區域執行，並在當地電網潔淨能源比例較高的時段執行。如要找出某個區域一天中碳密集度最低的時間，請使用碳足跡報告。

使用 Spot VM 處理非關鍵工作負載

Spot VM 可讓您以大幅折扣使用未使用的 Compute Engine 容量。Spot VM 可能會遭到先占，但能以符合成本效益的方式處理大型資料集，無須使用專屬且全天候運作的資源。Spot VM 適合非關鍵、容錯的批次工作。

整合及平行處理工作

如要減少啟動和關閉個別工作的負擔，請將類似的工作分組為單一大型批次。在 Batch 等服務上執行這些大量工作負載。這項服務會自動佈建及管理必要的基礎架構，確保資源使用率達到最佳狀態。

使用代管服務

Batch 和 Dataflow 等代管服務會自動處理資源佈建、排程和監控作業。雲端平台會處理資源最佳化。您可以專注於應用程式邏輯。舉例來說，Dataflow 會根據管道中的資料量，自動調度資源，因此您不必為閒置資源付費。

根據工作負載需求選擇 VM 機器家族

Compute Engine VM 可用的機器類型會依機器家族分組，並針對不同工作負載進行最佳化。根據工作負載需求 選擇合適的機器家族

機器家族 建議的工作負載類型 永續發展指南
一般用途執行個體：這類執行個體提供平衡的 CPU 與記憶體比率。 網路伺服器、微服務、中小型資料庫和開發環境。 E2 系列會動態分配資源，因此成本效益和能源效率極高。C4A、N4A 和 Tau T2A 系列採用 Arm 架構處理器，在處理大規模工作負載時，每單位效能的能源效率通常較高。
運算最佳化執行個體：這類執行個體提供高 vCPU 與記憶體比率，以及高每核心效能。 高效能運算 (HPC)、批次處理、遊戲伺服器，以及 CPU 型資料分析。 運算最佳化執行個體可讓您更快完成 CPU 密集型工作，進而縮短工作的總運算時間和能源消耗量。
記憶體最佳化執行個體：這類執行個體專為需要大量記憶體的工作負載設計。 大型記憶體內資料庫和資料倉儲，例如 SAP HANA 或記憶體內數據分析。 記憶體最佳化執行個體可將記憶體密集型工作負載整合至較少的實體節點。相較於使用多個小型執行個體，這種整合方式可減少所需的總能源。高效能記憶體可縮短資料存取延遲時間，進而減少 CPU 處於運作狀態的總時間。
儲存空間最佳化執行個體：這類執行個體提供高處理量、低延遲的本機 SSD 儲存空間。 資料倉儲、記錄檔分析，以及 SQL、NoSQL 和向量資料庫。 儲存空間最佳化執行個體會在本機處理大量資料集，有助於消除跨位置網路資料輸出所使用的能源。使用本機儲存空間執行高 IOPS 工作時，可避免過度佈建多個標準執行個體。
加速器最佳化執行個體：這些執行個體專為 GPU 和 TPU 加速工作負載而建構，例如 AI、機器學習和 HPC。 機器學習模型訓練與推論，以及科學模擬。

TPU 專為達到最佳能源效率而設計。每瓦運算量更高。

相較於僅使用 CPU 的替代方案，採用 NVIDIA H100 GPU 的 A3 系列等 GPU 加速執行個體，在訓練大型模型時，能源效率可大幅提升。雖然 GPU 加速執行個體的名目用電量較高，但完成工作的速度快得多。

升級至最新機型

使用最新機型可能有助於提升永續發展性。更新機器類型時，通常會設計成更節能，並提供更高的每瓦效能。使用最新機型的 VM 可能會以較低的耗電量完成相同的工作量。

CPU、GPU 和 TPU 通常會受益於晶片架構的技術進步，例如：

  • 專用核心：處理器技術的進步通常包括專用核心或常見工作負載的指令。例如，CPU 可能有專門用於向量運算的核心，或整合式 AI 加速器。從主要 CPU 卸載這些工作後，工作完成效率會提高，且消耗的能源更少。
  • 改善電源管理：晶片架構的進步通常包括更精密的電源管理功能，例如根據工作負載動態調整電壓和頻率。這些電源管理功能可讓晶片以最高效率運作，並在閒置時進入低功耗狀態，盡可能降低能源消耗。

晶片架構的技術改良，可直接帶來下列永續發展和成本效益：

  • 每瓦效能更高：這是永續發展的重要指標。舉例來說，在能源消耗相同的情況下，C4 VM 的成本效益比 C3 VM 高出 40%。與同類 x86 處理器相比，C4A 處理器的能源效率高出 60%。這些效能功能可讓您更快完成工作，或使用較少的執行個體處理相同負載。
  • 降低總能源消耗量：處理器效能提升後，運算資源用於特定工作的時間會縮短，進而降低整體能源用量和碳足跡。對於批次工作和機器學習模型訓練等短期、運算密集的工作負載，碳影響特別高。
  • 最佳資源使用率：最新機型通常更適合現代軟體，且與雲端平台的進階功能更相容。這些機器類型通常能提高資源使用率，減少過度佈建的需求，並確保每瓦電力都能發揮效益。

部署容器化應用程式

您可以使用 GKE 和 Cloud Run 等容器式全代管服務，做為永續雲端運算策略的一部分。這些服務有助於最佳化資源使用率，並自動管理資源。

運用 Cloud Run 的「將資源調度率降至零」功能

Cloud Run 提供代管無伺服器環境，當服務沒有傳入流量或工作完成時，會自動將執行個體縮減至零。自動調度資源功能可避免閒置基礎架構消耗能源。只有在主動處理要求時，資源才會啟動。這項策略非常適合間歇性或事件驅動的工作負載。如果是 AI 工作負載，您可以搭配使用 GPU 和 Cloud Run，這樣只有在使用 GPU 時，才需要支付費用。

使用 GKE 自動最佳化資源

GKE 是容器自動調度管理平台，可確保應用程式只使用所需資源。為協助您自動最佳化資源，GKE 提供下列技術：

  • 裝箱：GKE Autopilot 會智慧地將多個容器裝入可用節點。Bin packing 可盡量提高每個節點的使用率，並減少閒置或未充分利用的節點數量，有助於降低能源消耗。
  • 水平自動調度 Pod 資源 (HPA)：HPA 會根據預先定義的指標 (例如 CPU 使用率或應用程式專屬的自訂指標)，自動調整容器副本 (Pod) 的數量。舉例來說，如果應用程式流量激增，GKE 會新增 Pod 來因應需求。流量減少時，GKE 會減少 Pod 數量。這種動態調度機制可避免過度佈建資源，因此您不必為不必要的運算能力付費或供電。
  • 垂直自動調度 Pod 資源 (VPA)：您可以設定 GKE，自動調整個別容器的 CPU 和記憶體配置及限制。這項設定可確保容器不會分配到超出需求的資源，有助於避免過度佈建資源。
  • GKE 多維度 Pod 自動調度資源：針對複雜的工作負載，您可以同時設定 HPA 和 VPA，將 Pod 數量和每個 Pod 的大小調整至最佳狀態。這項技術有助於確保在達到所需效能的前提下，盡可能降低能源足跡。
  • 拓撲感知調度 (TAS)：TAS 會根據資料中心基礎架構的實體結構放置 Pod，提高 GKE 中 AI 和機器學習工作負載的網路效率。TAS 會策略性地將工作負載放在同一位置，盡可能減少網路躍點。這種共置方式有助於降低通訊延遲和能源消耗。TAS 可最佳化節點和專用硬體的實體配置，加快工作完成速度，並大幅提升大規模 AI 和機器學習工作負載的高能源效率。

設定碳感知排程

Google 持續將工作負載轉移至提供最潔淨電力的位置和時段。我們也會將舊設備回收再利用，用於其他用途。您可以運用這項碳感知排程策略，確保容器化工作負載使用潔淨能源。

如要實施碳感知排程，您需要即時瞭解某個區域中資料中心的能源組合資訊。您可以從 GitHub 的 Google Cloud 區域無碳能源存放區，或 BigQuery 公開資料集，取得機器可讀格式的這項資訊。用於計算 Google 年度碳資料集的每小時電網組合和碳排放強度資料，來自 Electricity Maps。

如要實施碳感知排程，建議您採用下列技術：

  • 地理位置轉移：安排工作負載在可再生能源使用比例較高的區域執行。這種做法可讓您使用更乾淨的電網。
  • 時間轉移：針對批次處理等非關鍵、彈性的工作負載，設定在離峰時段或可再生能源最充足時執行。這種方法稱為時間轉移，可利用更潔淨的能源 (如有)，減少整體碳足跡。

建立節能的災難復原架構

準備災難復原 (DR) 時，通常需要在次要區域預先佈建備援資源。不過，閒置或未充分利用的資源可能會造成大量能源浪費。選擇可充分利用資源並盡量減少碳影響的災難復原策略，同時不影響復原時間目標 (RTO)。

提高冷啟動效率

請採取下列做法，盡量減少或消除次要 (災難復原) 區域中的有效資源：

  • 優先採用冷災害復原：將災害復原區域中的資源保持關閉，或將資源調度率降至零。這種做法有助於消除閒置運算資源的碳足跡。
  • 善用無伺服器容錯移轉：使用 Cloud Run 等代管無伺服器服務做為災難復原端點。Cloud Run 在未使用時會將資源調度率降至零，因此您可以維護不消耗能源的 DR 拓撲，直到流量轉移至 DR 區域為止。
  • 使用基礎架構即程式碼 (IaC) 自動復原：不要讓災難復原站點中的資源持續運作 (暖備援)，而是使用 Terraform 等 IaC 工具，在需要時才快速佈建環境。

兼顧備援和使用率

資源備援是能源浪費的主要原因。如要減少備援，請採用下列方法：

  • 優先採用主動-主動模式，而非主動-被動模式：在主動-被動設定中，被動網站中的資源處於閒置狀態，會浪費能源。大小最佳化的雙主動架構可確保兩個區域中所有佈建的資源都能主動提供流量。這種做法有助於大幅提高基礎架構的能源效率。
  • 適當調整備援：只有在需要符合高可用性或災難復原需求時，才跨區域複製資料和服務。每增加一個副本，永久儲存空間和網路輸出的能源成本就會提高。

開發節能軟體

Google Cloud Well-Architected Framework 永續發展支柱中的這項原則，提供編寫軟體的建議，盡可能減少能源消耗和伺服器負載。

原則總覽

按照最佳做法建構雲端應用程式，可最佳化雲端基礎架構資源 (AI、運算、儲存和網路) 的能源使用。此外，您也可以協助減少資料中心的水資源需求，以及使用者裝置存取應用程式時消耗的能源。

如要建構高效節能的軟體，您必須在軟體生命週期的各個階段 (從設計、開發到部署、維護和封存) 考量永續發展。如要進一步瞭解如何使用 AI 建構軟體，盡可能減少雲端工作負載對環境的影響，請參閱 Google Cloud 電子書《以永續方式建構軟體》。

建議

本節中的建議會依下列重點領域分類：

  • 盡量減少運算工作：建議使用精簡、聚焦的程式碼，消除多餘邏輯，避免不必要的運算或功能膨脹。
  • 使用高效率的演算法和資料結構：選擇省時省記憶體的演算法，減少 CPU 負載並盡可能降低記憶體用量。
  • 最佳化運算和資料作業：開發時，應以有效率地使用所有可用資源為目標，包括 CPU、記憶體、磁碟 I/O 和網路。舉例來說，如果將忙碌迴圈替換為事件導向邏輯，就能避免不必要的輪詢。
  • 實施前端最佳化： 為減少使用者裝置消耗的電力，請對圖片和素材資源採用縮減、壓縮和延遲載入等策略。

盡量減少運算工作

如要編寫高效節能的軟體，您必須盡量減少應用程式執行的運算工作總量。每項不必要的指令、多餘的迴圈和額外功能，都會消耗能源、時間和資源。請參考下列建議，建構運算量最少的軟體。

編寫精簡、集中的程式碼

如要編寫最少的程式碼，以達到所需結果，請採用下列方法：

  • 消除多餘邏輯和功能膨脹：編寫只執行必要功能的程式碼。避免加入會增加運算負擔和複雜度，但無法為使用者提供可衡量價值的功能。
  • 重構：為持續提升高能源效率，請定期稽核應用程式，找出未使用的功能。請採取行動，視情況移除或重構這類功能。
  • 避免不必要的作業：在需要結果之前，請勿計算值或執行動作。請採用延遲評估等技術，延遲運算作業，直到應用程式中的依附元件需要輸出內容為止。
  • 優先考量程式碼的可讀性和可重複使用性：編寫可讀且可重複使用的程式碼。這種做法可盡量減少重複，並遵循不重複原則 (DRY)，有助於減少軟體開發和維護產生的碳排放。

使用後端快取

後端快取可確保應用程式不會重複執行相同工作。快取命中率高，每個要求的能源消耗量就會幾乎呈線性下降。如要實作後端快取，請使用下列技術：

  • 快取常用資料：將經常存取的資料儲存在臨時的高效能儲存空間位置。例如，使用 Memorystore 等記憶體內快取服務。應用程式從快取擷取資料時，資料庫查詢和磁碟 I/O 作業的數量會減少。因此，後端資料庫和伺服器的負載會降低。
  • 快取 API 回應：快取頻繁 API 要求的結果，避免重複且昂貴的網路呼叫。
  • 優先使用記憶體內快取：將資料儲存在高速記憶體 (RAM) 中，避免磁碟 I/O 作業緩慢和複雜的資料庫查詢。
  • 選取適當的快取寫入策略：
    • 寫入策略可確保資料同步寫入快取「和」永久儲存空間。這項策略可提高快取命中率，因此永久儲存空間收到的耗能讀取要求會減少。
    • 回寫 (延遲寫入) 策略可提升寫入密集型應用程式的效能。資料會先寫入快取，稍後再以非同步方式更新資料庫。這項策略可減輕速度較慢資料庫的即時寫入負載。
  • 使用智慧型淘汰政策：保持快取精簡高效。如要移除過時或低效用的資料，並盡可能增加可用空間來存放經常要求的資料，請使用存留時間 (TTL)、最近最少使用 (LRU) 和最不常使用 (LFU) 等政策。

使用有效率的演算法和資料結構

您選擇的演算法和資料結構會決定軟體的原始運算複雜度。選取適當的演算法和資料結構，即可盡量減少完成工作所需的 CPU 週期和記憶體作業數量。CPU 週期和記憶體作業減少，能源消耗也會降低。

選擇時間複雜度最佳的演算法

優先選擇能在最短時間內達到所需結果的演算法。這種做法有助於縮短資源使用時間。如要選取可充分運用資源的演算法，請採用下列方法：

  • 著重於降低複雜度：評估複雜度時，除了執行階段指標，也應考量演算法的理論複雜度。舉例來說，與泡沫排序相比，合併排序可大幅減少大型資料集的運算負載和能源消耗。
  • 避免重複作業：在所選程式設計語言或架構中，使用內建的最佳化函式。這些函式通常是以 C 或 C++ 等較低階且更節能的語言實作，因此與自訂編碼函式相比，更適合用於基礎硬體。

選取資料結構以提高效率

您選擇的資料結構會決定資料擷取、插入或處理的速度。這個速度會影響 CPU 和記憶體用量。如要選取高效率的資料結構，請採用下列方法：

  • 最佳化搜尋和擷取作業：如要執行常見作業，例如檢查項目是否存在或擷取特定值，建議使用經過最佳化調整、可提升速度的資料結構。舉例來說，雜湊圖或雜湊集可實現近乎常數時間的查詢，比線性搜尋陣列更節能。
  • 盡可能減少記憶體用量：有效率的資料結構有助於減少應用程式的整體記憶體用量。減少記憶體存取和管理，可降低耗電量。此外，精簡的記憶體設定檔可讓程序更有效率地執行，因此您可以延後資源升級。
  • 使用專門結構：使用專為特定問題建構的資料結構。舉例來說，如要快速搜尋字串前置字元，請使用字典樹資料結構；如果只需要有效率地存取最高或最低值，請使用優先佇列。

最佳化運算和資料作業

開發軟體時，請著重於在整個技術堆疊中，有效率且按比例使用資源。將 CPU、記憶體、磁碟和網路視為有限的共用資源。瞭解有效運用資源可大幅降低成本和能源消耗。

最佳化 CPU 使用率和閒置時間

如要盡可能縮短 CPU 處於耗能狀態的時間，請採用下列方法：

  • 優先採用事件導向邏輯，而非輪詢：將耗用大量資源的忙碌迴圈或持續檢查 (輪詢) 替換為事件導向邏輯。事件導向架構可確保應用程式元件只在相關事件觸發時運作。這種做法可隨選處理，不必進行耗用大量資源的輪詢。
  • 避免持續高頻率：編寫程式碼時，避免強制 CPU 持續以最高頻率運作。為盡可能減少能源消耗，閒置系統應能進入低功耗狀態或睡眠模式。
  • 使用非同步處理：為避免執行緒在閒置等待期間遭到鎖定，請使用非同步處理。這種做法可釋出資源，提高整體資源使用率。

有效管理記憶體和磁碟 I/O

記憶體和磁碟使用效率不佳，會導致不必要的處理作業，並增加耗電量。如要有效管理記憶體和 I/O，請使用下列技術：

  • 嚴格的記憶體管理：採取行動主動釋出未使用的記憶體資源。避免在記憶體中保留大型物件超過必要時間。這種做法可避免效能瓶頸，並減少記憶體存取消耗的電力。
  • 最佳化磁碟 I/O：減少應用程式與永久儲存空間資源的讀寫互動頻率。例如，使用中介記憶體緩衝區儲存資料。以固定間隔或在緩衝區達到特定大小時，將資料寫入永久儲存空間。
  • 批次作業：將頻繁的小型磁碟作業，合併成較少的大型批次作業。批次作業消耗的能量，比許多個別的小型交易少。
  • 使用壓縮功能：採用適當的資料壓縮技術，減少寫入或讀取磁碟的資料量。舉例來說，如要壓縮儲存在 Cloud Storage 中的資料，可以使用解壓縮轉碼。

盡可能減少網路流量

網路資源在資料移轉作業期間會消耗大量能源。如要最佳化網路通訊，請使用下列技術：

  • 盡量縮減酬載大小：設計 API 和應用程式時，請確保只傳輸要求所需的資料。如果只需要幾個欄位，請避免擷取或傳回大型 JSON 或 XML 結構。確保傳回的資料結構簡潔。
  • 減少往返次數：如要減少完成使用者動作所需的網路往返次數，請使用更智慧的通訊協定。例如，優先使用 HTTP/3 而非 HTTP/1.1、選擇 GraphQL 而非 REST、使用二進位通訊協定，以及整合 API 呼叫。減少網路呼叫量，就能降低伺服器和使用者裝置的能源消耗。

實施前端最佳化

前端最佳化可盡量減少使用者必須下載及處理的資料，有助於降低使用者裝置資源的負載。

盡量減少程式碼和素材資源

使用者需要下載及處理較小且結構更有效率的資源時，裝置耗電量會降低。如要盡量減少使用者裝置的下載量和處理負載，請使用下列技術：

  • 縮減和壓縮：針對 JavaScript、CSS 和 HTML 檔案，請使用適當的縮減工具，移除空白字元和註解等不必要的字元。請確保圖片等檔案經過壓縮和最佳化。您可以使用 CI/CD 管道，自動縮減及壓縮網頁素材資源。
  • 延遲載入：只在實際需要時載入圖片、影片和非關鍵素材資源，例如當這些元素捲動到網頁的可視區域時。這種做法可減少初始資料移轉量，以及使用者裝置的處理負載。
  • 縮減 JavaScript 套件：使用新式模組套件和 tree shaking 等技術，從 JavaScript 套件中移除未使用的程式碼。這種做法可縮小檔案，加快載入速度，並減少伺服器資源用量。
  • 瀏覽器快取：使用 HTTP 快取標頭，指示使用者的瀏覽器將靜態資產儲存在本機。瀏覽器快取功能可避免後續造訪時重複下載，以及產生不必要的網路流量。

優先考量輕量使用者體驗 (UX)

使用者介面的設計可能會對轉譯前端內容的運算複雜度產生重大影響。如要建構提供輕量使用者體驗的前端介面，請使用下列技術：

  • 有效率的轉譯：避免頻繁操作耗用大量資源的文件物件模型 (DOM)。編寫程式碼，盡可能降低轉譯複雜度，並避免不必要的重新轉譯。
  • 輕量設計模式：視情況優先採用靜態網站或漸進式網頁應用程式 (PWA)。這類網站和應用程式載入速度較快，且需要的伺服器資源較少。
  • 無障礙功能和效能：回應速度快、載入速度快的網站通常更具永續性，也更容易存取。經過最佳化、簡潔的設計可減少轉譯內容時消耗的資源。網站的效能和速度經過最佳化調整，有助於提高收益。根據 Deloitte 和 Google 的研究「Milliseconds Make Millions」，網站速度只要提升 0.1 秒 (100 毫秒)，零售網站的轉換率就會提高 8.4%，平均訂單價值也會提高 9.2%。

最佳化資料和儲存空間，提升永續發展

Google Cloud Well-Architected Framework 永續發展支柱中的這項原則提供建議，協助您最佳化 Google Cloud中儲存資源的高效節能和碳足跡。

原則總覽

儲存的資料並非被動資源。資料的整個生命週期都會消耗能源並產生碳排放。每 GB 的儲存資料都需要實體基礎架構，並持續供電、冷卻和管理。如要打造永續的雲端架構，請將資料視為寶貴但會對環境造成負擔的資產，並優先採取主動的資料治理措施。

您對資料保留、品質和位置的決策，有助於大幅降低雲端成本和能源消耗。盡量減少儲存的資料、最佳化資料儲存位置和方式，並實施自動刪除和封存策略。減少資料雜亂情形，可提升系統效能，並從根本上減少資料的長期環境足跡。

建議

如要最佳化資料生命週期和儲存資源，以提升永續發展成效，請參考下列各節的建議。

優先處理高價值資料

儲存的資料若未使用、重複或過時，仍會持續消耗能源，為基礎架構供電。如要減少與儲存空間相關的碳足跡，請使用下列技術。

找出並消除重複項目

制定政策，避免在多個 Google Cloud 專案或服務中不必要地複製資料集。使用 BigQuery 資料集或 Cloud Storage bucket 等中央資料存放區做為單一事實來源，並授予這些存放區適當的存取權。

移除影子資料和暗資料

暗資料是指用途或擁有者不明的資料。影子資料是指未經授權的資料副本。使用 Knowledge Catalog 等資料探索和目錄解決方案，掃描儲存系統並找出暗資料和影子資料。定期稽核這些發現項目，並視情況實施暗資料和影子資料的封存或刪除程序。

盡量減少 AI 工作負載的資料量

只儲存模型訓練和提供所需的特徵和處理過的資料。盡可能使用資料取樣、匯總和合成資料生成等技術，在不依賴大量原始資料集的情況下，達到模型效能。

整合資料品質檢查

在資料擷取階段，使用 Managed Service for Apache Spark、Dataflow 或 Knowledge Catalog 等服務，實作自動資料驗證和資料清理管道。低品質資料會浪費儲存空間。日後使用這些資料進行分析或 AI 訓練時，也會消耗不必要的能源。

查看資料的價值密度

定期查看記錄和 IoT 串流等大量資料集。判斷是否可以匯總、彙整或降採樣任何資料，以維持所需的資訊密度並減少實體儲存空間。

審慎評估是否需要備份

評估是否需要備份可輕鬆重新產生的資料。這類資料包括中繼 ETL 結果、臨時快取，以及從穩定永久來源衍生的訓練資料。只保留獨特或重建成本高昂的資料備份。

最佳化儲存空間生命週期管理

自動化儲存空間生命週期，以便在資料效用降低時，將資料移至高效節能的儲存空間級別，或視情況淘汰。請使用下列技巧。

選取適當的 Cloud Storage 級別

使用物件生命週期管理功能，根據存取頻率，自動將 Cloud Storage 中的資料轉換至碳排放量較低的儲存空間級別。

  • 只有經常使用的資料集 (例如目前的正式環境模型) 才適合使用 Standard Storage。
  • 將舊版 AI 訓練資料集或較少存取的備份等資料，轉換至 Nearline 或 Coldline Storage。
  • 如需長期保留，請使用 Archive 儲存空間，這類儲存空間經過最佳化，可大規模提高能源效率。

實施積極的資料生命週期政策

針對非必要資料 (例如記錄檔、暫時模型構件和過時的中繼結果)，定義明確、自動化的存留時間 (TTL) 政策。使用生命週期規則，在指定時間後自動刪除這類資料。

強制標記資源

強制所有 Cloud Storage bucket、BigQuery 資料集和永久磁碟使用一致的資源標記和標籤。建立標記，指出資料擁有者、資料用途和保留期限。使用組織政策服務限制，確保資源套用必要標記，例如保留期限。標記可讓您自動管理生命週期、建立精細的 FinOps 報表，以及產生碳排放報表。

調整運算儲存空間大小及取消佈建

定期稽核連接至 Compute Engine 執行個體的永久磁碟，確保磁碟未過度佈建。只在需要備份時使用快照。刪除未使用的舊快照。如果是資料庫，請使用資料保留政策，縮減基礎永久磁碟的大小。

最佳化儲存格式

如果是用於分析工作負載的儲存空間，建議使用 Parquet 等壓縮的資料欄格式，或最佳化的 Avro 格式，而非 JSON 或 CSV 等資料列格式。資料欄儲存空間可大幅減少實體磁碟空間需求，並提高讀取效率。這項最佳化功能有助於降低相關運算和 I/O 作業的能源消耗。

最佳化區域性和資料移動

資料的實體位置和移動方式會影響網路資源的消耗，以及儲存所需的能源。請使用下列技術，盡可能提高資料區域性。

選取低碳儲存區域

視法規遵循要求而定，請將資料儲存在無碳能源 (CFE) 使用比例較高或電網碳排放強度較低的 Google Cloud 區域。使用資源位置組織政策限制，禁止在高碳排區域建立 Storage bucket。如要瞭解 Google Cloud 區域的 CFE 和碳排放強度資料，請參閱「 Google Cloud 區域的無碳能源」。

盡量減少複製

只有在必須滿足災難復原 (DR) 或高可用性 (HA) 需求時，才跨區域複製資料。跨區域和多區域複製作業會大幅增加資料的能源成本和碳足跡。

最佳化資料處理位置

如要減少網路資料移轉的能源消耗，請將 AI 訓練和 BigQuery 處理等運算密集型工作負載，部署在資料來源所在的區域。

為合作夥伴和客戶最佳化資料移動

如要在雲端服務、位置和供應商之間移動大量資料，請鼓勵合作夥伴和客戶使用 Storage 移轉服務或資料共用 API。避免大量傾印資料。如果是公開資料集，請使用要求者付費 bucket，將資料移轉和處理費用及環境影響轉移給使用者。

持續評估及提升永續發展成效

這項原則是 Google Cloud Well-Architected Framework 永續發展支柱的一部分，提供相關建議，協助您評估並持續改善 Google Cloud中工作負載的永續發展。

原則總覽

為確保雲端工作負載符合永續發展原則，您需要準確且透明的指標。可驗證的指標能將永續發展目標轉化為行動。您在雲端建立的每項資源都有相關聯的碳足跡。如要建構及維護永續發展的雲端架構，您必須將碳排放資料評估作業整合至營運意見回饋循環。

本節提供的建議可做為架構，協助您使用碳足跡量化碳排放量、找出碳排放熱點、實施有針對性的工作負載最佳化，以及驗證最佳化成果。這個架構可讓您有效率地調整成本最佳化目標，與可驗證的碳減排目標保持一致。

碳足跡報告方法

碳足跡提供透明、可稽核且符合全球標準的雲端相關排放量報告。這份報告遵循國際標準，主要是溫室氣體 (GHG) 盤查議定書的碳排放報告與會計標準。碳足跡報表採用以位置和市場為準的計算方法。以位置為準的計算方式是根據當地電網的排放係數。按市場計算時，會考量 Google 購買的無碳能源 (CFE)。這種雙管齊下的做法，有助於您瞭解 Google Cloud中工作負載對實體電網的影響和碳效益。

如要進一步瞭解碳足跡報表的製作方式，包括使用的資料來源、範圍 3 納入項目和客戶分配模型，請參閱「碳足跡報告方法」。

建議

如要使用碳排放量評估功能持續改善，請參考下列各節的建議。建議分為多個成熟度階段，可協助您實施永續設計的雲端作業：

階段 1：建立基準

在這個階段，您會設定必要工具，並確保資料可供存取且正確整合。

  1. 授予權限：向 FinOps、SecOps 和平台工程等團隊授予權限，讓他們能存取 Google Cloud 控制台中的碳足跡資訊主頁。在 Identity and Access Management (IAM) 中，為適當的帳單帳戶授予碳足跡檢視者角色 (roles/billing.carbonViewer)。
  2. 自動匯出資料：匯出資料前，請確認Google Cloud 資源階層 (資料夾和專案) 和資源註解 (標記和標籤) 能準確反映業務單位的組織結構。由於碳足跡資料是在專案層級匯總，因此必須有明確定義的階層，才能正確歸因排放量。設定自動將碳足跡資料匯出至 BigQuery。匯出的資料可用於深入分析、將碳資料與費用和用量資料建立關聯，以及產生自訂報表。
  3. 定義碳相關主要成效指標 (KPI)：建立指標，將碳排放量與業務價值連結。舉例來說，碳排放強度是指每位顧客、每筆交易或每單位收益的二氧化碳當量公斤數。

階段 2：找出碳熱點

分析碳足跡報表中的精細資料，找出對環境影響最大的部分。請使用下列技術進行分析：

  • 依範圍排定優先順序：如要快速找出碳排放總量最高的項目，請依專案、區域和服務分析資訊主頁中的資料。
  • 使用雙重計算：評估區域的碳影響時，請同時考量以位置為準的排放量 (當地電網對環境的影響) 和以市場為準的排放量 (Google CFE 投資的效益)。
  • 與成本建立關聯：將 BigQuery 中的碳資料與帳單資料彙整，評估最佳化措施對永續發展「和」成本的影響。雖然成本和碳排放量通常會呈現相同趨勢，但成本只能做為初步指標。舉例來說，在無碳能源 (CFE) 分數較高的高成本區域，工作負載的成本可能較高，但市場型排放量較低。請務必根據實際的地區指標和市場指標，驗證最佳化假設。
  • 加註資料以評估投入報酬率 (ROE)：在 BigQuery 中，為碳資料加上特定事件的註解，例如調整資源大小或停用大型服務。您可以透過註解，將碳排放量和成本的減少歸因於特定最佳化措施，以便評估及展示每項措施的成果。

第 3 階段：實施指定最佳化

這是導入永續設計雲端作業的執行階段。請使用下列策略，最佳化您認為是成本和碳排放主要來源的特定資源：

  • 停用閒置專案：在 IT 服務管理 (ITSM) 工作流程中，定期檢查與碳足跡資料整合的閒置專案建議工具。如要立即減少碳排放量和成本，並確保成效，請透過追蹤工程票證，自動審查並最終移除未使用的專案。
  • 調整資源至合適大小：使用 Active Assist 適當調整建議工具 (例如 Compute Engine VM 的機器類型建議)，將佈建的資源容量調整至實際使用量。針對運算密集型工作和 AI 工作負載，請使用最有效率的機器類型和 AI 模型。
  • 採用碳感知排程：針對非時間關鍵的批次工作負載，將區域 CFE 資料整合至排程邏輯。在可行的情況下，請使用組織政策服務中的資源位置限制，將新資源的建立限制在低碳區域。
  • 減少資料蔓延：實施資料治理政策，確保不常存取的資料會轉移至適當的冷儲存空間級別 (Nearline、Coldline 或 Archive)，或永久刪除。這項策略有助於降低儲存資源的能源成本。
  • 精簡應用程式程式碼：修正程式碼層級的效率不彰問題，避免資源用量過多或不必要的運算。

如要瞭解詳情，請參考下列資源：

階段 4：將永續發展做法和報告制度化

在這個階段，您會將碳排放量評估機制納入管理架構。這種做法有助於確保貴組織具備必要的能力和控管機制，可持續改善永續發展成效，並提供可驗證的報表。

  • 實施 GreenOps 治理：建立正式的 GreenOps 職能或工作小組，將碳足跡資料與 Cloud Billing 資料整合。將每月 BigQuery 碳排放匯出資料直接整合至現有的 FinOps 資訊主頁，例如 Looker。在單一介面中呈現碳排放量和費用資料，有助於確保永續發展成為標準營運審查週期的一部分。這項職能必須定義各專案的減碳目標責任、根據永續發展目標調整成本最佳化，並實施報表機制，追蹤碳效率與支出的關係。
  • 使用碳足跡資料製作報表及確保法規遵循：使用 BigQuery 中經過驗證、可供稽核的碳足跡資料，建立正式的環境、社會和治理 (ESG) 揭露。這種做法可滿足利害關係人對透明度的要求，並確保符合強制性和自願性法規。
  • 投資培訓和意識提升：為相關技術和非技術團隊實施強制性永續發展培訓。團隊必須瞭解如何存取及解讀碳足跡資料，以及如何在日常工作流程和設計選擇中套用最佳化建議。詳情請參閱「提供角色專屬的永續發展訓練」。
  • 定義碳排放量規定：將碳排放量指標納入應用程式新部署項目的驗收條件，做為非功能性需求 (NFR)。這項做法有助於確保架構師和開發人員從應用程式開發生命週期一開始，就優先考慮低碳設計選項。
  • 自動化 GreenOps：使用指令碼、範本和基礎架構即程式碼 (IaC) 管道，自動執行 Active Assist 建議。這項做法可確保團隊在整個組織中，一致且快速地套用建議。

推廣永續發展文化

Google Cloud Well-Architected Framework 永續發展支柱中的這項原則提供建議，協助您建立一種文化，讓組織中的團隊瞭解並精通永續發展做法。

原則總覽

如要落實永續發展做法，光靠工具和技術是不夠的。您需要透過教育和問責機制，推動文化革新。團隊必須瞭解永續發展問題，並具備永續發展實務的實務能力。

  • 永續發展意識是指瞭解每項架構和營運決策，都會對永續發展產生實質影響。團隊必須瞭解，雲端並非虛擬資源的抽象集合，而是由實體資源驅動，會消耗能源並產生碳排放。
  • 具備永續發展實務專業知識，包括解讀碳排放資料、實施雲端永續發展治理，以及重構程式碼以提高能源效率的技術。

為使永續發展做法與組織目標一致，團隊必須瞭解雲端基礎架構和軟體的能源用量如何影響組織的碳足跡。妥善規劃的訓練有助於確保所有利害關係人 (從開發人員和架構師，到財務專業人員和作業工程師) 都能瞭解日常工作的永續發展背景。有了這項共識，團隊就能從被動遵守法規，轉為主動最佳化，讓雲端工作負載從設計階段就具備永續性。永續發展成為核心非功能性需求 (NFR)，就像安全性、成本、效能和可靠性等其他需求一樣。

建議

如要提高對永續發展問題的意識，並熟練永續發展做法，請參考下列各節的建議。

提供業務背景資訊，並與組織目標保持一致

永續發展不只是技術層面的工作，更需要文化轉型，讓個人行動與組織的環保使命保持一致。當團隊瞭解永續發展計畫背後的原因，就更有可能將這些計畫視為核心原則，而非可有可無的工作。

掌握整體情況

協助團隊瞭解個別架構選擇 (例如選取低碳區域或最佳化資料管道) 如何協助組織達成整體永續發展承諾。明確說明這些選擇對當地社群和產業的影響。將抽象的碳指標轉化為具體指標，呈現企業社會責任 (CSR) 目標的進展。

舉例來說，下列訊息可讓團隊瞭解將工作負載遷移至低碳區域，並使用節能機型的決策，帶來了正面成果並獲得高階主管認可。訊息會提及二氧化碳當量，協助團隊瞭解碳減排措施的影響。

「我們將資料分析引擎遷移至 us-central1 節能綠葉圖示 Low CO2 區域，並將叢集升級至 C4A Axion 架構執行個體，從根本上改變了碳足跡。這項轉變使資料分析引擎的碳排放強度降低 75%，相當於本季減少 12 公噸二氧化碳當量。這項遷移作業對我們的業務目標產生重大影響，因此我們在第四季的董事會電子報中也提及了這項作業。」

傳達財務和永續發展目標

資訊公開是確保永續發展做法與目標一致的關鍵。請盡可能在整個組織內廣泛分享永續發展目標和進度。在年度財務報表中強調永續發展進度。這種溝通方式可確保技術團隊將工作視為組織對外承諾和財務健康的重要一環。

抱持命運共同體的心態

向團隊說明雲端永續發展的協作性質。Google 負責雲端本身的永續發展，包括基礎架構和資料中心的效率。您 (客戶) 則負責確保雲端中資源和工作負載的永續性。將這項合作視為命運共同體，可強化貴組織與 Google 攜手合作，共同達成最佳環境成果的認知。

提供角色型永續發展訓練

為確保永續發展是一項實用技能，而非理論概念，請根據特定職務量身打造永續發展訓練。資料科學家可使用的永續發展工具和技術，與 FinOps 分析師可使用的工具和技術大不相同，如下表所示：

角色 訓練重點
數據資料學家和機器學習工程師 運算的碳排放強度：說明在舊版系統和專為 AI 打造的加速器上執行 AI 訓練工作的差異。強調參數較少的模型如何以更低的能源消耗，達到所需的準確度。
開發人員 程式碼效率和資源消耗：說明高延遲程式碼或低效率迴圈如何直接導致 CPU 執行時間延長和能源消耗增加。強調輕量容器的重要性，以及最佳化應用程式效能的需求，以減少軟體的環境足跡。
架構師 永續設計：著重於區域選擇和工作負載配置。說明選擇節能綠葉圖示 低二氧化碳區域 (可再生能源比例較高，例如 northamerica-northeast1)，如何從根本上改變整個應用程式堆疊的碳足跡，甚至在您編寫任何程式碼之前就已發揮作用。
平台工程師和營運工程師 充分運用資源：強調閒置資源和過度佈建對環境造成的成本。介紹自動調度資源和適當調整資源的情境，確保有效運用雲端資源。說明如何建立及追蹤與永續發展相關的指標 (例如使用率)，以及如何將運算時間等指標轉換為碳排放量的等效指標。
FinOps 碳排放單位經濟效益：著重於財務支出與環境影響之間的關係。示範如何透過 GreenOps 做法追蹤每筆交易的碳排放量，將永續發展設為主要成效指標 (KPI)，與成本和使用率等傳統 KPI 一樣重要。
產品經理 將永續發展視為一項功能：示範如何將減碳目標整合至產品藍圖。說明簡化使用者歷程如何減少雲端資源和使用者裝置的能源消耗。
企業領袖 策略一致性和報告：著重於雲端永續發展對環境、社會和治理 (ESG) 分數及公眾聲譽的影響。說明永續發展選項如何協助降低法規風險，並履行對社群和產業的承諾。

提倡永續發展並表揚成功案例

如要維持長期進展，您必須超越內部技術修正，並開始影響合作夥伴和產業。

授權管理員提倡永續發展

提供管理人員所需的資料和權限，讓他們能像考量上市速度和成本等其他業務指標一樣，優先考量環境影響。管理人員取得這項資料後，就會開始將永續發展視為品質和效率標準，而非會拖慢生產速度的非必要能力。他們積極提倡新的雲端服務供應商功能，例如更精細的碳排放資料，以及在特定區域採用更新、更環保的處理器。

符合業界標準和架構

為確保永續發展措施可信且可衡量，請依據公認的全球和區域標準調整內部做法。詳情請參閱「根據業界規範調整永續發展做法」。

鼓勵永續發展

為確保永續發展成為工程文化中歷久不衰的一環，團隊必須瞭解優先考量永續發展的價值。從高層次目標轉為具體、可評估的 KPI，獎勵改善和效率。

定義碳 KPI 和 NFR

將永續發展視為核心技術需求。定義碳排放 KPI (例如每百萬次要求產生的二氧化碳當量克數，或每次 AI 訓練執行的碳排放強度) 後，就能清楚瞭解對永續發展的影響，並採取行動。舉例來說，將永續發展納入每個新專案的 NFR。換句話說，就像系統必須達到特定的延遲時間或可用性目標一樣，系統也必須保持在定義的碳排放預算範圍內。

評估投入成效

協助團隊找出高影響力、低投入的可持續性成果，例如將批次工作轉移至其他區域，而非進行複雜的程式碼重構，這可能只會帶來極小的收益。提供投入報酬率 (ROE) 的洞察資料。團隊選擇更有效率的處理器系列時，必須確切瞭解相較於遷移至新處理器所需的時間和精力，他們避免了多少碳排放量。

表揚及慶祝減碳成果

永續發展影響通常隱藏在基礎架構的背景中。為了推動永續發展進程，請讓整個組織都能看到成果。舉例來說，您可以在監控資訊主頁中使用註解，標示團隊部署特定永續發展最佳化措施的時間。團隊可以根據資訊主頁中的資料，證明自己的成功。

根據業界規範實踐永續發展

Google Cloud Well-Architected Framework 永續發展支柱中的這項原則，概述了您應遵循的業界規範和架構，以確保永續發展工作符合標準。

原則總覽

為確保永續發展計畫是以全球公認的評估、報告和驗證方法為基礎，建議您根據下列業界規範調整計畫：

如果您的永續發展計畫符合這些共同的外部準則，就能獲得投資人、監管機構和其他外部利害關係人要求的公信力和可稽核性。此外，您也培養工程團隊的當責文化、將永續發展融入員工訓練，並成功將雲端作業整合至企業層級的環境、社會和治理 (ESG) 報告承諾。

W3C 網路永續發展指南

W3C 網路永續發展指南 (WSG) 是 W3C 工作小組開發的新興最佳做法架構，旨在解決數位產品和服務對環境的影響。這些準則涵蓋數位解決方案的整個生命週期，包括業務和產品策略、使用者體驗 (UX) 設計、網頁程式開發、代管、基礎架構和系統。WSG 的核心目標是協助開發人員和架構師建構更節能的網站和網頁應用程式，並減少網路流量、用戶端處理和伺服器端資源消耗。這些指南是重要的參考依據，可協助您在應用程式層級的永續發展與雲端層級的架構決策之間取得平衡。

Green Software Foundation

綠色軟體基金會 (GSF) 致力於打造永續軟體的產業生態系統。其使命是推動軟體開發，在設計、建構和運作時，盡可能減少碳足跡。GSF 制定了軟體碳排放強度 (SCI) 規格，為測量任何軟體的碳排放率提供通用標準。與 GSF 保持一致，有助於開發人員直接將應用程式的效率與雲端環境的碳影響連結。

溫室氣體盤查議定書

溫室氣體 (GHG) 盤查議定書是一套廣泛使用的標準，用於衡量、管理及公開報告溫室氣體排放量。這項協定是由世界資源研究所 (WRI) 和世界企業永續發展委員會 (WBCSD) 合作制定。GHG 協定為企業氣候會計提供基本架構。碳足跡報告會提供與雲端用量相關的排放範圍資料。詳情請參閱「碳足跡報告方法」。

遵守《溫室氣體盤查議定書》有助於確保永續發展計畫具備公信力，且外部人士可稽核您的碳排放資料。此外，您也可以避免漂綠的觀感，並滿足投資人、監管機構和外部利害關係人的盡職調查要求。經過驗證和稽核的資料，有助於貴組織證明責任歸屬，並建立對公開永續發展承諾的信任。