Kepler目前提供了兩種部署途徑，因應裸機環境（Bare Metal）與公有雲虛擬環境（VM）中 Kubernetes 叢集的能耗數據蒐集需求。在裸機環境中，企業可直接透過硬體感測器即時獲取系統功率指標；在公有雲虛擬機器環境中，由於雲端供應商未公開硬體感測器的數據，需依訓練好的功率模型來推論背後的功率數據，提供給Kepler使用，來推估能耗數據。 （／IBM）

他指出，Kepler目前提供了裸機環境（Bare Metal）與公雲的虛擬環境（VM）兩種部署途徑，根據不同的部署方式，測量的能耗結果的準確度可能會有所差異。

在裸機環境中，由於可以直接存取硬體感測器上的數據，Kepler能夠直接獲取CPU使用率、記憶體和GPU操作等系統指標來估算能耗。例如，當一個Process使用了10%的CPU，也就佔用了CPU功耗的10%，進而精確測量每個Process、容器或Pod的能耗數據。

相比之下，在公雲的虛擬環境上，因為雲端供應商未公開硬體感測器的數據，Kepler無法直接測量VM的功耗，只能依賴事先訓練的功率預測模型，來推估每個虛擬機器的功耗，因此，在公雲虛擬環境中的能耗測量準確度不及裸機環境。

在公雲環境中，Kepler推估VM的功率需要一個功率模型，這個功率模型必須在模型伺服器上完成訓練，先用裸機的數據訓練出一個功率模型之後，再把整套模型伺服器軟體裝到和Kepler相同的執行環境，來根據該環境提供的資訊來推論背後的功率數據，提供給Kepler使用，來推估能耗數據。

Marcelo強調，Kepler專案團隊正持續改進Kepler工具，以提升功率模型的準確性。例如針對亞馬遜AWS等公雲使用的硬體訓練專屬功率模型。此外，隨著新處理器的推出，團隊也會陸續增加更多功率模型。

Kepler近期新增VM功耗建模功能，開始支援蒐集EC2 Spot實例的能耗數據，也利用開放功耗資料庫SPECpower來訓練模型，此外，還能結合Kuberentes雲原生CI/CD工具Tekton，建立自動化模型訓練流程。

但他坦言，目前在公有雲虛擬機環境中，使用功率模型進行估算，雖已盡可能接近實際數據，但準確度仍難達到100%。他期盼未來雲端供應商能公開每臺虛擬機的能耗數據，以便更精確地計算雲端應用的能耗數據。

近來，不少雲原生永續新專案與Kepler工具結合，逐漸形成生態系，像是Peaks專案可以感知功耗變化並調整工作負載排程，優化Kubernetes資源分配與調度。Clever專案則可利用ML模型預測和調整Pod資源使用進行調度等。

 相關報導