💻 computer science

Watts This Smell: A Comprehensive Taxonomy of Software Energy Smells

Este artigo introduz uma taxonomia abrangente e agnóstica a linguagens de 12 odores de energia de software e 65 causas raiz, que é validada empiricamente através da análise de mais de 21.000 pares de código Python para demonstrar que a otimização de energia é distinta da otimização de desempenho e para fornecer um recurso fundamental para a engenharia de software verde.

Autores originais: Mohammadjavad Mehditabar, Saurabhsingh Rajput, Tushar Sharma

Publicado 2026-07-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mohammadjavad Mehditabar, Saurabhsingh Rajput, Tushar Sharma

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um chef comandando um restaurante gigantesco, que funciona 24 horas por dia. Você tem um cardápio de milhares de pratos (programas de software) que serve a milhões de clientes todos os dias.

Por muito tempo, você só se importava com uma coisa: Velocidade. "Quão rápido posso entregar este prato da cozinha?" você perguntava. Se um prato levava 10 segundos em vez de 12, você ficava feliz.

Mas recentemente, você percebeu algo assustador: A velocidade não é a história toda. Às vezes, um prato que sai mais rápido acaba usando uma quantidade enorme de eletricidade porque o chef está correndo freneticamente de um lado para o outro, ligando e desligando o forno, ou usando um liquidificador gigante e ineficiente. Este é o problema que este artigo aborda. Trata-se de encontrar os "odores de energia" no código da sua cozinha — os maus hábitos que desperdiçam eletricidade mesmo que a comida tenha um sabor bom.

Aqui está uma divisão simples do que os pesquisadores fizeram:

1. O Grande Problema: Velocidade vs. Energia

O artigo começa desmistificando um mito comum: "Mais rápido sempre significa mais verde."

A Analogia: Imagine dirigir um carro. Você pode dirigir até a loja em 5 minutos acelerando e pisando no freio (alta velocidade, alto consumo de combustível). Ou você pode dirigir em 7 minutos dirigindo suavemente (um pouco mais devagar, mas com muito menos combustível).
A Realidade: No software, escrever código que roda rápido nem sempre economiza energia. Às vezes, tornar o código mais rápido na verdade faz com que o processador do computador trabalhe mais intensamente e consuma mais energia, desperdiçando eletricidade no geral.

2. A Solução: Uma Taxonomia de "Odores"

Os pesquisadores queriam criar um dicionário para esses maus hábitos. Eles os chamaram de "Odores de Energia" (Energy Smells). Assim como um mau cheiro em uma casa indica que algo está apodrecendo, um "odor de código" indica a um desenvolvedor que algo é ineficiente.

Eles não apenas adivinharam; eles realizaram uma busca massiva:

A Busca: Eles leram 60 artigos científicos diferentes e analisaram outros mais de 400 documentos para encontrar todas as formas possíveis de o código desperdiçar energia.
A Classificação: Eles encontraram 320 diferentes maus hábitos. Em seguida, organizaram esses hábitos em uma árvore genealógica organizada de dois níveis:
- Nível 1 (A Categoria): O tipo geral de odor (ex: "Trabalho Desperdiçado" ou "Mau Uso de Memória").
- Nível 2 (A Causa Raiz): A coisa específica que você fez de errado (ex: "Você calculou o mesmo problema matemático duas vezes" ou "Você manteve um objeto pesado na memória quando não precisava dele").

O Resultado: Eles criaram um mapa com 12 categorias principais e 65 causas raízes específicas. Esta é a primeira vez que um mapa tão abrangente e independente de linguagem (funciona para Python, Java, C++, etc.) foi criado.

3. A Prova: Testando no Mundo Real

Uma lista é inútil se não corresponder à realidade. Por isso, os pesquisadores construíram uma grande cozinha de testes.

O Conjunto de Dados: Eles pegaram 21.000 pares de códigos. Em cada par, uma versão era a maneira "ruim" e a outra era a maneira "boa", mas ambas realizavam exatamente o mesmo trabalho.
A Medição: Eles mediram exatamente quanta eletricidade, tempo e memória cada versão usou.
O Detetive de IA: Eles usaram uma IA super inteligente (um LLM) para examinar os 3.000 piores casos e perguntar: "Qual dos nossos 6res odores está causando este desperdício?"

O que eles descobriram:

A IA estava certa: A IA conseguiu combinar o código ruim com o novo mapa deles em 85% dos casos. Isso provou que o mapa deles é real e útil.
Múltiplos Odores: A maioria dos códigos ruins (71%) não era apenas um odor; era um coquetel de vários maus hábitos acontecendo ao mesmo tempo.
Os Grandes Vencedores: Os maiores economizadores de energia nem sempre eram os códigos mais rápidos. Corrigir problemas de memória (como manter dados que você não precisa) economizou mais energia.
A Surpresa: Às vezes, corrigir um problema tornava o código mais lento, mas economizava mais energia. Isso prova que você não pode olhar apenas para a velocidade; você tem que olhar para a conta de luz.

4. Por Que Isso Importa

Pense neste artigo como se estivesse dando aos desenvolvedores uma luz de "Verificar Motor" universal para a energia.

Antes, os desenvolvedores poderiam corrigir um programa lento sem perceber que estavam, na verdade, desperdiçando eletricidade.
Agora, eles têm um vocabulário compartilhado. Se um desenvolvedor vê um odor de "Computação Redundante", ele sabe exatamente o que corrigir para economizar energia.

A Conclusão

Os pesquisadores não encontraram apenas alguns maus hábitos; eles construíram uma enciclopédia completa de desperdício de energia no software. Eles provaram que, para salvar o planeta (e o dinheiro), precisamos parar de olhar apenas para a rapidez com que o software roda e começar a olhar para o quão eficientemente ele usa a energia. Eles até disponibilizaram os dados da sua "cozinha de testes" e o mapa para que todos possam usar, para que o mundo inteiro possa começar a cozinhar softwares mais verdes.

Resumo Técnico: Watts This Smell: Uma Taxonomia Abrangente de "Energy Smells" de Software

Declaração do Problema

À medida que o software se prolifera em diversos domínios, sua pegada energética agregada tornou-se uma preocupação ambiental crítica. Embora os "code smells" (maus cheiros de código) sejam bem estabelecidos como anti-padrões estruturais que degradam a manutenibilidade, uma classe paralela de "energy smells" (maus cheiros de energia) existe: implementações de código-fonte, escolhas de design ou práticas de programação que levam ao uso ineficiente de recursos de hardware e ao consumo desnecessário de energia.

Um equívoco significativo na engenharia de software é tratar o desempenho de execução e o consumo de energia como métricas intercambiáveis. Embora correlacionadas, elas medem fenômenos distintos. O desempenho reflete primariamente o tempo de execução ( $T$ ), enquanto o consumo de energia ( $E$ ) é o produto da potência consumida ( $P$ ) e do tempo ( $E = P \times T$ ). Uma execução mais rápida não garante necessariamente um menor consumo de energia; uma alteração no código que reduz o tempo pode, simultaneamente, aumentar a potência consumida, resultando em uma energia total maior. Além disso, os catálogos de anti-padrões existentes são frequentemente específicos de um domínio (por exemplo, apenas para Android), limitados a métricas de desempenho, carecem de uma classificação de causa raiz detalhada ou permanecem não validados contra dados de energia medidos. Há uma necessidade de uma taxonomia abrangente e independente de linguagem que preencha a lacuna entre a identificação de ineficiências e a refatoração acionável.

Metodologia

Os autores desenvolveram uma taxonomia de dois níveis através de um processo rigoroso de múltiplas fases, combinando revisão sistemática da literatura, codificação de teoria fundamentada e validação empírica.

1. Construção da Taxonomia

Busca de Literatura: Os autores realizaram uma busca sistemática no Scopus e executaram um processo exaustivo de snowballing (bola de neve) para frente e para trás. Este processo triou mais de 400 trabalhos, retendo finalmente 60 estudos relevantes (incluindo 15 da busca inicial e 45 do snowballing) que identificavam ineficiências de desempenho ou energia ao nível do código.
Extração de Dados: Destes estudos, 431 anti-padrões distintos foram inicialmente identificados.
Filtragem e Codificação: Dois anotadores independentes aplicaram critérios de inclusão/exclusão para filtrar construtos independentes de linguagem, retendo 320 padrões relevantes. Eles então aplicaram um processo de codificação de teoria fundamentada (codificação Aberta, Axial e Seletiva) para:
- Codificação Aberta: Isolar causas raízes fundamentais removendo o contexto específico da aplicação.
- Codificação Axial: Mesclar códigos redundantes e separar mecanismos confluentes.
- Codificação Seletiva: Abstrair códigos refinados em categorias de alto nível baseadas em seu impacto abrangente.
Finalização: Através de resolução colaborativa, a equipe finalizou uma taxonomia consistindo em 12 categorias primárias de energy smells e 65 causas raízes (subcategorias).

2. Validação Empírica

Para validar a taxonomia, os autores construíram um conjunto de dados rotulado e aplicaram um pipeline de classificação automatizado:

Conjunto de Dados: Utilizaram as divisões de Python do conjunto de dados Pie-Perf (derivado do IBM CodeNet), filtrando 36.857 instâncias para 21.428 pares de código funcionalmente equivalentes com métricas de tempo e memória verificadas.
Perfil de Energia: Mediram empiricamente o consumo de energia para esses pares usando as ferramentas perf e time do Linux, capturando energia de CPU/RAM e uso de memória de pico.
Seleção de Amostra: Os 3.000 pares com as maiores diferenças absolutas de energia foram selecionados para análise profunda, contabilizando 98,4% da variância total de energia no conjunto de dados.
Classificação por LLM: Um pipeline de múltiplas etapas utilizando o modelo de raciocínio DeepSeek-V3.2 (685B) classificou os 3.000 pares. O pipeline operou em três etapas:
1. Análise de Causa Raiz: Identificação de ineficiências sem exposição prévia aos rótulos da taxonomia.
2. Triagem de Categoria: Mapeamento de causas para categorias de alto nível.
3. Classificação de Subcategoria: Refinamento em causas raízes específicas.
Avaliação: Um ground truth anotado por humanos foi estabelecido em um subconjunto aleatório de 100 amostras. O pipeline alcançou 94% de precisão de correspondência exata e um F1-score de micro de 0,97, confirmando a aplicabilidade da taxonomia ao código real.

Principais Contribuições

Taxonomia Abrangente: Uma taxonomia de dois níveis, independente de linguagem, de 12 categorias de energy smells e 65 causas raízes. As categorias abrangem desde efeitos de baixo nível de hardware (ex: má localidade de hardware) até escolhas algorítmicas de alto nível (ex: algoritmos subótimos).
Conjunto de Dados Rotulado: Um conjunto de dados publicamente disponível de 21.428 pares de código com medições verificadas de energia, memória e tempo. Isso inclui um subconjunto validado manualmente de 3.000 pares anotados com classificações de múltiplos rótulos e traços de raciocínio passo a passo.
Análise Empírica: Uma análise da prevalência, coocorrência e impacto energético de cada categoria de smell, fornecendo evidências de que a otimização de energia não pode ser reduzida à otimização de desempenho.

Principos Resultados

Prevalência: A taxonomia mapeou com sucesso 84,6% (55 de 65) das causas raízes para os 3.000 pares classificados. As categorias mais prevalentes foram Algoritmo Subótimo (C7, 41,6%), Uso Desnecessário de Memória (C6, 38,9%) e Padrões de Iteração Ineficientes (C3, 33,3%).
Coocorrência: 71% das amostras exibiram múltiplos smells coocorrentes. Casos de múltiplos rótulos mostraram um desperdício de energia significativamente maior (economia mediana de 1.659 J) comparado a casos de rótulo único (549 J), indicando que as ineficiências se potencializam.
Impacto vs. Frequência: Existe um desalinhamento entre a frequência de um smell e seu impacto energético. Embora os Algoritmos Subótimos (C7) fossem os mais comuns, os smells relacionados à Memória (C5 e C6) geraram as maiores economias medianas de energia por correção (3.989 J e 3.670 J, respectivamente). Isso ocorre porque as ineficiências de memória aumentam tanto o tempo de execução quanto a potência consumida, enquanto as ineficiências algorítmicas afetam primariamente o tempo.
Variância de Potência: A potência variou significativamente entre os padrões (60,5 W a 147,3 W). Em 69,1% das amostras, a razão de energia excedeu a razão de tempo, provando que a estimativa ingênua ( $E = \text{constante} \times T$ ) subestima sistematicamente o desperdício de energia.
Design vs. Implementação: Smells de nível de design (ex: escolha de estrutura de dados) produziram maiores economias medianas de energia (1.537 J) do que smells de nível de implementação (1.146 J), apoiando a noção de que correções arquitetônicas mais profundas geram ganhos maiores.

Significância e Alegações

O artigo postula que uma taxonomia bem definida de energy smells fornece um vocabulário compartilhado e diretrizes de refatoração acionáveis para a comunidade de engenharia de software. Ao distinguir a eficiência energética da mera otimização de desempenho, o trabalho permite:

Engenharia de Software Verde: Desenvolvedores podem refatorar o código para melhorar a eficiência energética juntamente com a manutenibilidade e o desempenho.
Desenvolvimento de Ferramentas: A taxonomia serve como base para ferramentas de análise estática, linters de IDE e salvaguardas de CI/CD para detectar e prevenir o desperdício de energia.
Otimização Impulsionada por IA: O conjunto de dados rotulado e os traços de raciocínio podem treinar modelos de IA generativa para sintetizar código energeticamente eficiente e realizar refatoração automatizada.

Os autores enfatem que sua taxonomia não é um substituto para os anti-padrões de desempenho, mas uma expansão necessária, pois otimizar apenas para velocidade não garante a eficiência energética. O trabalho visa operacionalizar a consciência energética nos fluxos de trabalho padrão de desenvolvimento de software, passando da medição do desperdício para a sua eliminação ativa.