Zeiten aktualisiert und in allen Kapiteln eingetragen, Gendern

isaqb-org · May 2, 2024 · 99d46d1 · 99d46d1
1 parent 0427120
commit 99d46d1
Show file tree

Hide file tree

Showing 9 changed files with 37 additions and 38 deletions.
diff --git a/docs/01-module-block-1/02-learning-goals.adoc b/docs/01-module-block-1/02-learning-goals.adoc
@@ -24,7 +24,7 @@ Die Teilnehmenden können Begriffe wie Nachhaltigkeit, Energieeffizienz, negativ
 [[LZ-1-5]]
 ==== LZ 1-5: Handlungsfelder
 
-Die Teilnehmenden kennen die Handlungsfelder zum Einsparen von CO2:
+Die Teilnehmenden kennen die Handlungsfelder zum Einsparen von CO~2~:
 
 * Energieeffizienz - Verbrauche so wenig Energie wie möglich.
 * Hardwareeffizienz - Beanspruche so wenig Hardware wie möglich.

diff --git a/docs/02-module-block-2/02-learning-goals.adoc b/docs/02-module-block-2/02-learning-goals.adoc
@@ -19,7 +19,7 @@ Die Teilnehmenden kennen die Motivation, um Green Software im Unternehmen zu pla
 [[LZ-2-4]]
 ==== LZ 2-4: Stakeholder und Priorisierungen
 
-Die Teilnehmenden kennen die Anforderungen der verschiedenen Stakeholder an energieeffiziente Software und die daraus resultierenden Handlungsfelder. Sie kennen die Bereiche, bei denen die größten Hebel für die Reduktion von Treibhausgasen bestehen und können Maßnahmen entsprechend priorisieren. Die Teilnehmenden können unterschiedliche Softwaresysteme Klassifizieren und Aufwand und Nutzen einer Optimierung erkennen.
+Die Teilnehmenden kennen die Anforderungen der verschiedenen Stakeholder an energieeffiziente Software und die daraus resultierenden Handlungsfelder. Sie kennen die Bereiche, bei denen die größten Hebel für die Reduktion von Treibhausgasen bestehen und können Maßnahmen entsprechend priorisieren. Die Teilnehmenden können unterschiedliche Softwaresysteme klassifizieren und Aufwand und Nutzen einer Optimierung erkennen.
 
 // end::DE[]
 

diff --git a/docs/04-module-block-4/01-duration-terms.adoc b/docs/04-module-block-4/01-duration-terms.adoc
@@ -4,7 +4,7 @@
 |===
 
 === Begriffe und Konzepte
-Software Carbon Intensity (SCI), Business Metriken, Proxy-Metriken, Energieeffizienz, Power Usage Effectiveness, Kategorien von Messverfahren, Messwerkzeuge
+Software Carbon Intensity (SCI), Business Metriken, Proxy-Metriken, Energieeffizienz, Kategorien von Messverfahren, Messwerkzeuge
 
 // end::DE[]
 

diff --git a/docs/04-module-block-4/02-learning-goals.adoc b/docs/04-module-block-4/02-learning-goals.adoc
@@ -12,11 +12,11 @@ Die Teilnehmenden sind in der Lage, Ressourcen in Relation zur erbrachten Leistu
 Die Teilnehmenden kennen verschiedene Kategorien von Messverfahren und deren Einsatzgebiete. Sie verstehen, wie man Werkzeuge der verschiedenen Kategorien für eine Analyse kombinieren kann.
 Kategorien sind beispielsweise
 
-* Hardware-Messwerkzeuge. Sie messen den Verbrauch direkt an der Hardware.
-* Fullstack-Messwerkzeuge. Sie messen alle Komponenten einer Anwendung wie Verbräuche pro Docker-Container, Netzwerk.
-* Programmiersprachenspezifische Messwerkzeuge. Sie liefern "whitebox"-Messungen innerhalb einer Anwendung, können.
-* Messwerkzeuge für Webanwendungen geben Auskunft u.a. über die Netzwerklast, die durch einen Seitenaufruf erzeugt wird.
-* Carbon Footprint Tools der Cloudanbieter. In Cloudumgebungen kann nicht auf die Hardware-Schnittstelle zugegriffen werden um den Energieverbrauch zu messen. Stattdessen ist man auf vom Anbieter bereitgestellte Tools  oder andere Schätzmethoden angewiesen. Die Teilnehmer kennen die Funktionalität und die Einschränkungen dieser Tools (Ungenauigkeit, relative Angaben, nötige Berechtigungen in der Cloud-Console) wie auch die Herausforderungen, Managed Services mit reinen VMs zu vergleichen.
+* Hardware-Messwerkzeuge. Sie messen den Verbrauch direkt an der Hardware (z.B. Multimeter - messen direkt an der Stromquelle; Intel RAPL - misst u.a. den Energieverbrauch der CPU)
+* Fullstack-Messwerkzeuge. Sie messen alle Komponenten einer Anwendung wie Verbräuche pro Docker-Container, Netzwerk (z.B. Green Frame, Green Metrics Tool)
+* Programmiersprachenspezifische Messwerkzeuge. Sie liefern "whitebox"-Messungen innerhalb einer Anwendung, können z.T. auf Methoden-Ebene den Energieverbrauch messen (z.B. JoularJX (Java), Code Carbon (Python))
+* Messwerkzeuge für Webanwendungen geben Auskunft u.a. über die Netzwerklast, die durch einen Seitenaufruf erzeugt wird (z.B. die Entwicklertools von Google Chrome mit GreenIT-Plugin)
+* Carbon Footprint Tools der Cloudanbieter. In Cloudumgebungen kann nicht auf die Hardware-Schnittstelle zugegriffen werden um den Energieverbrauch zu messen. Stattdessen ist man auf vom Anbieter bereitgestellte Tools (z.B. Cloud Carbon Footprint Console) oder andere Schätzmethoden angewiesen. Die Teilnehmenden kennen die Funktionalität und die Einschränkungen dieser Tools (Ungenauigkeit, relative Angaben, nötige Berechtigungen in der Cloud-Console) wie auch die Herausforderungen (Managed Services mit reinen VMs zu vergleichen).
 
 [[LZ-4-3]]
 ==== LZ 4-3: Messmethodik

diff --git a/docs/06-module-block-6/02-learning-goals.adoc b/docs/06-module-block-6/02-learning-goals.adoc
@@ -1,5 +1,4 @@
 === {learning-goals}
-Das Ziel dieses Kapitels ist es, dass die Teilnehmenden ihre bereits erworbenen Kenntnisse in Bezug auf Qualitätsanforderungen und unterschiedlichen Messverfahren beim Architekturentwurf berücksichtigen.
 
 // tag::DE[]
 [[LZ-6-1]]
@@ -16,11 +15,11 @@ Die Teilnehmenden kennen unterschiedliche Arten von Datenbankmodellen (relationa
 
 [[LZ-6-4]]
 ==== LZ 6-4: Spezifische Green IT Pattern
-Die Teilnehmenden kennen generell Muster wie beispielsweise die der Green Software Foundation, um die Energieeffizienz einer Architektur zu verbessern. Darüber hinaus sind sich die Teilnehmenden bewusst, dass man eine Reduzierung des CO~2~-Bedarfs durch die Verwendung von mehr erneuerbarer Energie oder durch eine Verringerung des Ressourcenbedarfs erzielen kann. Sie wissen, dass durch die Anwendung von Time- und Location Shifting der Anteil von grüner Energie erhöht werden kann während ander Muster wie beispielsweise Peak Shaving den Ressourcenbedarf verringert. Die Teilnehmenden sind in der Lage unterschiedliche Pattern beim Architekturentwurf zu berücksichtigen.
+Die Teilnehmenden kennen generell Muster wie beispielsweise die der Green Software Foundation, um die Energieeffizienz einer Architektur zu verbessern. Darüber hinaus sind sich die Teilnehmenden bewusst, dass man eine Reduzierung des CO~2~-Bedarfs durch die Verwendung von mehr erneuerbarer Energie oder durch eine Verringerung des Ressourcenbedarfs erzielen kann. Sie wissen, dass durch die Anwendung von Time- und Location Shifting der Anteil von grüner Energie erhöht werden kann während ander Muster wie beispielsweise Peak Shaving den Ressourcenbedarf verringert.
 
 [[LZ-6-5]]
 ==== LZ 6-5: Web Sustainability Guidelines
-Die Teilnehmenden kennen die Vorschläge des W3C Energieeffizienz, die beim Web Design zu berücksichtigen sind, wie beispielsweise Browser Caching, Einsatz eines CDNs, Edge Caching und sind in der Lage diese in ihren Anwendungen umzusetzen. Sie kennen unterschiedliche Dateiformate und Arten von graphische Elemente (Animationen) und sind in der Lage deren Energieeffizienz einzuschätzen.
+Die Teilnehmenden kennen die Vorschläge des W3C Energieeffizienz, die beim Web Design zu berücksichtigen sind, wie beispielsweise Browser Caching, Einsatz eines CDNs, Edge Caching und sind in der Lage diese in ihren Anwendungen umzusetzen. Sie kennen unterschiedliche Dateiformate und Arten von graphischen Elementen (z. B. Animationen) und sind in der Lage deren Energieeffizienz einzuschätzen.
 
 // end::DE[]
 

diff --git a/docs/07-module-block-7/02-learning-goals.adoc b/docs/07-module-block-7/02-learning-goals.adoc
@@ -9,38 +9,38 @@ Die Teilnehmenden können die Energieeffizienz eines Rechenzentrums einschätzen
 Die Teilnehmenden kennen die Leistung-Last-Beziehung von Hardware. Sie können den Server Idle Energy Coefficient (SIEC) berechnen und einschätzen.
 [[LZ-7-2]]
 ==== LZ 7-2: Cloud Service Modelle
-Die Teilnehmenden kennen die Hauptkategorien von Cloud Computing Services (Cloud Service Modelle), insbesondere "Infrastructure as a Service", "Platform as a Service", "Software as a Service" und "Serverless". Sie können die Hauptcharakteristik dieser Modelle benennen und abwägen wo und wie sie sich bzgl. Energieeffizienz und Software Carbon Intensity unterscheiden und wo sie ähnlich einzuordnen sind.
+Die Teilnehmenden kennen die Hauptkategorien von Cloud Computing Services (Cloud Service Modelle), insbesondere "Infrastructure as a Service", "Platform as a Service", "Software as a Service" und "Serverless". Sie können die Hauptcharakteristiken dieser Modelle benennen und abwägen wo und wie sie sich bzgl. Energieeffizienz und CO~2~-Emissionseffizienz unterscheiden und wo sie ähnlich einzuordnen sind.
 
 [[LZ-7-3]]
 ==== LZ 7-3: Cloud Deployment Modelle
-Die Teilnehmenden kennen die verschiedenen Deployment Modelle für Cloud Umgebungen wie vor Allem "Public Cloud", "Private Cloud", "Hybrid Cloud" und klassischer On-Premise-Betrieb. Sie können aufzeigen welche Chancen und Risiken diese Varianten auf Energieeffizienz und "Software Carbon Intensity" haben. Dabei sind insbesondere die Energieeffizienz der Rechenzentren, die Flexibilität bei der Auswahl der Hardware, Überprovisionierung und Datenverkehr zu berücksichtigen.
+Die Teilnehmenden kennen die verschiedenen Deployment Modelle für Cloud Umgebungen wie vor Allem "Public Cloud", "Private Cloud", "Hybrid Cloud" und klassischer On-Premise-Betrieb. Sie können aufzeigen welche Chancen und Risiken diese Varianten auf Energieeffizienz und CO~2~-Emissionseffizienz haben. Dabei sind insbesondere die Energieeffizienz der Rechenzentren, die Flexibilität bei der Auswahl der Hardware, Überprovisionierung und Datenverkehr zu berücksichtigen.
 
 [[LZ-7-4]]
 ==== LZ 7-4: Anbieter nach ökologisch-nachhaltigen Aspekten bewerten
-Die Teilnehmenden sind in der Lage ökologisch-nachhaltige Aspekte der verschiedenen Anbieter zu beurteilen um diese in einer Auswahl berücksichtigen zu können. Dazu wissen sie, wie sie u.a. an folgende Informationen gelangen
+Die Teilnehmenden sind in der Lage ökologisch-nachhaltige Aspekte der verschiedenen Anbieter zu beurteilen um diese in einer Auswahl berücksichtigen zu können. Dazu wissen sie, wie sie u. a. an folgende Informationen gelangen
 
-* Informationen zum aktuellen Stand der Emissionen eines Anbieter (z. B. Sustainability Reports, Environmental Reports)
-* Massnahmen die Anbieter aktuell durchführen, um Emissionen zu reduzieren oder zu kompensieren
-* Roadmap und Klimaziele der Anbieter für die Zukunft
+* Informationen zum aktuellen Stand der Emissionen eines Anbieter (z. B. Sustainability Reports, Environmental Reports).
+* Massnahmen die Anbieter aktuell durchführen, um Emissionen zu reduzieren oder zu kompensieren.
+* Roadmap und Klimaziele der Anbieter für die Zukunft.
 
-Ausserdem kennen die Teilnehmenden die Möglichkeiten und Einschränkungen der Anbieter beim Monitoring der Emissionen aus der eigenen Ressourcennutzung wie sie durch die Werkzeuge der Anbieter (z. B. AWS carbon-footprint-tool, GCP Carbon Footprint) bereitgestellt werden.
+Ausserdem kennen die Teilnehmenden die Möglichkeiten und Einschränkungen der Anbieter beim Monitoring der Emissionen aus der eigenen Ressourcennutzung wie sie durch die Werkzeuge der Anbieter bereitgestellt werden.
 
 [[LZ-7-5]]
 ==== LZ 7-5: Betriebliche Antipatterns
-Die Teilnehmenden kennen die Herausforderungen des energieeffizienten Betriebs und typische Anti-Pattern wie z.B Überprovisionierung durch fehlendes Monitoring, fehlende Automatisierung in der Provisionierung oder unnötige geografische Verteilung.
+Die Teilnehmenden kennen die Herausforderungen des energieeffizienten Betriebs und typische Anti-Pattern wie z. B Überprovisionierung durch fehlendes Monitoring, fehlende Automatisierung in der Provisionierung oder ungünstige geografische Verteilung.
 
 [[LZ-7-6]]
-==== LZ 7-6: CO2 Optimierung in der Cloud
-Die Teilnehmenden wissen wie und in welchem Rahmen sie bei einzelnen Cloud-Anbietern die Emissionen beeinflussen können durch u.a.
-
-* Auswahl von Zonen mit emissionsarmer Energieversorgung
-* Ressourcen sparsam dimensionieren und erst bei Bedarf skalieren
-* Bedarf zeitlich bzgl. Emissionen optimieren ("Time Shifting" , "Peak Shaving")
-* Autoscaling
-* Nutzung effizienter Datenspeicherung (nach nach Zugriffsweg und -häufigkeit)
-* Reduktion bzw. Verkürzung des Netzwerkverkehrs
-* Serverless Computing
-* Nutzung von Managed Services
+==== LZ 7-6: CO~2~-Optimierung in der Cloud
+Die Teilnehmenden wissen wie und in welchem Rahmen sie bei einzelnen Cloud-Anbietern die CO~2~-Emissionen beeinflussen können durch u. a.
+
+* Auswahl von Zonen mit emissionsarmer Energieversorgung.
+* Ressourcen sparsam dimensionieren und erst bei Bedarf skalieren.
+* Bedarf zeitlich bzgl. Emissionen optimieren ("Time Shifting" , "Peak Shaving").
+* Autoscaling.
+* Nutzung effizienter Datenspeicherung (nach Zugriffsweg und -häufigkeit).
+* Reduktion bzw. Verkürzung des Netzwerkverkehrs.
+* Serverless Computing.
+* Nutzung von Managed Services.
 
 // end::DE[]
 

diff --git a/docs/08-module-block-8/02-learning-goals.adoc b/docs/08-module-block-8/02-learning-goals.adoc
@@ -11,12 +11,12 @@ Die Teilnehmenden kennen verschiedene Strategien des Infrastructure as Code, Con
 [[LZ-8-2]]
 ==== LZ 8-2: Optimierung der CI/CD Prozesse
 
-Die Teilnehmenden sind mit Methoden zur Ressourcenoptimierung von CI/CD-Prozessen vertraut. Beispiele hierfür sind die Anwendung von Peak-Shaving und Time-Shift-Verfahren bei geplanten Builds, sowie das Deployment in räumlicher Nähe zur Zielgruppe im Kontext der Cloud.
+Die Teilnehmenden sind mit Methoden zur Ressourcenoptimierung von CI/CD-Prozessen vertraut. Beispiele hierfür sind die Anwendung von Peak-Shaving und Time-Shifting bei geplanten Builds, sowie das Deployment in räumlicher Nähe zur Zielgruppe im Kontext der Cloud.
 
 [[LZ-8-3]]
 ==== LZ 8-3: Optimierung der Infrastruktur
 
-Die Teilnehmenden kennen Verfahren zur Optimierung der Entwicklungs und Deployment Infrastruktur. Dazu zählen beispielsweise Betrachtung der tatsächlich notwenigen Resilienz, die Effizienzvorteile von Containern gegenüber virtuellen Maschinen, sowie den Einsatz von Caching für Build- und Testartefakte.
+Die Teilnehmenden kennen Verfahren zur Optimierung der Entwicklungs- und Deployment-Infrastruktur. Dazu zählen beispielsweise Betrachtung der tatsächlich notwenigen Resilienz, die Effizienzvorteile von Containern gegenüber virtuellen Maschinen, sowie der Einsatz von Caching für Build- und Testartefakte.
 
 [[LZ-8-4]]
 ==== LZ 8-4: Optimierung der Teststrategie

diff --git a/docs/99-references/00-references.adoc b/docs/99-references/00-references.adoc
@@ -30,9 +30,14 @@ Structure of an anchor:
 ATTENTION: labels have to be non-numeric.
 ====
 
+**A**
+
+- [[[qmarc,arc42]]] arc42 Quality Model, https://quality.arc42.org
+
 **B**
 
-- [[[bitkom,bitkom 2021]]] bitkom: Klimaeffekte der Digitalisierung, https://www.bitkom.org/sites/main/files/2021-10/20211010_bitkom_studie_klimaeffekte_der_digitalisierung.pdf.
+- [[[bitkom,bitkom 2021]]] bitkom: Klimaeffekte der Digitalisierung, https://www.bitkom.org/sites/main/files/2021-10/20211010_bitkom_studie_klimaeffekte_der_digitalisierung.pdf
+
 - [[[brundtland,Brundtland 1987]]] Brundtland, G. (1987): Report of the World Commission on Environment and Development: Our Common Future, http://www.un-documents.net/wced-ocf.htm
 
 **C**
@@ -82,8 +87,6 @@ Examination of the Metric, https://datacenters.lbl.gov/sites/default/files/WP49-
 
 **Q**
 
-- [[[qmarc,arc42]]] arc42 Quality Model, https://quality.arc42.org
-
 - [[[qmiso,ISO 25010]]] ISO/IEC 25010, https://iso25000.com/index.php/en/iso-25000-standards/iso-25010
 
 **S**

diff --git a/docs/curriculum-green.adoc b/docs/curriculum-green.adoc
@@ -64,8 +64,5 @@ include::07-module-block-7/00-structure.adoc[{include_configuration}]
 <<<
 include::08-module-block-8/00-structure.adoc[{include_configuration}]
 
-<<<
-include::20-examples/00-examples.adoc[{include_configuration}]
-
 <<<
 include::99-references/00-references.adoc[{include_configuration}]