CC BY
142
УДК 004.021, 004.896 КОНЦЕПЦИЯ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНОГО БАЗИСА ГРИД-СИСТЕМ
Ю.И. Нечаев, А.В. Бухановский, В.Н. Васильев
Обсуждается проблема создания интеллектуальных Грид-систем. Основное внимание уделяется формулировке концептуального базиса и принципов обработки информации в сложных динамических средах. Приведено формальное описание логического пространства для интеграции моделей знаний, включающих использование Neuro-Fuzzy систем и мультиагентных технологий. Рассмотрены особенности вычислительного интеллекта, сформулированы модель выбора, определения и аксиомы интеллектуальных Грид-систем. Дается интерпретация Грид-системы как параллельной вычислительной архитектуры. Ключевые слова: Грид, интеллектуальные системы, нечеткая логика.
Введение
Системный анализ и синтез моделей обработки информации в интеллектуальных Грид-системах определяют методы решения сложных научно-технических проблем, особенно в условиях непрерывного функционирования исследуемых динамических объектов. При этом актуальными представляются проблемы создания эволюционно-самоорганизующихся баз данных и знаний, а также систем адаптивного синтеза информационно-вычислительных конфигураций. В совокупности эти проблемы определяют общую проблему разработки теоретических основ построения самоорганизующихся программно-аппаратных комплексов интеллектуальных Грид-систем [1, 2].
Задачи, решаемые в рамках Грид-систем, по своему характеру оказываются близкими к традиционным задачам искусственного интеллекта. Сравнительный анализ показывает, что можно выделить ряд общих свойств этих задач:
- высокая сложность алгоритмов и большое количество обрабатываемых данных с существенно различной структурой;
- жесткие требования к ресурсам вычислительной системы и ее производительности, необходимость вычислений в режиме реального времени;
- существенная нерегулярность вычислений, операции с множеством разнообразных по своим свойствам объектов и отношений между ними.
При реализации этих задач адаптивный синтез и распараллеливание компьютерных программ осуществляется путем систематического выполнения трансформаций программ, представленных в виде схемных правил некоторого специального вида. Однако многие распараллеливающие преобразования удобнее задавать в процедурном виде. Представленные в виде правил трансформации знания (схемные правила) о методах распараллеливания программ можно накапливать и использовать с помощью специально разработанных интеллектуальных Грид-систем. Схемное правило может быть представлено в виде входного и выходного образов, которые описывают программные конструкции, дополненные условием применимости [3]. Специфика логических правил предусматривает локальные и глобальные (многокомпонентные) преобразования, когда фрагменты программы, связанные семантическими или логическими отношениями, разнесены в тексте. Условия применимости логических правил формулируются на основе базовых предикатов и функций, большая часть которых задается на графах представления программы [4, 5]. В процессе создания интеллектуальной Грид-системы можно разработать различные наборы правил распараллеливания, а также предикатов и функций, характеризующих параметры различных архитектур используемой системы.
Применение многопроцессорных систем при решении сложных задач анализа и интерпретации информации становится эффективным только при наличии такой программной поддержки, которая обеспечила бы максимальную загрузку всех компонентов системы. Это условие относится к любой вычислительной системе параллельной обра-
ботки данных, в том числе и к Грид-системам. Потенциал применения современных быстродействующих компьютерных систем (кластеров, метакластеров и Грид) существенно зависит от организации вычислений и качества используемого программного обеспечения. Таким образом, актуальной становится задача формулировки концепции интеллектуальной Грид-системы и поддерживающего инструментария для автоматизации процесса ее функционирования.
Концептуальный базис реализации Грид-систем
как интеллектуальной среды нового поколения
Интеллектуальную Грид-систему можно рассматривать как вычислительную среду нового поколения. Главной особенностью такой интеллектуальной среды является реализация в ней базовых принципов и процедур, обеспечивающих эффективное решение сложных задач анализа и интерпретации информации в режиме реального времени. Усложнение алгоритмов обработки информации в мультипроцессорной вычислительной среде приводит к необходимости широкого использования методов и средств искусственного интеллекта при поиске новых эффективных вычислительных процедур и их параллельной реализации.
Концепция интеллектуальных Грид-систем сформулирована как обобщение и развитие традиционных моделей обработки информации, использующих методы искусственного интеллекта [6, 7]. Разработанная концепция основана на следующем определении интеллектуальной Грид-системы: интеллектуальной Грид-системой будем называть динамическую интеллектуальную систему, основанную на распределенной базе знаний и формальном представлении взаимосвязанных модельных уровней (структурного, логического), ориентированную на решение типичных задач Грид-технологий. Структурная схема, определяющая концептуальную модель интеллектуальной Грид-системы, представлена на рис. 1. Эта модель предусматривает использование интеллектуальной Грид-системы не только для решения традиционных больших задач, но и для обеспечения функционирования виртуальных вычислительных комплексов (виртуальный полигон, виртуальная лаборатория и др.).
Априорная информация —У Динамическая база знаний А— Текущая информация
Концепция мягких вычислений —У Интеллектуальная " ОШР-система 41 А— Критериальный базис
Принципы организации интеллектуальной ОКЮ-системы
+ 1 1
Принцип открытости Принципы обработки информации Принципы представления данных и знаний Принцип живучести
Рис. 1. Концептуальная модель интеллектуальной Грид-системы
При разработке концептуальной модели сформулированы принципы построения и особенности применения интеллектуальных Грид-систем при решении сложных научно-технических задач. Среди этих принципов следует выделить адаптивность, мно-
гопроцессорность, распределенность и глобальность обработки информации, унифицированность и эволюционность представления данных и знаний, активное формирование требований по изменению конфигурации системы, вычислительную мощность и максимальное быстродействие, открытость, непрерывность функционирования и живучесть. Структура интеллектуальных Грид-систем должна обладать возможностью эволюционного наращивания, а при необходимости - и кардинального изменения в условиях непрерывности функционирования [8].
Повышение достоверности оценки и прогноза ситуаций в сложных задачах на основе Грид-систем достигается с использованием нового подхода к обработке информации, основанного на развитии концепции «мягких вычислений» [9]. Этот подход предусматривает использование теоретических принципов (рис. 2), позволяющих рационально организовать вычислительную технологию обработки данных, а также формализовать поток информации при реализации нечеткого логического вывода в мультипроцессорной вычислительной среде [10]. Реализация этих принципов дает возможность повысить эффективность функционирования Грид-системы при непрерывном изменении динамики объекта и внешней среды. Проверка корректности алгоритмов управления и принятия решений осуществляется на основе общих требований к алгоритмическому обеспечению системы. Применительно к параллельным алгоритмам логического управления понятие корректности связано со специфическими свойствами таких алгоритмов - непротиворечивостью, устойчивостью и самосогласованностью. Таким образом, интеллектуальная Грид-система представляет собой сложный многопроцессорный вычислительный комплекс, который можно рассматривать как самоорганизующееся динамическое информационное пространство унифицированного представления данных и знаний.
Поток информации в мультипроцессорной вычислительной среде
Принцип конкуренции —N Реализация конкурирующей вычислительной технологии: параллельная обработка информации на базе традиционных и нейросетевых моделей
Принцип формализации [ нечетких знаний и г Построение адаптивных моделей знаний и реализация механизма логического вывода в мультипроцессорной вычислительной среде
Рис. 2. Принципы обработки информации в мультипроцессорной вычислительной среде
При формализации знаний интеллектуальной Грид-системы рассматривается понятие о логическом пространстве [11]. Такая модель позволяет определить операции над векторным логическим пространством, элементы которого представляются в виде логических векторов, состоящих из логических скаляров. Используя понятия дизъюнкции и конъюнкции логических векторов, можно сформулировать аксиомы логического пространства и представить предикатную интерпретацию логических сетей и линейных логических преобразований как основного средства представления объектов произвольной природы при обработке информации. При формальном описании логического пространства в интеллектуальной Грид-системе разрабатываются методы
формирования альтернативно адаптивных алгоритмов, с помощью которых реализуются принципы обработки информации в мультипроцессорной среде. Алгоритмы, реализующие различные подходы к решению поставленной задачи на основе методов классической математики (стандартные алгоритмы), нечетких и нейросетевых моделей, образуют некоторое множество функционально эквивалентных (функционально близких) алгоритмов. Повышение функциональной эффективности алгоритмов с одинаковым функциональным назначением достигается путем их адаптации к исходным данным. Выбор предпочтительной вычислительной технологии осуществляется путем анализа альтернатив. Для алгоритмов одинаковой функциональной направленности А^Х, У с областью определения Х и областью значения У при заданной функции качества р(у)е^+ можно представить следующий адаптивный алгоритм [12]:
N
А = А0\X!,...,XN • X!,У •...•
AN|XN , YN = А00 |Х1,..., XN • П А^У, , (1)
1=1
где (••) - операция композиции, определяющая последовательное выполнение алгоритмов, который разбивает область определения Х на подмножества Х\,...Хы,
N
и X. = X, V/ * ] X, п X} = 0, ^ е У, у, е У} |р(у,) <р(у]), (2)
/=1
со степенью превосходства /-го алгоритма над ]-м на ограниченном множестве Х
\х = — у р(х )-р(А'1х](3) - ^ —[Х) р(х,)] • ^
. * (А,, А,)
N.
х, еX х, еX тах
При создании интеллектуальных Грид-систем возникает проблема разработки обучаемых, адаптивных механизмов логического вывода. Опыт разработки базы знаний сложных систем позволяет рассматривать в качестве одного из эффективных решений использование принципа адаптивного резонанса, широко применяемого в теории нейронных сетей [13] и в бортовых интеллектуальных системах [14]. Формируемые на основе этого принципа свойства базы знаний наиболее четко проявляются в задачах интерпретации ситуаций в условиях неопределенности и неполноты исходной информации (рис. 3).
Формирование реакции на входное воздействие
Стандартная ситуация Нестандартная ситуация
Стабильное решение Пластичное решение
зс
Модификация ситуации Формирование ситуации
Рис. 3. Адаптивная компонента интеллектуальной Грид-системы
Задачей адаптивной компоненты интеллектуальной Грид-системы является формирование правильной реакции в случае «пластичного» решения о появлении нового образа и «стабильного» решения о совпадении со старым образом. Другой важной особенностью динамической базы знаний, использующей принцип адаптивного резо-
нанса, является самоадаптация алгоритма поиска нестандартных ситуаций. Адаптивная компонента использует управляемый алгоритм поиска, основанный на динамической самоорганизации классов-прототипов, соответствующих классам векторов в условной части логического правила, путем наращивания структуры, определяющей «действие» в выходной части логического правила. Среди других формализмов представления знаний в интеллектуальных Грид-системах следует выделить достаточно сложную конструкцию модели знаний, получившую название гиперправила с мульти-активизаторами [15]. Такая модель представляет собой логическую конструкцию с детерминированной операционной семантикой. Благодаря естественному совмещению процедурной и непроцедурной компонент гиперправила представляют собой достаточно удобное средство описания локальных функций обработки в едином процессе на основе специального механизма «доски объявлений» и наличия информации в базе данных.
При создании интеллектуальных Грид-систем актуальной является разработка эффективных внутренних структур взаимодействия программных компонентов, реализующих обучение, целенаправленное функционирование, оценку результата и принятие решений. Парадигма, определяющая модель взаимодействия в такой системе, предполагает интеграцию разнообразных компонентов, объединенных функциональными связями. В настоящее время разработано большое количество специализированных программ и инструментальных средств, реализующих Грид-системы, которые можно использовать в качестве базовой платформы при интеграции имеющихся программных решений в единый интеллектуальный комплекс. Это значительно упрощает процесс создания интеллектуальных Грид-систем, которые включают в себя принципиально различные уровни обработки и абстракции информации и позволяют организовать параллельную обработку всех внутренних информационных потоков на основе эффективной, гибкой и легко масштабируемой архитектуры. В такой архитектуре интеграция интеллектуальных модулей может быть осуществлена на основе традиционных методов искусственного интеллекта, включая мультиагентные системы.
Создание интегрированных знаний в интеллектуальных Грид-системах базируется на современных методах инженерии знаний. Разрабатываемые логические модели задают конкретную формальную систему. В рамках такой системы функционирует исследуемый динамический объект (сложная задача), находясь в одном из состояний. Импликативные аксиомы формальной системы определяют логические зависимости между понятиями-соотношениями, расширяя множество фактов и образуя дедуктивный уровень динамической базы знаний. Структура логических формул позволяет описывать зависимости между понятиями и отношениями исследуемой предметной области на основе многоуровневых типов переменных.
Реализация отмеченных принципов формализации знаний дает возможность обеспечить эффективность функционирования интеллектуальных Грид-систем при различной сложности решаемых задач, в том числе и при непрерывном изменении динамики объекта и внешней среды в виртуальных моделирующих комплексах (виртуальный полигон, виртуальная лаборатория). Практическая значимость обработки информационных потоков в реальном времени обусловлена стремлением повысить скорость машинных вычислений путем распараллеливания вычислительных алгоритмов и реализации их на суперкомпьютерных платформах.
При проектировании интеллектуальных Грид-систем существует проблема выбора и оптимизации параметров, которые зависят от средств реализации. На начальных этапах разработки необходимо определить и обосновать структурную схему системы, определить режим ее работы и условия эксплуатации. Для формализации задачи выбора и обоснования средств реализации интеллектуальной Грид-системы вводится обобщенная характеристика, учитывающая различные варианты ее построения, вари-
анты программного обеспечения и используемые вычислительные устройства, реализующие заданные функции системы. В качестве обобщенной характеристики можно рассматривать сложность интеллектуальной Грид-системы, определяющую многопараметрические и разнородные условия, при которых необходимо спроектировать систему. Функция выбора модели интеллектуальной Грид-системы связывает параметры алгоритмов обработки информации Рдь исходные параметры Р0]- и средства реализации алгоритмов ЯАк [16]:
Рж = ДРль ..., РАт, Р01, ..., Роп, ЛА1, ..., Яы), (4)
где /,], к - общее число параметров для заданной структуры функции выбора.
Частные параметры в (4) объединяются в динамический диапазон параметров, представленных в различных физических величинах. Переход к безразмерным параметрам осуществляется путем их нормирования, причем множества частных параметров связываются между собой, образуя некоторую обобщенную характеристику:
т т т
а= £ УЛ* + £ У Д + £ УкРА*к , (5)
г=1 7=1 г=1
где у,, У], ук - весовые коэффициенты, которые устанавливаются исходя из влияния каждого из рассматриваемых параметров на обобщенную характеристику а^ (символ * указывает на безразмерность параметра).
0 арэ
Рис. 4. Функция выбора для различных алгоритмов принятия решений: 1, 2, 3 - сравниваемые алгоритмы; А, В, С - средства их реализации (А - программная логика; В - микропроцессорные средства; С - программные средства)
Выражения (4) и (5) позволяют сформулировать функцию выбора для различных моделей и алгоритмов. В частности, для управляющих и вычислительных алгоритмов, используемых в интеллектуальных Грид-системах, выражение для функции выбора может быть представлено с помощью экспоненциальной функции
Рж = 1 - ехр [- ав&АКг] (6)
(где Ка - коэффициент, учитывающий особенности алгоритма решения задачи; Кт -коэффициент, учитывающий время выполнения алгоритма), а также в виде зависимости (рис. 4)
Рж=Лаод /л), (7)
позволяющей выделить зоны допустимых значений функции выбора исходя из особенностей рассматриваемого алгоритма обработки варианта решения и интервалов /Я их реализации.
Систематизация и унификация знаний об оптимизации программных комплексов реализуются на основе модели онтологии S и онтологической системы M(S), формальное описание которых имеет вид [17]
S = <C, R, F>, M(S) = <Cmeta, [Cd&t], Mu>, (8)
где C - конечное множество концептов предметной области, R - конечное множество отношений между концептами; F - конечное множество функций интерпретации (аксиоматизация), заданных на концептах и/или отношениях онтологии; Cmeta — онтология верхнего уровня (метаонтология); {CD&T} - множество предметных онтологий и задач предметной области (предметная онтология); Ми - модель механизма логического вывода (онтология задач), ассоциированного с онтологической системой M(S).
Метаонтология оперирует общими понятиями и отношениями конкретной предметной области. Предметная онтология содержит понятия, описывающие конкретную предметную область, семантически значимые отношения и множество интерпретаций понятий и отношений. Онтология задач в качестве понятий содержит типы решаемых задач, которые с помощью отношений осуществляют декомпозицию задач на подзадачи.
При формализации предметной области интеллектуальных Грид-систем рассматривают онтологии предметных областей (domain ontology), онтологии классов решаемых задач (task ontology), онтологии приложений (application ontology), онтологии верхнего уровня (top-level ontology). Отдельным типом считаются онтологии методов решения проблем. Возможные пути модификации онтологий в интеллектуальных Грид-системах представлены на рис. 5.
Модификация онтологий в интеллектуальной GRID-системе
Модификация атрибутов класса
(создание, удаление, переименование, изменеиие домена и категории аттибута)
Модификация класса
(создание, удаление, переименование класса)
Модификация графа наследования класса
(создание нового отношения, удаление отоошения «подкласс-суперкласс»)
Рис. 5. Пути модификации онтологий в интеллектуальной Грид-системе
Таким образом, модель онтологий в интеллектуальных Грид-системах следует рассматривать как универсальный инструмент междисциплинарных научных исследований, интегрирующий наиболее важные обобщенные функции систем, основанных на знаниях. Эти функции могут быть концептуально реализованы и описаны в терминах проблем искусственного интеллекта. Базы знаний таких систем формируются как концепция онтологий (онтологии в процессе создания интеллектуальных Грид-систем) общей теории баз знаний.
Определения и аксиомы интеллектуальных Грид-систем
Создание интеллектуальной Грид-системы основано на знаниях о предметных областях каждого класса задач (линейная алгебра, нелинейные уравнения и системы, обыкновенные дифференциальные уравнения и системы и др.). Знания представляются в виде функциональных программных модулей, которые описывают логически законченные части машинных алгоритмов исследования и решения задач, а также их семантики. Технологическая схема построения базы знаний каждого программного средства включает анализ предметной области и ее формализацию, построение модели пользователя и модели взаимодействия, компьютерное представление знаний о моделях предметной области (совокупность задач по каждому классу и алгоритмов их исследования с оценками достоверности результатов) в виде фактов и правил. Реализация интеллектуальной Грид-системы предусматривает создание программной технологии решения сложной задачи в рамках информационно-коммуникационной среды, включающей механизмы моделирования, формирования предметной области и ее отображения в компьютерную программу. Разработка технологии реализации такой среды должна поддерживать выполнение сложной задачи территориально распределенными группами исполнителей и автоматически отображать результаты решения в компьютерную систему. Для формирования целостной картины рассматриваемой проблемы функционирования интеллектуальной Грид-системы необходимо сформулировать базовые понятия и построить соответствующие модели.
Инфраструктура, в рамках которой осуществляется решение сложной задачи с помощью интеллектуальной Грид-системы, определяется как глобальная информационно-коммуникационная среда, элементами которой являются Интернет, корпоративные сети и др. Решаемая задача P (Problem) представляет собой совокупность составляющих, связанных с постановкой задачи S, требованиями к решению R (Req), результатом решения D (Decision) и руководством пользователя по выполнению результата G (Guide) [18],
P = <S, R, D, G>. (9)
Свойство структурированности требует декомпозиции решаемой задачи Р на подзадачи Р1, ..., Р„. Знания, необходимые для решения задачи Р, представляют собой структурированную и формализованную информацию. Для решения общей задачи вводится такое понятие, как паттерн знаний - знания, необходимые и достаточные для решения подзадач Р1, ..., Рп (постановка подзадачи, теоретическое решение, практическое приложение и руководство пользователя). В качестве посредника используется мобильная программа, обеспечивающая перемещение паттерна между центром и исполнителями в рамках глобальной информационно-коммуникационной среды. Предметная область выполнения задачи рассматривается как совокупность паттернов, необходимых и достаточных для реализации поставленной задачи. Для формализации знаний интеллектуальной Грид-системы вводятся аксиомы, отражающие эволюцию решения сложных задач в рамках глобальной информационно-коммуникационной среды. Аксиоматическое представление знаний основано на общих понятиях предметной области и специфично для прикладной онтологии [19] (рис. 6).
Для решения логических и вычислительных задач при функционировании интеллектуальной Грид-системы используются различные подходы, методы и модели. Для модели предметной области, представленной в виде онтологии, можно выделить метод предельных обобщений [20]. Этот метод позволяет представить модель предметной области в виде кортежа <ONT, ASK>, где ONT - модель онтологии; ASK - модель адекватной системы знаний. Адекватность модели предметной области свидетельствует о том, что модель действительности А (<ONT, ASK>) совпадает с множеством моделей
всех ситуаций, входящих в модель предметной области. Так, если рассматривать а как модель любой ситуации действительности, то а е А(<ONT, ASK>), в противном случае имеем а* £ А(<<ONT, ASK>). Если ASK1 эквивалентно ASK2 по модели действительности (ASKi - ASK2), то А(<ONT, ASKi>) = A(<ONT, ASK2>). Эти утверждения позволяют представить модель знаний в следующем виде:
ASK = {f | д: ASKi ^ ASK2} Pk, (10)
где f - функциональные отображения, реализующие математические модели; д - различные механизмы реализации отображений; ASK1 - входные данные задачи (описание информационной среды и задания); ASK2 - выходные данные задачи; Р]< - правила композиции схем задач (правила, описывающие способы объединения локальных задач).
Рис. 6. Формализация и аксиоматическое представление процедурных знаний в интеллектуальной Грид-системе
Выделяя рассматриваемые классы моделей F1, ..., FN, описывающих интерпретацию состояний интеллектуальной Грид-системы, можно представить общую модель знаний в следующем виде:
F1 u F2 u ... u Fn с ASK. (11)
Используя правила композиции Pk, можно построить замыкание множества функциональных отображений F+|Pk в процессе решения конкретной задачи.
При реализации рассмотренной информационной структуры в интеллектуальной Грид-системе следует учитывать особенности автоматизации программирования и выполнения параллельных программ в мультипроцессорной вычислительной среде. Среди этих особенностей наиболее важной представляется проблема «семантического разрыва» [21], которая характерна для Грид-систем и охватывает многие аспекты решения задач на различных вычислительных средствах. Одним из путей решения проблемы «семантического разрыва» является использование сетевых языков программирования, предназначенных для параллельного программирования в распределенных системах и основанных на идеологии мультипроцессоров с динамической архитектурой [22].
Открытый многоуровневый характер базы знаний интеллектуальных Грид-систем связан с необходимостью использования для формального описания концептуальной модели предметной области семиотического подхода [7]. Такой подход позволяет формально описать систему взаимосвязанных модельных уровней (структурного, логического и т.д.) Грид-систем. Каждому уровню соответствует открытая база знаний о множестве возможных решений рассматриваемых задач. Семиотическая модель открытой формальной системы при реализации интеллектуальной Грид-системы имеет вид
Е = <В, Я, А, С, Ql, ... , Q4>, (12)
где B - множество базовых элементов системы; Я - множество правил построения синтаксически правильных формул; А - множество аксиом Е (подмножество формул из С, которым априорно присваивается статус истинности); С - множество правил вывода (семантические правила, позволяющие получать из А новые синтаксически правильные формулы, которым присваивается статус истинности); Q1, ..., Q4 - правила изменения для множеств В, Я, А, С.
Семиотическая модель является разрешимой, если существует конструктивная процедура, дающая однозначный ответ на вопрос, является ли данный синтаксически корректный элемент семантически верным. Эта процедура задает алгоритм управления в семиотической модели пространства и времени. Основной данного алгоритма является потоковый алгоритм интерпретации недоопределенных динамических вычислительных моделей [23]. Таким образом, главным требованием к моделям функций является способность обеспечить указанный в (12) алгоритм интерпретации.
Проблемы выбора моделей и осуществимости решения задач на основе интеллектуальных Грид-систем
В процессе создания интеллектуальной Грид-системы рассматриваются и сравниваются различные технические решения о структуре системы, механизме ее функционирования, выборе параметров и других элементов. Сравнение решений и выбор оптимального (рационального) решения достигается с помощью моделей, основанных на знаниях (фреймы и продукционные модели). Важной проблемой при создании интеллектуальной Грид-системы является учет показателей осуществимости решения сложных задач в распределенных вычислительных средах.
Знание-ориентированный подход к адаптации алгоритмов в интеллектуальной Грид-системе позволяет реализовать методы формирования альтернативно адаптивных алгоритмов на основе показателей степени превосходства. Алгоритмы, реализующие различные методы решения одной задачи в такой системе, образуют некоторое множество функционально эквивалентных (функционально близких) алгоритмов. В целях повышения функциональной эффективности алгоритмов, реализуемых в интеллектуальной Грид-системе, можно применять к решению сложных задач адаптивные алгоритмы (в терминах [24] - алгоритмы альтернативной адаптации). В качестве базовой интеллектуальной компоненты такой системы рассматривается ее адаптивное структурно-инвариантное ядро, особенностями которого являются знание-ориентированный подход, наличие информационно-расширяемой (адаптивной) метамодельной компоненты, унифицированное представление метаданных о классах и отношениях рассматриваемой предметной области. Другая компонента реализует гибко настраиваемую адаптивную технологию репликации данных между удаленными вычислительными средствами.
При анализе эффективности вычислительной технологии решения сложных задач на основе знание-ориентированного подхода используются показатели осуществимости принятых решений [25]. В практических приложениях удобно использовать графическую интерпретацию решения многокритериальной задачи (метод эталонов) [26], позволяющую избежать использования дополнительной информации и получать решения, близкие к оптимальным.
Достаточно представительным классом моделей при реализации парадигмы интеллектуальных Грид-систем являются Кеиго-Ри22у модели, разработанные в рамках нечеткого и нейросетевого логического базиса. Такие модели могут найти применение не только при формализации знаний и задачах анализа и интерпретации информации, но и в качестве конкурирующих вычислительных технологий при разработке вирту-
альных вычислительных комплексов (виртуальный полигон, виртуальная лаборатория и др.). В больших задачах интерпретации информации можно использовать преимущества мультиагентных моделей [27], определяющих создание инфраструктуры для обеспечения глобальной интеграции информационных и вычислительных ресурсов.
Построение среды многопроцессорного моделирования, сочетающей в себе различные комбинации открытых и трансформируемых сред, осуществляется в виде ситуационной модели игры с динамически меняющимся классом стратегий и управляемым сценарием [28]. Для решения этой задачи предварительно формулируется сценарий, описываемый конечным графом
О = (Бс, К) (13)
(где Бс - стратегии, а РБ - переходы между ними), позволяющий построить алгоритм решения задачи в виде следующих процедур: - представить БС в виде
Бс = и ^ , (14)
т.е. как объединение стратегий (альтернатив) и моментов управления ^ ('=1,
..., Я);
представить РБ в виде РБ сБсхЗс, описывающем переходы между стратегиями с помощью отображения множества эффективных стратегий /1, в виде двух множеств,
первое из которых соответствует множеству дуг 5: Л'^ ^ Рз, второе - множеству полезностей этих стратегий, отображаемому в множество дуг, 5UtJ■ : и'^1 ^ ^ Рз .
При анализе процесса принятия решений на сетевых моделях, характерных для интеллектуальных Грид-систем, альтернатива ЛЬЖ1 определяется некоторыми подмножествами инцидентных позиций (рд) [29, 30] и разрешенных иерархических переходов ^а}, моделирующих процессы принятия решений ЛЯ'(Ь) из множества (ЛЯ для достижения поставленной цели:
(Р'1} с (рД 11 е 3Ь 3' с 3; (15)
с (4), /1е /1, /1 с /, ЛЯ' (Ь) (Б) с ЛЯ (Б).
Проблема выбора решения при интерпретации данных в интеллектуальных Грид-системах состоит в реализации последовательности операций анализа иерархической структуры. Выделенные в этой структуре элементарные подзадачи предварительно анализируются методом иерархий [31]. Реализация метода иерархий связана с выделением приоритетов (весов) признаков в целях выбора наилучших из них с использованием алгебраической теории матриц и экспертных процедур: ЖП = X шахП;
"шах'
П11 ... П1т " gl"
П = ... П'1 х
Пп1 ... П пт _ _ gl _
(16)
где Ж - обратно-симметричная матрица значений парных сравнений признаков относительно данного атрибута; П - нормированный вектор весов признаков; Хшах - наибольшее собственное значение матрицы Ж; П - результат определения глобальных приоритетов признаков П1, ..., ПЯ; N - число признаков; щ ('=1, ..., п, '=1, ..., т) - относительный вес '-го признака по '-му атрибуту; gJ■ - относительный вес '-го атрибута.
Таким образом, метод [31] связан с проектированием многоуровневой иерархии критериев (факторов) и заданием численных значений мер предпочтения между сопоставляющими сущностями. Такая информация позволяет вычислить вектор приоритетов сущностей на основе собственного вектора обратно-симметричной матрицы, а также глобальные приоритеты объектов на основе приоритетов, определенных по локальным критериям.
Безопасность и отказоустойчивость интеллектуальных Грид-систем
В настоящее время существует достаточное количество решений по организации Грид-систем. Поскольку большинство транзакций в таких системах происходит через открытые коммутационные среды, возникает ряд проблем, связанных с безопасностью Грид [32]. Традиционные меры предусматривают изоляцию систем и защиту ресурсов за счет поддержки правил, ограничивающих действия пользователей, что противоречит главной идее - совместному использованию ресурсов вне зависимости от географических рубежей и границ организаций [33]. Современные подходы к организации механизмов защиты информации в компьютерных системах предусматривают централизацию средств защиты (сертификационные агентства, службы регистрации и авторизации, единые для всей системы), что накладывает значительные ограничения при динамическом масштабировании Грид-систем [34].
Большинство из требований безопасности, которые могут быть использованы при разработке интеллектуальной Грид-системы, входят в стандарт Security Architecture for Open Grid Services, разработанный Open Grid Forum, и на сегодняшний день Globus Toolkit (GT) - широко распространения версия этого стандарта.
Анализ функционирования Грид-систем [35] показал, что наиболее важной проблемой при обеспечении их безопасности является установление показателей доверия к узлам системы. Уровень доверия можно определить непосредственно по опыту работы Грид-системы, а также по данным от узлов, ранее интегрированных в такую систему. В качестве решения этой проблемы в работе [36] предлагается ввести понятия сервера-хранилища метрик доверия и вектора репутации узлов, с помощью которого формируются показателя доверия:
а) усредненный показатель доверия к i-му узлу
n T * T
г* = Гя+х^-р-, (i?)
7=1 n +1
б) общий показатель доверия
n 1 - W
Tj 1-W-, (18)
7=1 П7
где Tji - показатель доверия j-го узла к i-му; n¡ - количество транзакций с j-м узлом; Wi - i-e значение вектора репутации узла.
Показатель доверия находится в интервале (0,1), причем 0 соответствует полному отсутствию доверия, а 1 - полному доверию узлу со стороны Грид-системы.
Интерфейс пользователя в интеллектуальных Грид-системах
Организация совместной работы пользователей в интеллектуальной Грид-системе существенно зависит от того, насколько эффективно решены проблемы выбора решения и предусмотрены различные сценарии развития событий при выполнении высокопроизводительных вычислений. Взаимная адаптация пользователей и компьютерных средств обработки информации требует разработки специального инструментария подготовки решений (перечень решаемых задач, наборы вопросов, заданий, под-
сказок, сценариев и др.) как интеллектуального помощника и советчика для лица, принимающего решения. Функциональная схема, характеризующая поддержку оператора в интеллектуальной Грид-системе, представлена на рис. 7. Схема формализует поток информации, определяющий компьютерное решение комплекса взаимосвязанных задач интеллектуальной поддержки оператора при анализе и интерпретации информации в сложных динамических средах.
Функциональная модель программной среды Информационная среда анализа альтернатив и принятия решений Модель выбора и реализации реш ений
О О $
Концептуальный блок О Интеллектуальная поддержка оператора С Блок оценки решений
о о 0
Моделирование управленческой деятельности Факторы оценки эффективности поддержки оператора Оценка эффективности реш ения
Рис. 7. Поток информации при поддержке оператора в интеллектуальной Грид-системе
Используемые характеристики интерфейсов позволяют оценить эффективность реализации программно-аппаратной структуры интеллектуальной Грид-системы с учетом стоимости, производительности, надежности, а также провести проектирование информационной структуры, обеспечивающей выполнение требований по сбору и передаче потоков данных и результатов их обработки. Большая вычислительная размерность задач, решаемых на основе интеллектуальных Грид-систем, огромные информационные массивы и скорости их обработки, высокая пропускная способность каналов связи требуют решения проблемы интеграции компонент системы и человеко-машинного интерфейса.
Надежность работы пользователя (оператора) интеллектуальной Грид-системы можно приближенно оценить, используя формулу
р = п рк
= ехр
-X (1 - р)к
= ехр
(19)
где Рг - вероятность безошибочного выполнения операции /-го типа; О - интенсивность ошибок /-го типа; к - число выполненных операций /-го типа; т - общее число различных типов операций.
Показатели Рг и О могут быть определены по статистическим оценкам, полученным в процессе тестирования Грид-системы:
р* = —(Nг -пг), О* = -П-г N. N Т
(20)
где N - общее число выполняемых операций /-го типа; п/ - число ошибок, допущенных оператором при выполнении операции /-го типа; Т - среднее время выполнения операции -го типа.
/=1
1=1
1=1
Заключение
Проведенный анализ приложений методов искусственного интеллекта в многопроцессорной вычислительной среде позволил сформулировать концепцию разработки интеллектуальной Грид-системы, функционирующей на основе логико-лингвистических моделей обработки информации и структурированной базы знаний. В рамках этой концепции:
- предложены системные принципы построения моделей обработки информации пространственно-временных полей интеллектуальных Грид-систем;
- сформулированы определения и аксиомы обработки информации в интеллектуальных Грид-системах, позволяющие формализовать сложные процессы обработки знаний при решении больших задач анализа и интерпретации информации;
- определен подход к выбору многоуровневых моделей знаний и осуществимости решения задач на основе интеллектуальных Грид-систем;
- приведены алгоритмы контроля режима функционирования, оценки безопасности и риска принимаемых решений в интеллектуальных Грид-системах;
- обоснована реализация интерфейса пользователей при интеграции структурных компонентов в интеллектуальных Грид-системах.
Таким образом, новая парадигма функционирования Грид-систем, реализуемая на базе достижений искусственного интеллекта, позволяет расширить традиционные подходы к обработке информации, дополнить их новыми методами, моделями и алгоритмами поддержки принятия решений с учетом неопределенности и неполноты исходной информации. Развитие внутреннего потенциала теории управления и принятия решений на основе принципа конкуренции позволяет на базе анализа альтернатив при решении сложных задач в информационно-коммуникационной среде выбирать предпочтительную вычислительную технологию с использованием методов классической математики, нечетких и нейросетевых моделей. Расширяя функциональные возможности традиционных Грид-систем и повышая эффективность решения поставленных задач, разработанный подход позволяет обеспечить новое качество - способность предсказания и предвидения критических и аварийных ситуаций, что особенно важно при реализации в сложных вычислительных комплексах обработки информации (виртуальный полигон, лаборатория и др.).
Литература
1. Ковальчук С.В., Иванов С.В., Колыхматов И.И., Бухановский А.В. Особенности проектирования высокопроизводительных комплексов для моделирования сложных систем // Информационно-управляющие системы. - 2008. - № 3. - С. 10-18.
2. Воеводин В.В. Решение больших задач в распределенных вычислительных средах // Автоматика и телемеханика. - 2007. - № 5. - С. 32-45.
3. Partch H. Steinbruggen R. Program transformation systems // ACM Computer Survey. - 1993. - Vol. 15. - № 3. - Р. 199-236.
4. Жегуло О.А. Представление знаний о методах распараллеливания в экспертной систем поддержки распараллеливания программ // Искусственный интеллект. -2001. - № 3. - С. 323-330.
5. Букатов А. А. Разработка средств непроцедурной реализации распараллеливающих преобразований программ // Труды Всероссийской научной конференции «Фундаментальные и прикладные аспекты разработки больших распределенных программных комплексов». - Абрау-Дюрсо, 1998. - С. 109-115.
6. Нечаев Ю.И. Искусственный интеллект: концепции и приложения. - СПб: ГМТУ, 2002.
7. Поспелов Д. А. Ситуационное управление: теория и практика. - М.: Наука, 1986.288 с.
8. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. - М.: Радио и связь, 2002. - 288 с.
9. Zadeh L. Fuzzy logic, neural networks and soft computing // ^mm^^on on the ASM. - 1994. - Vol. 37. - № 3. - Р. 77-84.
10. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального времени // Труды 5-й Всероссийской научно-технической конференции «Нейроинформатика-2003». Лекции по нейроинформатике. Часть 2.-С.119-179.
11. Четвериков Г.Г., Вечирская И. Д. Формальное описание логического пространства // Искусственный интеллект, Донецк. - 2003. - № 3. - С. 781-789.
12. Ширяев В.И. Управление динамическими системами в условиях неопределенности // Искусственный интеллект, Донецк. - 2003. - № 3. - С. 224-231.
13. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. - М.: Мир, 1992.
- 240 с.
14. Нечаев Ю.И., Петров О.Н. Система поддержки принятия решений на основе нечетких знаний о динамике судна в экстремальных ситуациях // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2005. Санкт-Петербург, 2005. - Т. 2. - С. 66-69.
15. Варламов О. О. Разработка адаптивного механизма логического вывода на эволюционной интерактивной сети гиперправил с мультиактивизаторами, управляемой потоком данных // Искусственный интеллект, Донецк. - 2002. - № 3.-С. 363-370.
16. Литвинская О. С. Функция выбора решения задачи обоснования средства реализации алгоритмов в информационных системах // Сборник докладов 4-й Всероссийской научно-технической конференции «Управление и информационные технологии УИТ-2006». - Санкт-Петербург, 2006. - С. 162-164.
17. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - М.: Питер, 2000. - 384 с.
18. Виссия Х., Краснопрошин В.В.. Вальвачев А.Н. Технология выполнения 1Т-проектов коллективами распределенных исполнителей // Искусственный интеллект, Донецк. - 2008. - № 3.- С. 63-69.
19. Девятков В.В. Онтологии в проектировании систем // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-99. - Санкт-Петербург, 1999. - Т. 2. - С. 137-140.
20. Прокопчук Ю.А, Метод предельных обобщений и эффективный принцип работы вычислительного интеллекта // Искусственный интеллект, Донецк. - 2008. - № 3.
- С. 727-736.
21. Майерс Г. Архитектура современных ЭВМ. - М.: Мир, 1985. - 364 с.
22. Царев И.В. ЯРД - язык сетевого программирования в распределенных вычислительных системах с динамической архитектурой // Искусственный интеллект, Донецк. - 2008. - № 3. - С. 761-770.
23. Нариньяни А. С. Недоопределенность в системах представления и обработки знаний // Изв. АН ССР. Техническая кибернетика. - 1986. - №5. - С. 3-28.
24. Растригин Л.А. Адаптация сложных систем. - Рига: Зинатие, 1981. - 375 с.
25. Хорошевский В.Г. Архитектура вычислительных систем. - М.: МГТУ им. Н.Э. Баумана, 2005. - 512 с.
26. Groppen V.O. Smart computing principles. Models and algorithms // Proceedings of the 5-th conference on evolutionary methods of design, optimization and control with applications to industrial and social problems. - Spain, Barselona, 2003. - Р. 133-134.
27. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы применения // Новости искусственного интеллекта. - 1996. - № 1.
28. Вовк С.П. Разработка технологии нечеткого моделирования ситуаций принятия решений в частично формализуемых средах // Программные продукты и системы. - 2004. - № 3. - С. 16-22.
29. Шаталов А.С. Отображение процессов управления в пространство состояний. -М.: Энергоатомиздат, 1986. - 256 с.
30. Миркин Б.Г. Проблема группового выбора. - М.: Наука, 1974. - 256 с.
31. Saaty T.L. Exploring the interface between hierarchies, multiple objectives and fuzzy sets // Fuzzy sets and systems. - 1978. - Р. 67-68.
32. The security architecture for open GRID services / Nagaratnam N., Janson P., Dayka J. and all. - IBM Corporation, 2003. - 74 p.
33. Foster I., Kesselman C., Nick J., Tuecke S. The physiology of the GRID: open GRID services architecture for distributed systems integration. - Springer Verlag, 2002. -31 p.
34. Charabarty A. GRID computing security // International workshop Advanced computing and commutations ADCOM. - Ahmedabad (INDIA), 2004. - 12 p.
35. Security for GRID services / Welch V., Siebenlist F., Foster I and al. // 12-th International sy on high performance distributed computing (HPDC-12). - IEEE Press, 2003.
36. Мухин В.Е. Средства защиты GRID-систем на основе дифференцирования уровня доверия к узлам системы // Искусственный интеллект, Донецк. - 2003. - № 3.-
С. 44-59.
С.187-196.
Нечаев Юрий Иванович
Санкт-Петербургский морской технический университет, д.т.н., профессор, petr_oleg@mail.ru
Бухановский Александр Валерьевич
Санкт-Петербургский государственный университет информационных технологий, механики и
оптики,
д.т.н.,
профессор,
boukhanovsky@mail.ifmo.ru
Васильев Владимир Николаевич
Санкт-Петербургский государственный университет информационных технологий, механики и оптики, ректор, д.т.н., профессор, vasilev@mail.ifmo.ru
