CC BY
70
УДК 519.216
Вестник СибГАУ Том 17, № 3. С. 602-610
МОДЕЛИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ РЕСУРСАМИ ГЕТЕРОГЕННОЙ РАСПРЕДЕЛЕННОЙ СИСТЕМЫ ОБРАБОТКИ ИНФОРМАЦИИ НА ОСНОВЕ МУЛЬТИАГЕНТНОГО ПОДХОДА
Г. А. Онтужева1, О. А. Антамошкин1'2*
1 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
2Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 E-mail: oleslav24@gmail.com
Рассмотрено структурное моделирование системы управления ресурсами гетерогенной распределенной системы обработки информации на основе мультиагентного подхода проектирования распределенных информационных систем. Обосновывается актуальность задачи для процесса принятия решений. Описываются основные сложности, возникающие при принятии обоснованных и своевременных решений при прогнозировании и ликвидации последствий ЧС в масштабах Российской Федерации. Формируется цель исследования и описываются решения задач, необходимых для ее достижения. Начиная с описания отличительных черт единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций, авторы приходят к выводу о том, что данная система вписывается в общепризнанную концепцию гетерогенной распределенной системы обработки информации. Обосновывается мультиагентный подход к построению системы управления ресурсами гетерогенной распределенной системы обработки информации как наименее затратной финансово и удовлетворяющей необходимым критериям. Дается полное описание уровней построенной модели, таких как уровень интеллектуальных агентов, уровень агентов вычислительного оборудования, уровень управления маршрутом. Представлена структурная модель. Описана структура системы. Подробно рассмотрена типовая функциональность следующих агентов: агент управления программными компонентами, агент мониторинга нагрузки вычислительного узла, агент мониторинга каналов связи, агент передачи данных, агент распределения нагрузки, агент прогнозирования утилизации каналов связи, реактивный агент источников первичных данных. В заключение рассмотрены возможности дальнейшего развития модели, а также сделан вывод о необходимости ее алгоритмизации для проведения практической апробации и внедрения в практику.
Ключевые слова: моделирование, гетерогенные системы обработки информации, мультиагентые системы
Sibirskii Gosudarstvennyi Aerokosmicheskii Universitet imeni Akademika M. F. Reshetneva. Vestnik Vol. 17, No. 3, P. 602-610
MODELING OF RESOURCES MANAGEMENT SYSTEM OF HETEROGENEOUS DISTRIBUTION SYSTEM OF INFORMATION PROCESSING ON THE BASIS OF MULTIAGENT APPROACH
G. A. Ontuzheva1, O. A. Antamoshkin12*
:Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation 2Siberian Fereral University 79, Svobodniy Av., Krasnoyarsk, 660041, Russian Federation *E-mail: оleslav24@gmail.com
The article is devoted to the structural modeling of resource management of heterogeneous distribution systems of information processing based on multi-agent approach of the design of distributed information systems. In the introduction of the article the urgency of the problem for the decision-making process is proved. We describe the main difficulties encountered when we make informed and timely decisions at forecasting and disaster management on the scale of the Russian Federation. Further objective of the study is formed, and the tasks required to achieve it are described. Starting with a description of the distinguishing features of the unified state system of prevention and liquidation of emergency situations of the Russian Emergencies Ministry, the authors come to the conclusion that the system fits the generally accepted concept of heterogeneous distributed information processing system. Below, the construction of multi-agent approach to resource management of heterogeneous distributed information processing system as the least costly financially, and meets the necessary criteria is justified. In the body of the article a complete
description of levels built models such as the - level of intelligent agents, the level of computer equipment agents, route management level is given. The structure of the system is described. The article details the typical functionality of the following: a software component management agent compute node load monitoring agent and monitoring agent communication channels, data transfer agent, load balancing agent, agent utilization of communication channels forecasting reactive agent of the primary data sources. At the end of the work the possibilities offurther development of the model, as well as the conclusion about the necessity of its algorithmization for practical testing and implementation in practice are considered.
Keywords: modeling, heterogeneous data processing systems, multi-agent systems.
Введение. Процесс принятия решений не может осуществляться без наличия необходимой информации. Объем информации, поступившей лицу, принимающему решения (ЛПР), может быть значительным, что замедляет этот процесс. В некоторых ситуациях решение необходимо принять в кратчайший срок, например, при предупреждении и ликвидации последствий чрезвычайных ситуаций (ЧС). Поэтому целесообразно максимально автоматизировать предварительную обработку информации, что позволит ЛПР оперировать данными с большим уровнем абстракции и ускорит процесс принятия решения. При этом предметная область, связанная с предупреждением и ликвидацией последствий ЧС, накладывает дополнительные ограничения, связанные с необходимостью повышенной надежности вычислительной системы, в том числе подсистемы оптимизации распределения ресурсов вычислительной сети.
В качестве источника уже обработанной информации могут использоваться результаты вычислений (модели, слои ГИС и т. д.), выполненные в территориально распределенной многоуровневой системе обработки информации, отдельные узлы которой представляют собой либо источники первичных данных различной природы, либо узлы обработки данных, имеющие необходимые вычислительные ресурсы для обработки первичных данных и их преобразования в удобную для ЛПР форму. Несмотря на то, что вычислительная мощность и пропускная способность таких сетей постоянно растет, неравномерное распределение нагрузки и появление перегруженных участков влечет за собой задержки в получении информации конечным потребителем.
Целью данной работы является структурное моделирование системы управления ресурсами гетерогенной распределенной системы обработки информации (ГРСОИ).
В качестве примера такой системы рассматривается единая государственная система предупреждения и ликвидации чрезвычайных ситуаций МЧС России (РСЧС).
Особенности РСЧС. Основными отличительными чертами РСЧС являются распределенность, которая на организационном уровне сочетается с различным ведомственным подчинением составных частей, взаимодействие с которыми формализовано в нормативно-правовых актах, а с технической точки зрения -гетерогенность ее компонентов. В системе можно выделить несколько автономных подсистем, а также иерархическую структуру, соответствующую организационному разделению межведомственных, ведомственных и территориальных систем.
Основным назначением РСЧС является информационное обеспечение поддержки принятия решений и исполнения функциональных задач управления, решаемых должностными лицами в автоматизированном режиме. Данные задачи и решения принимаются на различных уровнях управления, поэтому отдельным лицам, принимающим решения, могут быть необходимы как данные по конкретной территории, так и их агрегация на федеральном уровне. Данная особенность оказывает непосредственное влияние на решение задач маршрутизации данных и распределения ресурсов, так как необходимо учитывать ситуации, когда информация должны быть обработана и предоставлена должностным лицам на различных организационных уровнях.
Сфера применения РСЧС, ее социальная и стратегическая значимость накладывают определенные требования на систему обработки информации, и, в первую очередь, это требования повышенной живучести и надежности, минимизация задержек при передаче информации, безотказность при ее передаче и обработке. Поэтому при решении задачи управления ресурсами вычислительной сети необходимо большое внимание уделять надежности передачи данных по сети связи и минимизации времени расчетов и доставки их результатов пользователю.
Сравнительный анализ основных типов агент-ных моделей. Можно считать устоявшейся традицию выделения трёх базовых классов архитектур агентных систем [1-4] и соответствующих им моделей интеллектуальных агентов:
- делиберативные архитектуры и модели (deliberative architectures);
- реактивные архитектуры и модели (reactive architectures);
- гибридные архитектуры и модели (hybrid architecture).
Термин «делиберативный агент» (deliberate agent) был введён в работе [5]. Делиберативную архитектуру принято определять как архитектуру агентов, содержащих точную символическую модель мира и принимающих решения на основе логического вывода [1; 2; 5]. Теоретическим основанием для построения моделей делиберативных агентов послужила гипотеза физических символьных систем, сформулированная Ныовел-лом и Саймоном [6]. Физическая символьная система по определению должна быть физически реализуемым множеством физических сущностей или символов, которые комбинируются в определенные структуры и способны запускать процессы, оперирующие на этих символах в соответствии с символически закодированными множествами инструкций. Данная
гипотеза постулирует утверждение о том, что такая система способна на интеллектуальное поведение в достаточно общем понимании этого термина. Согласно трактовке M. R. Gencsereth делиберативный агент должен обладать следующими свойствами:
- содержать эксплицитно представленную базу знаний, заполненную формулами в некотором логическом языке, представляющую его убеждения;
- функционировать в следующем цикле: восприятие обстановки (обсервация) - логический вывод -действие ... ;
- принимать решения о действиях на основе некоторых форм логического вывода.
Основы строгой формализации знаний и действий делиберативного агента заложены Куртом Конолиге (Kurt Konolige) в работе [7].
Он предложил иерархический метаязык для описания и логического вывода на знаниях и действиях вычислительных агентов. Предполагается, что объектный язык есть стандартный язык первого порядка, а для каждого примитивного выражения объектного языка е предполагается существование соответствующего терма еУ в метаязыке. Термы метаязыка, обозначающие составные формулы объектного языка, конструируются с использованием метаязыковых функций and, or, not и т. д.
Для обозначения того, что формула объектного языка отражает истинное состояние мира, К. Коноли-ге использует истинностный предикат метауровнево-го языка TRUE, приписывая ему следующие аксиомы: Vf • -.TRUE (f ) ^ TRUE (not (f ))
Vf • Vg • -TRUE (f ) VTRUE (g) ^ TRUE (or (f,g)) etc.
К. Конолиге использует синтаксический подход для описания убеждений агентов: каждому агенту назначается множество формул объектного языка (теория данного агента) и убеждения 0, если 0 являются доказуемыми в этой теории. Функция метауровневого языка th задается на множестве термов, определяющих агентов, и возвращает множество формул объектного языка, представляющих теорию агента. Предикат метаязыка FACT(t,f) говорит о том, что f принадлежит теории t. Общий факт есть формула, истинная для всех агентных теорий:
Vf • CFACT (f ) ^ Va • FACT (th (a)), f & TRUE (f ).
Далее вводится бинарный предикат доказуемости PR, использующий в качестве аргументов теорию и формулу. Система аксиом для этого предиката использует аксиоматику объектного языка и поэтому включает такие правила, как модус поненс, рефлексивность и т. д.:
Vt •Vf •Vg• PR(t,imp(f,g))&PR(t,fPR(t,g)
Vt Vf • PR (t,f PR(t,f ) etc.
Убеждения определяются через предикат метаязыка, связывающий агента и формулу объектного языка:
Va• Vf • BEL(a,f) ^ PR(th(a),f).
Знание определяется как истинное убеждение.
Далее К. Конолиге расширяет свою модель в трех направлениях:
- вводит функцию стандартных имен п и денотационную функцию А для упрощения некоторых синтаксических проблем, связанных с метаязыком;
- вводит вложенные убеждения (т. е. убеждения об убеждениях), расширяя двухязыковую иерархию в трехязыковую иерархию;
- вводит ситуации (в смысле ситуационного исчисления) в область метаязыка для выводов об изменяющемся мире.
Основные проблемы, выявленные в данной модели, состоят в том, что трехуровневая иерархия устанавливается ad hoc, т. е. произволом автора; с вычислительной точки зрения модель Конолиге представляется неуправляемой из-за наличия метауровней; некоторые аксиомы, предложенные для общих фактов, оказались неверными.
Тем не менее, работы К. Конолиге послужили стимулом для последующего развития моделей дели-беративных агентов в трудах М. J. Wooldridge, N. R. Jennings, М. D'Inverno, D. Kinny, M. Luck, В. van Linder, W. van der Hoek, J.-J Ch. Meyer [8-12].
Согласно [8] интеллектуальный агент определяется как структура (A_0,p,ß,l,MR,AR), где Д _0 e Belset -
начальное множество убеждений; р ç Drule - множество правил вывода для L; ße Bref - функция ревизии убеждений; l e Mes sint - функция интерпретации сообщений; MR ç Mrule - множество правил сообщений; AR ç Arule - множество правил действий; L - внутренний логический язык.
Поведение агента определяется базовым циклом, включающим следующие шаги:
- интерпретация любых принятых сообщений;
- изменение убеждений через обработку эписте-мических входов с учетом предыдущих действий и интерпретации сообщений через функцию ревизии убеждений;
- построение дедуктивного замыкания множества убеждений; извлечение множества возможных сообщений, выбор одного из возможных и отправка его получателю;
- извлечение множества возможных действий, выбор одного из них и выполнение этого действия;
- возврат к шагу 1.
В формализованном виде функционирование агента представляется следующими выражениями: Belset=powerset Form(L) Close_Belset*powerset Drule^-Belset Epin=powerset Form(L) Brf=Belset*powerset Epin^Belset Action=Belset^Epin Cond=Form(L) u {true} Arule=CondxAction Mrule=Cond*Mess
Несмотря на то, что в последнее десятилетие было предложено несколько архитектур для делибератив-ных агентов, большинство их них развертывались только в ограниченных искусственных средах, очень немногие были применены для решения реальных
задач, и совсем ничтожное количество доведено до стадии реальных корпоративных приложений, отлаженных на конкретной предметной области. Одной из таких архитектур является Multi-Agent Reasoning System (dMARS), основанная на более ранней системе Procedural Reasoning System (PRS) и использующая концептуальную основу BDI-модели практического вывода.
В работе [13] А. С. Рао и М. П. Георгиев дали абстрактную спецификацию модели делиберативного агента и предложили расширения, которые могли бы удовлетворять различным возможным аксиомам BDI-теории. Однако данная спецификация является высокоуровневой абстракцией и не допускает непосредственной технической реализации.
Известна формализация делиберативного агента средствами языка AgentS-peak(L), разработанного А. С. Рао [14]. Этот язык является языком программирования, основанным на абстракции PRS-архитектуры. Далее М. D'Inveno и M. Luck построили формальную спецификацию AgentSpeak(L) [15], которая переопределяет оригинальное описание А. С. Рао в терминах состояний и операций над состояниями, позволяя перейти к реализации такой модели.
В последующих работах [9; 10] предложена развернутая формальная модель делиберативной архитектуры dMARS, использующая язык Z. Z является модельно-ориентированным языком формальных спецификаций, основанным на теории множеств и логике первого порядка. Ключевыми компонентами Z-специ-фикации являются пространство состояний системы и множество возможных операций, переводящих одно состояние в другое.
Модели агентов в PRS и dMARS являются примерами наиболее популярной в настоящее время парадигмы, известной как BDI-подход [13]. BDI-архитек-тура, как правило, содержит 4 ключевых структуры данных: убеждения, цели, намерения и библиотеку планов.
Агентные убеждения соответствуют информации агента о мире и могут быть неполными и некорректными. Обычно агенты в BDI-модели хранят убеждения в символьной форме, подобно фактам в языке Prolog. Желания агентов (или цели) интуитивно соответствуют задачам, назначенным данным агентам. Для действующих BDI-агентов требуется, чтобы желания были логические, непротиворечивы, хотя человеческие желания часто этому требованию не соответствуют. Агенты не могут, в общем случае, достичь всех своих желаний, даже если эти желания непротиворечивы. Агенты должны зафиксировать некоторое множество достижимых желаний и передать ресурсы для их достижения. Эти выбранные желания являются намерениями, и агент будет стремиться достигнуть намерения до тех пор, пока его убеждения соответствуют желанию либо желание при данных убеждениях не является более достижимым.
Каждый агент в dMARS имеет библиотеку планов, определяющих варианты возможных действий, которые могут быть предприняты агентом для достижения его намерений. Планы, таким образом, реализуют процедурные знания агента. Каждый план содержит
несколько компонентов. Триггер или условие вызова определяет обстоятельства (обычно в терминах событий), при которых план должен рассматриваться как возможный для применения. План имеет контекст или предусловия, определяющие обстоятельства, при которых выполнение плана может начаться. План может иметь также главное условие, которое должно быть истинным во время выполнения плана. План также имеет тело, которое может содержать цели (подцели) и примитивные действия (могут быть процедурными вызовами).
События, воспринимаемые агентом, помещаются в очередь событий. Внутренний интерпретатор агента отвечает за его поведение и непрерывно выполняет следующий цикл:
1) обозревает мультиагентный мир и внутреннее состояние агента и изменяет очередь событий;
2) генерирует новые возможные желания (задачи), находя те планы, чьи триггеры событий включены;
3) выбирает из этого множества включенных планов один для выполнения;
4) помещает желаемое значение в существующий или новый стек, в соответствии с тем, имеется или нет подцель;
5) выбирает стек намерений, читает план, находящийся в вершине стека, и выполняет следующий шаг из этого плана; если шаг есть действие - выполняет его, если это подцель - посылает эту подцель в очередь событий;
6) возврат к шагу 1.
Шаг 5 этого цикла реализует способ выполнения плана, когда подцель помещается в очередь событий, что вызывает активизацию очередного плана, и т. д.
Содержательно модель агента в dMARS представляет собой ситуационную формальную систему.
Развитие моделей делиберативных агентов идет по пути попыток формализации новых и новых мотива-ционных свойств отношений в комбинации с поведением и действиями агентов [10]. Такой подход приводит к созданию абстрактных логических моделей, претендующих на строгое формальное описание всех релевантных свойств рациональных агентов в целях анализа, спецификации и верификации MAC.
Одной из наиболее разработанных моделей такого типа является модель, предложенная в работах Линдера, Хоека, Мейера (В. van Linder, W. van der Hoek, J.-J. Ch. Meyer) [11; 12; 16-18].
Главное свойство делиберативного агента, которое рассматривают эти ученые, - знание. В представлении знаний ими используется общий подход эпистемиче-ской логики, при котором формула K_i у означает тот факт, что агент i знает у. Формула интерпретируется в стиле семантики возможных миров Крипке. В данной модели выделяются два уровня свойств: уровень утверждений, где рассматриваются предпочтения и цели, и практический уровень, где определяются обязательства. В аспекте действий агента исследуются результаты, способности и возможности. Авторами проводятся достаточно тонкие различия между этими терминами: способности агента выражают его ментальные и физические мощности, моральные характеристики, человеческие и физические возможности, в то время как возможность выполнения действий
описывается в терминах возможности по обстоятельствам (circumstantial possibility) [19].
РСЧС, как было указано выше, является гетерогенной и состоит из множества различных аппаратных и программных модулей, взаимодействие которых без дополнительных программ-посредников не всегда возможно. Уже сформированные информационные потоки также являются разнородными. В данных условиях представляется целесообразным применение агентного подхода, так как в этом случае для каждого автономного объекта системы, например источника первичных данных, можно создать реактивного агента, который будет представлять его как информационную сущность в системе распределения ресурсов и обеспечивать обмен информацией с другими объектами системы. Более высокоуровневые задачи, такие как задачи оптимизации нагрузки в вычислительной сети и построения вероятностного графа каналов, решаются путем создания интеллектуальных агентов с соответствующими целями. Размещение интеллектуальных управляющих агентов не на всех вычислительных узлах ГРСОИ решает возможные проблемы, связанные с различной ведомственной подчиненностью частей системы.
Таким образом, для решения задачи управления ресурсами ГРСОИ целесообразно создание на ее базе мультиагентой системы, т. е. «совокупности взаимосвязанных агентов, как программных, так и аппаратных, способных взаимодействовать друг с другом и окружающей средой, обладающих определенными интеллектуальными способностями и возможностью индивидуальных и совместных действий» [20].
Объединение ресурсов системы при помощи агентов и создание на их основе единой мультиагентной сети позволит объединить разнородные информационные потоки в единое пространство, что открывает возможности для ее дальнейшего совершенствования, добавления новых функций помимо собственно задачи управления ресурсами.
Далее в настоящей работе будет предложена структурная модель данной мультиагентной сети для решения задачи распределения ресурсов ГРСОИ.
Уровни структурной модели. Моделируемую систему можно разделить на несколько уровней, самым низким из которых будет являться уровень неинтеллектуальных реактивных агентов, каждый из которых отвечает за запрос, получение и направление в общий информационный поток данных из источников первичных данных (датчиков внешней среды). Реактивность, согласно [20], это «способность адаптированно воспринимать состояние внешней среды (среды функционирования и множества других агентов) и своевременно реагировать на происходящие изменения». Реакция на изменения внешней среды в данном случае проявляется как возможность инициировать процесс обработки данных и оповещать ЛПР в случае, если показания источника данных достигли заданных критических значений. Также реактивный агент должен иметь возможность передавать показания источника первичных данных по запросу в случае, если его показания нужны для расчетов,
запущенных другими агентами, либо для периодической фиксации статистических данных.
В качестве информации для принятия решения при ЧС необходимы не только информация об объектах, но и рассчитанные прогнозы развития ситуации, которые позволяют повысить эффективность принимаемого решения. Поэтому в анализируемой системе реализовано множество расчетных программных компонентов, в том числе стратегических, тактических, оперативных и математических моделей. Это позволяет просмотреть различные варианты развития ЧС в зависимости от изменения обстановки в зоне ЧС, проанализировать последствия ЧС, смоделировать результаты реагирования на ЧС и т. п. [21]. Данные программные компоненты находятся на различном серверном оборудовании, позволяющем производить данные расчеты, набор программных компонентов зависит от набора установленного программного обеспечения и его настройки. Агенты управления программными компонентами и каналами связи, а также агенты передачи данных находятся на каждом ВУ, вместе они образуют уровень агентов вычислительного оборудования в структурной модели сети (см. рисунок). Здесь и далее под вычислительным узлом понимается совокупность программных и аппаратных компонентов сервера.
Следующий уровень модели представляют интеллектуальные управляющие агенты, которые в целях стандартизации и унификации, а также в силу низкой загрузки узлов размещаются на коммуникационном оборудовании сети [22; 23]. Именно на этом уровне можно расположить управляющих агентов, которые будут непосредственно решать поставленную ранее задачу управления распределением ресурсов ГРСОИ. Данный уровень можно назвать уровнем управления маршрутом, так как ключевые вычисления будут выполняться именно здесь.
Таким образом, рассматриваемая система имеет следующую структуру:
1. Уровень вычислительных узлов:
1) агент управления программными компонентами;
2) агент мониторинга нагрузки ВУ;
3) агенты мониторинга каналов связи;
4) агенты передачи данных.
2. Уровень управления маршрутом:
1) агент распределения нагрузки;
2) агент прогнозирования утилизации каналов связи;
3) агент интеллектуального анализа данных (необязательный компонент);
4) обучаемый агент распределения нагрузки (необязательный компонент).
3. Реактивные агенты источников первичных данных.
Рассмотрим подробнее функциональность агентов различных типов в модели.
Агент управления программными компонентами. Агенты управления программными компонентами (АУПК) располагаются на вычислительных узлах (ВУ) сети и отвечают за управление установленными программными компонентами и является посредником при информационном обмене между программным компонентом и остальными элементами сети.
Структурная модель системы управления ресурсами ГРСОИ
Каждый агент данного класса соответствует конкретному программному компоненту и располагается с ним на одном оборудовании. Таким образом, на одном ВУ может быть несколько АУПК по числу программных компонентов, как показано на рисунке. Хотя агенты данного класса будут отличаться в зависимости от типа связанного с ними программного обеспечения, можно выделить их типовые характеристики. Каждый АУПК определяется уникальным идентификатором программного компонента в сети, хранит конфигурационную информацию для доступа к нему, при необходимости «знает» язык АР1-компонента, а также обладает информацией о том, какие именно входные данные нужны для того, чтобы провести вычисления при помощи данного программного компонента.
Каждый агент класса АУПК должен обладать следующими функциями:
- проверка полноты предоставленных данных;
- запуск расчета в программном компоненте по предоставленным данным;
- отправка результата расчета агенту передачи данных.
В качестве входных данных для АУПК выступают запрос на выполнение расчета и входные данные для расчета.
Агент мониторинга нагрузки ВУ. На каждом ВУ расположен также агент мониторинга нагрузки, целью которого является управление утилизацией нагрузки ВУ. Данный агент определяет степень загруженности ВУ, возможность и необходимость проведения на нем дополнительных расчетов, а также отвечает за резервирование нагрузки в реальном времени в процессе расчетов. Агенты данного класса
оперируют статистическими данными об использовании вычислительных ресурсов в разрезе программных компонентов. При помощи данного агента можно задать минимальное пороговое значение нагрузки, по достижении которого целесообразно оповестить других агентов системы о свободных мощностях. Агент мониторинга нагрузки ВУ также может содержать данные о максимальном проценте загрузки, который позволяет часть ресурса оставить для задач других пользователей, не связанных с рассматриваемой ГРСОИ. Это может быть необходимо, так как ГРСОИ является межведомственной. Так как агент мониторинга нагрузки управляет резервированием вычислительных ресурсов, данные о зарезервированном ресурсе также хранятся в нем.
Каждый агент данного класса обладает следующими функциями:
- оценка того, возможно ли выполнение запрошенного извне расчета при текущей загрузке;
- резервирование мощностей по запросу;
- сброс резерва по таймеру или по запросу, что необходимо в случае, если маршрут вычислений был изменен в процессе выполнения расчета или случился отказ в обслуживании;
- отправка уведомления о свободных ресурсах управляющему агенту при загрузке менее минимального порога и запрос на его отмену при возрастании нагрузки;
- отправка состояния текущих расчетов по запросу других агентов.
Информацией внешней среды для данного класса агентов являются запросы о возможности расчета определенной модели.
Агенты мониторинга каналов связи. Следующим классом агентов, располагающихся на ВУ, являются агенты мониторинга каналов связи, отвечающие за проверку качества связи с устройствами в сети. Данный агент имеет в своем распоряжении следующую информацию: список опрашиваемых устройств, типы коммуникационных каналов между ними и расписание периодического мониторинга для сбора статистических данных. Данные агенты обладают двумя основными функциями:
- опрос сети по запросу или расписанию;
- отправка статистики агенту прогнозирования утилизации каналов связи.
Внешними данными для агента мониторинга каналов связи является запрос на сканирование сети.
Агенты передачи данных. Последний тип агентов, располагающихся на уровне ВУ, - это агент передачи данных, который являются связующим звеном между остальными агентами узла и внешними информационными потоками системы управления ресурсами ГРСОИ. Он обладает общими данными о ВУ, такими как адрес, список программных компонентов, ведомственная подчиненность и др.
Каждый агент данного класса должен обладать следующей функциональностью:
- запуск оценки возможности проведения определенного расчета, в том числе проверка наличия требуемых программных компонентов и учет данных о нагрузке и состоянии сети;
- возврат результатов расчета: сам результат вычислений направляется далее по маршруту, а управляющему агенту направляется уведомление об окончании этапа расчета;
- отправка управляющему агенту уведомления о возможности зарезервировать данный узел при наличии свободных мощностей и стабильной связи.
В качестве входных данных агенты передачи данных принимают запрос на выполнение расчета, включающий идентификатор необходимого программного компонента.
Агент распределения нагрузки. Рассмотрим уровень управления маршрутом. Основную роль в решении поставленной задачи играет управляющий интеллектуальный агент распределения нагрузки (управляющий агент). Данный агент оперирует знаниями о карте сети, т. е. обо всех ВУ и доступных на них расчетных программных компонентах, метаинформа-цией о последовательности сеанса обработки информации для различных ситуаций, массивами идентификаторов программных компонентов и массивом источников данных, необходимых для расчетов.
Управляющие агенты реализуют следующие основные функции:
- формирование последовательности расчетов в сеансе обработки информации в случае получения тревожного сигнала от реактивного агента источника первичных данных либо по запросу ЛПР;
- выбор «ближайших» по времени передачи данных ВУ по наличию нужных программных компонентов с учетом списка «незагруженных» ВУ;
- опрос ВУ на наличие мощностей для расчета;
- получение вероятностного графа каналов связи;
- построение маршрута вычислений на основании вероятностного графа каналов связи и результатов опроса на наличие вычислительных мощностей в случае мультиверсионной реализации данного агента; в рамках данной функции должен быть предусмотрен выбор маршрута из вариантов, предложенных разными версиями агента;
- рассылка запросов на резервирование мощностей по маршруту вычислений;
- запрос необходимых сведений при недостатке входных данных для расчета;
- отправка данных для расчета на модель;
- отслеживание выполнения: если по истечении расчетного времени не получено уведомление о выполнении расчета, опросить соответствующий вычислительный узел; в случае ошибки необходимо пересчитать маршрут и запустить его заново с текущего шага;
- ведение списка «незагруженных» ВУ - их добавление и удаление по уведомлениям агентов передачи данных;
- сохранение статистических данных о выбранном маршруте, модели принятия решения и суммарном времени исполнения расчета.
В качестве информации из внешней среды для агента распределения нагрузки можно назвать запрос на расчет от ЛПР или от реактивного агента источника первичных данных, данные с источников первичных данных, уведомления о выполнении этапов расчета, уведомления о «незагруженных» узлах от агентов передачи данных.
Агент прогнозирования утилизации каналов связи. Для решения задачи маршрутизации необходимы знания о каналах связи в сети, их загруженности и надежности. Работу с этой информацией и построение общего графа сети осуществляет на уровне управления маршрутом агент прогнозирования утилизации каналов, который собирает и управляет статистикой по доступности и надежности канала и запускает тестовый обмен пакетами в реальном времени по запросу других агентов. Агенты этого класса хранят статистические данные по загрузке и надежности каналов связи по типам канала, дням недели и часам и на основе этих данных строят общий вероятностный граф сети.
Агенты прогнозирования утилизации каналов реализуют следующие функции:
- сбор и обработка статистических данных по каналам связи;
- расчет вероятной скорости и надежности передачи данных с учетом статистики и данных, полученных в реальном времени;
- передача текущего вероятностного графа управляющему агенту по запросу.
Реактивные агенты источников первичных данных. Как было указано ранее, уровень неинтеллектуальных реактивных агентов составляют реактивные агенты источников первичных данных, которые реализуют опрос источника первичных данных
по таймеру или запросу управляющего агента, а также направляют управляющему агенту уведомление о достижении критического значения и необходимости провести соответствующие расчеты.
Возможности дальнейшего развития модели. Описанные агенты являются необходимыми элементами модели системы управления ресурсами ГРСОИ. Но их реализация и накопление данных по работе системы маршрутизации открывают возможности для экспериментов и совершенствования системы. Одной из них является создание агента интеллектуального анализа данных для совершенствования модели принятия решений управляющими агентами на основе мультиверсионного подхода, а также применение методов параллельной обработки данных.
Цель агента интеллектуального анализа данных -оптимизация модели принятия решения системы управления ресурсами, локализованной в модели принятия решения агента распределения нагрузки. Целевой функцией является суммарное время сеанса обработки данных от запроса на обработку до получения данных ЛПР. Данный агент оперирует статистическими данными по всем пройденным маршрутам, примененным моделям принятия решения и фактическому времени полного сеанса обработки данных и его соотношению с прогнозируемым временем расчета моделей. Данная статистика обрабатывается агентом интеллектуального анализа данных при помощи методов интеллектуального анализа данных, например в нейронной сети, или с помощью генетического алгоритма. Если по результатам работы с тестовой выборкой скорректированная модель принятия решения дает лучший результат, данная модель применяется к обучаемому агенту распределения нагрузки, который является версией управляющего агента, имеющей параметры принятия решения, установленные интеллектуальным агентом. Данный агент строит маршрут наравне с агентом распределения нагрузки, имеющим эталонные параметры, установленные разработчиками, далее из этих маршрутов выбирается оптимальный.
Заключение. Разработанная модель системы управления ресурсами территориально распределенной многоуровневой гетерогенной системы обработки информации основана на мультиагентном подходе, имеет 3 программно-аппаратных уровня и является фундаментом для дальнейшего алгоритмического описания поведения агентов, проведения имитационного моделирования и программной реализации описанных агентов.
Библиографические ссылки
1. Тарасов В. Б. От ИИ к ИЖ: новые направления в науках об искусственном // Новости искусственного интеллекта. 1995. № 4. С. 93-117.
2. Тарасов В. Б. Новые стратегии реорганизации и автоматизации предприятий: на пути к интеллектуальным предприятиям // Новости искусственного интеллекта. 1996. № 4. С. 40-84.
3. Jennings N. R., Sycara K. P., Wooldridge M. A roadmap for agent research and development // Journal
of Autonomous Agents and Multi-Agent Systems. 1998. № 1(1). P. 7-36.
4. Антамошкин О. А. Проектирование высоконадежных систем реального времени // Труды МАИ. 2011. № 45. С. 61.
5. Genesereth М. R., Nilsson N. Logical Foundations of Artificial Intelligence. Los Altos : Morgan Kaufmann, 1987. 405 p.
6. Emerson E. A., Shrinivanas J. Branching time logic: REX School-Workshop on Linear Time, Branching Time and Parial Order in Logics and Models for Concurrency (LNCS Vol. 354) / Ed. by J. W. de Bakker, W. P. de Roever, G. Rosenberg. Heidelberg : Springer Verlag, 1988. P. 123-172.
7. Konolige K. A first-order formalization of knowledge find action for multi-agent planning system -Machine Intelligence 10 / Ed. by J. E. Hayes, D. Michie, Y. Pao Chichester. Ellis Horwood, 1982. P. 41-72.
8. Wooldridge M. The Logical Modelling of Computational Multi-Agent Systems: Ph. D. thesis. UMIST. Manchester, 1992. 153 p.
9. A Formal Specification of dMARS // Intelligent Agents IV. Lectures Notes in AL Vol. 1365 / M. D'Inverno [et al.] ; Ed. by M. P. Sigh, A. S. Rao. Springer Verlag, 1998. P. 58-70.
10. Wooldridge M., Wiley John and Sons. An Introduction to Multi-Agent Systems. 2002. 376 p.
11. Van Linder B., van der Hoek W., Meyer J-J. Ch. Formalising Motivational Attitudes of Agents. On Preferences, Goals and Commitments // Intelligent Agents IL Agent Theories, Architectures and Languages. IJCAl 95 Workshop (ATAL) (Montreal, Canada, August 19-20, 1995): Proceedings / Ed. by M. Wooldridge, J. P. Miller, M. Tambe. Berlin : Springer, 1996. P. 17-32.
12. Van Linder B., van der Hoek W., Meyer J-J. Ch. How to motivate your agents // Intelligent Agents II. Agent Theories, Architectures and Languages. IJCAl 95 Workshop (ATAL) (Montreal, Canada, August 19-20, 1995): Proceedings / Ed. by M. Wooldridge, J. P. Muller, M. Tambe. Berlin : Springer, 1996. P. 32-47.
13. Rao A. S., Georgeff M. P. As abstract architecture for rational agents // Proceedings of Knowledge Representation and Reasoning (KR&R - 92) / Ed. by C. Rich, W. Swartout, B. Nebel. 1992. P. 439-449.
14. Rao A. S. Agent Speak(L): BDI agents speak out in logical computable Ianguage // Agents Breaking Away : Proc. of the Seventh European Workshop on Modelling Autonomous Agents in a Multi-Agent World (LNAT Vol 1031) / Ed. by W. van de Velde, J. W. Perram. Heidelberg, Germany : Springer Verlag, 1996. P. 42-55.
15. D'Inverno M., Luck M. A formal specification of Agenl Speak(L) // Journal of Logic and Computation. 2000. V. 13. P. 157-176.
16. Van Linder B., van der Hoek W., Meyer J-J. Ch. The dynamics of default rezoning // Proc. of ECSQ ARU'95, LNCS 946 / Ed. by Froidevaux Kohlas. 1995. P. 277-284.
17. Van Linder B., van der Hoek W., Meyer J-J. Ch. Actions that make you change your mind // Proc. of KI-95, LNCS 9811 / Ed. by Wachsmuth. Rollinger, 1995. P. 185-196.
18. Van Linder B., van der Hoek W., Meyer J-J. Ch. Seeing is believing - and so are hearing and jumping // Proc. of AIIA'95, LNCS 992 / Ed. by Gori, Soda. 1995. P. 402-413.
19. Kenny A. Will, Freedom and Power. Basil Blackwell. Oxford, 1975. 170 p.
20. Швецов А. Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям // Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы». 2008. 101 с.
21. Иванов А. Ю., Алексеева Е. В. Критерии оценки информации для системы поддержки принятия решений в чрезвычайных ситуациях // Вестник Санкт-Петербург. ун-та ГПС МЧС России. 2012. № 4. C. 1-6.
22. Антамошкин О. А. Мультиагентная система автоматизации мониторинга, прогнозирования и управления в чрезвычайных ситуациях. Варна : Парадигма. C. 18-28.
23. Intellectual support system of administrative decisions in the big distributed geoinformation systems / O. Antamoshkin [et al.] // 14th Intern. Multidisciplinary Scientific Geoconference SGEM-2014. GeoConference on Informatics, Geoinformatics and Remote Sensing: Conference Proceedings. 2014. Vol. 1, No. 2. P. 227-233.
References
1. Tarasov V. B. [From artificial intelligence to artificial life: new directions in the artificial sciences]
Novosti iskusstvennogo intellekta. 1995, No. 4, P. 93-117 (In Russ.).
2. Tarasov V. B. [New strategy and reorganization of the automation businesses: Towards Business Intelligence] Novosti iskusstvennogo intellekta. 1996, No. 4, P. 40-84 (In Russ.).
3. Jennings N. R., Sycara K. P., Wooldridge M. A roadmap for agent research and development. Journal of Autonomous Agents and Multi-Agent Systems. 1998, No. 1(1), P. 7-36.
4. Antamoshkin O. A. [Designing highly reliable realtime systems] Trudy MAI. 2011, No. 45, P. 61 (In Russ.).
5. Genesereth М. R., Nilsson N. Logical Foundations of Artificial Intelligence. Los Altos: Morgan Kaufmann, 1987, 405 p.
6. Emerson E. A., Shrinivanas J., W. de Bakker Ed. by J., de Roever W.P., Rosenberg G. Branching time logic: REX School-Workshop on Linear Time, Branching Time and Parial Order in Logics and Models for Concurrency LNCS Vol. 354. Heidelberg, Springer Verlag. 1988. P. 123-172.
7. Konolige K., Hayes Ed. by J. E., Michie D., Pao Chichester Y. A first-order formalization of knowledge find action for multi-agent planning system - Machine Intelligence 10 Ellis Horwood. 1982, P. 41-72.
8. Wooldridge M. The Logical Modelling of Computational Multi-Agent Systems. Ph. D. thesis. UMIST, Manchester, 1992, 153 p.
9. D'Inverno M., Kinny D., Luck M., Wooldridge M., Sigh Ed. by M. P., Rao A. S. A Formal Specification of dMARS Intelligent Agents IV. Lectures Notes in AL Vol. 1365. Springer. Verlag, 1998, P. 58-70.
10. Wooldridge M., Wiley J. and Sons An Introduction to Multi-Agent Systems. 2002, 376 p.
11. Van Linder B., van der Hoek W., Meyer J.-J.; Wooldridge M., Miller J. P., Tambe M. Formalising Motivational Attitudes of Agents. On Preferences, Goals and Commitments Intelligent Agents IL Agent Theories, Architectures and Languages. IJCAl 95 Workshop (ATAL). Montreal. Canada. August 19-20, 1995. Proceedings. Berlin, Springer, 1996, P. 17-32.
12. Van Linder B., van der Hoek W., Meyer J.-J.; Wooldridge Ed. by M., Muller J. P., Tambe M. How to motivate your agents. Intelligent Agents II. Agent Theories, Architectures and Languages. IJCAl 95 Workshop (ATAL). Montreal. Canada. August 19-20, 1995. Proceedings Springer, 1996, P. 32-47.
13. Rao A. S., Georgeff M. P.; Ed. by Rich C., Swartout W., Nebel B. As abstract architecture for rational agents Proceedings of Knowledge Representation and Reasoning (KR&R - 92). 1992, P. 439-449.
14. Rao A. S. Agent Speak(L): BDI agents speak out in logical computable language Agents Breaking Away : Proc. of the Seventh European Workshop; on Modelling Autonomous Agents in a Multi-Agent World (LNAT Vol 1031). Heidelberg, Germany, Springer Verlag, 1996, P. 42-55.
15. D'Inverno M., Luck M. A formal specification of Agenl Speak(L). Journal of Logic and Computation, 2000, Vol. 13, P. 157-176.
16. Van Linder B., van der Hoek W., Meyer J.-J. The dynamics of default rezoning Proc. of ECSQ ARU'95, LNCS 946. 1995. P. 277-284.
17. Van Linder B., van der Hoek W., Meyer J.-J. Actions that make you change your mind. Proc. of KI - 95, LNCS 9811 Rollinger, 1995, P. 185-196.
18. Van Linder B., van der Hoek W., Meyer J.-J. Seeing is believing - and so are hearing and jumping Proc. of AIIA '95, LNCS992. 1995, P. 402-413.
19. Kenny A. Will, Freedom and Power. Basil Blackwell. Oxford, 1975, 170 p.
20. Shvetsov A. N. [Agent-oriented systems: from formal models for industrial applications] Vserossiyskiy konkursnyy otbor obzorno-analiticheskikh statey po prioritetnomu napravleniyu "Informatsionno-telekom-munikatsionnye sistemy". 2008, 101 p. (In Russ.).
21. Ivanov A. Yu., Alekseeva E. V. [Criteria for evaluating information systems to support decision-making in emergency situations] Vestnik Sankt-Peterburgskogo Universiteta GPS MChS Rossii. 2012, No. 4, P. 1-6 (In Russ.).
22. Antamoshkin O. A. [Multi-agent monitoring automation system, forecasting and emergency management] Varna: Tsent"r Za Nauchni Izsledvaniya I Informatsiya "Paradigma", P. 18-28 (In Russ.).
23. Antamoshkin O., Kukarcev V., Pupkov A., Tsarev R. Intellectual support system of administrative decisions in the big distributed geoinformation systems 14th International Multidisciplinary Scientific Geocon-ference SGEM 2014. GeoConference on Informatics, Geoinformatics and Remote Sensing. Conference Proceedings. 2014, Vol. 1, No. 2, P. 227-233.
© Онтужева Г. А., Антамошкин О. А., 2016
