Научная статья на тему 'Структура программных средств для агентно-ориентированного моделирования с использованием GPU в области общественных наук'

Структура программных средств для агентно-ориентированного моделирования с использованием GPU в области общественных наук Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
84
21
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
АГЕНТНО-ОРИЕНТИРОВАННОЕ МОДЕЛИРОВАНИЕ / ОБЩЕСТВЕННЫЕ НАУКИE / МАСШТАБИРОВАНИЕ / КЛАСТЕР / GPU / ДИСПЕТЧЕР / AGENT-BASED MODELING / SOCIAL SCIENCES / SCALE / CLUSTER / SCHEDULER

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Мельник Эдуард Всеволодович, Остроухов Андрей Юрьевич, Пуха Иван Сергеевич, Родина Арина Алексеевна

Рассмотрена проблематика выполнения агентного моделирования применительно к исследованиям в области общественных наук. Показано, что ограничивающими факторами применения агентного моделирования в данной области являются большая размерность моделей и сложность их создания существующими средствами. Выполнен анализ существующих ситем агентного-ориентированного моделированиня, а также рассмотрены особенности платформ на которых они выполняются. Показано влияние кластеризации задачи на скорость моделирования. Авторами предложена структура программных средств для агентного моделирования с использованием существующих ситем агентного-ориентированного моделированиня, на основе распределенного диспетчера, обеспечивающая оптимизацию кластеризации задачи моделирования.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Мельник Эдуард Всеволодович, Остроухов Андрей Юрьевич, Пуха Иван Сергеевич, Родина Арина Алексеевна

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

SOFTWARE ORGANIZATION FOR AGENT-ORIENTED MODELING BY MEANS OF GPU IN SOCIAL SCIENCE DOMAIN

The problem of agentoriented modeling in social science domain was considered in current paper. The constraint factors of agentoriented modeling applying in this domain are the high dimensionality of models and the complexity of models development by existing tools. The analysis of agentoriented modeling systems was held. The special aspects of platforms, on which systems are executed, were considered. It was shown that simulation performance is influenced by problem clustering. Software organization for agentoriented modeling by existing tools on the basis of distributed scheduler was proposed. It provides the optimization of simulation clustering.

Текст научной работы на тему «Структура программных средств для агентно-ориентированного моделирования с использованием GPU в области общественных наук»

The current paper deals with the problem of individual victim behavior on the Internet. The problem of victim behavior identification is nontrivial. First of all, existing methods and questionnaires can't be applied on the Internet and without users' permission. In addition, there aren't common markers, which identify victim behavior on the Internet. On the basis of types of victim behavior and security threats on the Internet analysis the attribute for the automatic identification of victim behavior on the Internet was proposed. The attribute is the multiple user's pseudonyms (passive victimization) or multiple false pseudonyms in user's environment. The analytical review of false pseudonyms identification methods on the Internet was held.

Key words: victim behavior, global networks, fake account identification, stylometry, security threats on the Internet.

Klimenko Anna Borisovna, candidate of technical sciences, senior research fellow, anna klimenkoamail. ru, Russia, Taganrog, Southern Federal University, Scienfic Research Institute of multiprocessor computing systems,

Safronenkova Irina Borisovna, junior research fellow, safronenko-va050 788'a yandex. ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences

УДК 004.775; 942

СТРУКТУРА ПРОГРАММНЫХ СРЕДСТВ ДЛЯ АГЕНТНО-ОРИЕНТИРОВАННОГО МОДЕЛИРОВАНИЯ С ИСПОЛЬЗОВАНИЕМ GPU В ОБЛАСТИ ОБЩЕСТВЕННЫХ

НАУК

Э.В. Мельник, А.Ю. Остроухов, И.С. Пуха, А. А. Родина

Рассмотрена проблематика выполнения агентного моделирования применительно к исследованиям в области общественных наук. Показано, что ограничивающими факторами применения агентного моделирования в данной области являются большая размерность моделей и сложность их создания существующими средствами. Выполнен анализ существующих ситем агентного-ориентированного моделированиня, а также рассмотрены особенности платформ на которых они выполняются. Показано влияние кластеризации задачи на скорость моделирования. Авторами предложена структура программных средств для агентного моделирования с использованием существующих ситем агентного-ориентированного моделированиня, на основе распределенного диспетчера, обеспечивающая оптимизацию кластеризации задачи моделирования.

Ключевые слова: агентно-ориентированное моделирование, общественные наукж, масштабирование, кластер, GPU, диспетчер.

В настоящее время отмечается всплеск исследований в области общественных наук (social sciences), что, в частности, объясняется возросшим количеством негативных социальных явлений [1, 2]. Наиболее

305

перспективным средством анализа в этой области является имитационное моделирование на основе агентно-ориентированного подхода [3]. В ряде работ [4-6] приводятся результаты применения этого метода для анализа значительных социальных групп.

Успешное применение агентно-ориентированного моделирования в области общественных наук во многом объясняется тем, что метод хорошо соответствует предметной области.

Следует отметить что для агентного моделирования в области общественных наук присущи следующие особенности:

- большой размер популяции агентов (сотни тысяч),

- сложное поведение агентов,

- деление агентов по типам/группам,

- использование высокопроизводительных кластерных решений.

1. Анализ программных средств агентного моделирования

Основными трудностями в применении агентного моделирования при решении реальных задач являются:

- неадекватность используемой модели агентов, в частности из-за недостаточности данных о моделируемой области [7],

- несовершенство используемых инструментов [8-10], требующих от пользователя специфических знаний, не связанных с предметной областью моделирования.

В [9] приведены данные по большинству актуальных в настоящее время систем агентно-ориентированного моделирования (САОМ). В табл. 1 приводятся результаты сравнения САОМ по критериям "сложность создания модели - масштабируемость".

Таблица 1

Сравнение САОМ по критериям "сложность создания модели - масштабируемость " (по данным [9])

Масштаб Просто/ Легко Умерено Сложно/Тяжело

Экстремальный масштаб - - Repast HPC, MATSIM, PDES-MAS, Swarm

Большой масштаб Altreva Adap Modeler, SeSAM AnyLogic (2D/3D), AOR Simulation, FLAME, LSD (2D/3D), MASS, Pandora, UrbanSim Agent Cell (2d/3D), Brahms, BSim(2d/3D), CloudSim, Cybele-Pro, D-OMAR, Echo, Ecolab, FLAME GPU (3D), GridABM, HLA_Agent, HLA_Repast, Re-past-J, Repast Symphony (2d/3D)

Следует отметить, что большинство САОМ, ориентированных на выполнение масштабных моделей, для достижений требуемой производительности поддерживают работу на кластерах и имеют соответствующие оптимизированные реализации (например, Б1аше-НРС, Яерав11-НРС).

306

Большой прогресс в повышении производительности графических процессоров по сравнению с процессорами общего назначения [11] сделал актуальной задачу реализации САОМ на GPU.

На базе проекта FLAME, была разработана САОМ FLAME-GPU [12], ориентированная на использование GPU-ускорителей производства NVidia. Данная САОМ позволяет выполнять моделирование масштабных систем без необходимости доступа к кластерам.

Однако в отношении моделирования на GPU следует учитывать тот факт, что производительность GPU с ростом популяции после некоторого предела начинает падать значительно быстрее чем в случае применения кластеров. Однако в качестве "коробочного" решения, при неэкстремальных размерах популяций и при соответствующей производительности GPU, FLAME-GPU может быть единственной альтернативой кластерным решениям.

Подводя итог, можно сказать, что в области общественных наук, при условии использования больших моделей со сложным поведением агента, из открытых САОМ оптимальным выбором будут: FLAME, FLAME-HPC, Repast-HPC, FLAM-GPU.

2. Анализ платформы выполнения САОМ

На основе анализа САОМ можно сделать вывод о том, что производительность САОМ в том или ином случае, во многом зависит от используемой модели агента. Это приводит к тому, что при исследованиях (особенно на начальных стадиях), нельзя сказать какое решение предпочтительнее: кластерное или на основе GPU. В табл. 2 приводится сравнение САОМ по платформе выполнения.

Таблица 2

Сравнение САОМ по платформе выполнения

Платформа выполнения САОМ - кластер

плюсы минусы

нет ограничений на масштабируемость высокая стоимость кластера

высокая производительность необходимость скоростных каналов передачи данных

необходимость решения задачи размещения модели по кластеру

высокая сложность развертывания и использования

Платформа выполнения САОМ - GPU

плюсы минусы

высокая производительность предел по масштабированию

относительно низкая стоимость ограничения на модель агента, накладываемые размерами памяти GPU

простота развертывания и использования

поддержка визуализации результатов

Из табл. 2 видно, что решения на GPU выигрывают по соотношению производительность/стоимость, однако ограничения на размер модели не позволяют использовать GPU-решения для экстремально больших моделей. В некоторой степени это можно нивелировать использованием нескольких GPU в одной рабочей станции. Однако это требует, как покупки специализированных GPU, так и специализированной материнской платы. При этом такой подход не решает проблему масштабирования, а лишь отодвигает предел, после которого скорость моделирования САОМ на GPU начинает падать.

Из сказанного следует, что оптимальным решением было-бы использование комбинированного решения - небольшого кластера из рабочих станций с GPU. При этом количество рабочих станций можно увеличивать по мере роста требований по масштабированию. Однако при такой организации платформы выполнения необходимо решить задачу обеспечения связи между GPU, как внутри одной рабочей станции, так и GPU находящимися на разных узлах кластера.

Для решения проблемы связи между GPU компанией NVIDIA была разработана NCCL - библиотека коллективных коммуникаций NVIDIA, которая позволяет организовать связь между несколькими узлами с GPU

[13].

Использование кластерных решений подразумевает применение высокопроизводительных интерфейсов передачи данных, как между узлами кластера, так и для интерконнекта, например, выше упомянутая библиотека NCCL поддерживает передачу данных между узлами с помощью InfiniBand verbs, libfabric, RoCE and IP Socket.

Другим подходом к решению проблемы масштабирования, может быть использование промежуточного программного обеспечения, выполняющего трансляцию кода модели, написанной на некотором высокоуровневом, предметно-ориентированном языке, в код целевой САОМ. Такой подход позволяет использовать несколько САОМ различного типа с различными платформами исполнения. В [14] приводится описание подобного подхода с использованием языка Open ABL.

Также следует отметить тот факт, что данный подход позволяет решить еще одну проблему - высокую сложность создания модели. Как показано в [9] для высокопроизводительных САОМ характерна высокая сложность процесса построения модели (см. табл. 1). При этом, для создания модели в высокопроизводительных САОМ используются языки программирования общего назначения. В случае необходимости частого изменения модели в процессе моделирования, это потребует постоянного привлечения программистов, что может привести к тому, что узким местом моделирования будет не скорость выполнения модели, а скорость изменения модели программистами под нужды прикладных специалистов. В

[14] приведены данные по "стоимости" создания модели в eLOC (строках исходного кода без учета пустых строк и комментариев) для разных САОМ [14]. Эти данные показывают, что "стоимость" создания, сравнимую с ABL демонстрирует только FLAME GPU, что объясняется применением системы шаблонов при создании модели [11, 15].

Другой вариант упрощения создания модели - создание с помощью промежуточного ПО, предоставляющего графический интерфейс для создания модели. В этом случае исходный код модели генерируется автоматически, на основе данных, введенных пользователем. Данный подход наиболее просто реализовать для САОМ, использующих для описания модели те или иные конфигурационные файлы (например, FLAME, FLAMEGPU). Генерацию кода следует вынести в отдельный модуль, как в [14], чтобы можно было наращивать его функционал (например, поддержку различных САОМ) независимо от промежуточного ПО, предоставляющего графический интерфейс для создания модели.

Во-вторых, следует учесть факторы, влияющие на скорость выполнения модели, изложенные выше т.е. в систему, работающую на кластере, следует ввести компонент, который бы выполнял переразмещение агентов (сообществ агентов) - диспетчер. Диспетчер отвечает за мониторинг состояния кластера и выполняет переразмещение агентов (сообществ агентов случае) в случае обнаружения превышения пороговых значений загрузки вычислительных узлов или интерфейсов передачи данных. Для обеспечения производительности и масштабируемости системы такой диспетчер должен быть распределенным.

3. Оценка факторов, влияющих на скорость моделирования

Следует отметить, что на скорость моделирования в кластере влияют:

- производительность узлов кластера,

- скорость интерфейсов передачи данных между узлами кластера,

- интенсивность сообщений между узлами кластера,

- сложность поведения агента.

Для повышения скорости моделирования существуют следующие методы:

- повышение производительности узлов кластера,

- применение высокоскоростных сетевых интерфейсов,

- эффективное распределение агентов.

Первые два метода можно использовать, если есть возможность выбора кластера или изменения его конфигурации. При выделенном кластере эти методы недоступны.

Остановимся подробнее на третьем методе, для чего выполним оценку влияния не эффективного распределения групп (сообществ) агентов.

Пусть интенсивность сообщений от N = ^tLi^i агентов, разбитых на М групп:

1?=1 nl sl = Sf=1 Nt (sr + sr) = ir=i Ni sr + ir=i Ni sr\

где S\n - интенсивность сообщений внутри группы; S°ut - интенсивность сообщений с агентами других групп.

309

Для сетевого социума характерны большие значения числа агентов

N и превышение общения внутри групп по сравнению с внешним

Б™ >> Б™*, что при неэффективном распределении групп приведет к

значительному возрастанию трафика между узлами кластера:

м м

¿=1 ¿=1

Рис. 1 иллюстрирует эффективое и неэффективное распределение групп по узлам кластера.

Рис. 1. Иллюстрация неэфективного распределения сообществ агентов

Выполним оценку объема передаваемых данных по сети одним узлом при условии участия агента в одном сообществе и расположении каждого сообщества целиком на одном узле.

Пусть агенты входят в сообщества равной величины Л^, которые равномерно распределены по вычислительным узлам (к агентов на узел). Пусть всего имеется I узлов, тогда общее число агентов будет:

N = кШг.

Будем считать, что агенты передают друг другу сообщения с интенсивностью 5Ш - внутри сообщества и Боиг - агентам других сообществ. Учитывая, что каждое сообщество расположено на одном вычислительном узле, информационное взаимодействие внутри сообщества не будет приводить к возникновению трафика в сети. Из Боиг сообщений, предназначенных агентам других сообществ, часть (к — будет передана агентам сообществ на одном с агентом-отправителем узле и тоже не приведет к возникновению трафика. Число сообщений, направленных каждым агентом какого-либо узла агентам других узлов, будет равно — что для всех агентов узла составит кЫ^^^Ы — кЫ^/Ы, при этом агентам узла будет адресовано

. N — кИь

и дг. сот_1

кЩБ (/ - 1)ЛГ

сообщений от агентов каждого другого узла.

Таким образом, общий трафик одного узла составит

Ы-кЫ, „ кЫ, „ 1

= (1 -щ) = 2кЫ^ (1 - у)

Т = 2 Ш

пШ

Из полученного выражения видно, что объем передаваемых данных линейно растет при:

- увеличении размера сообществ,

- увеличении количества сообществ на одном узле,

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

- увеличении количества передаваемых сообщений.

Следует отметить, что:

- увеличение количества узлов приводит к ограниченному увеличению трафика (2kNiS0Ut - максимум),

- число узлов не может превышать число сообществ lmax = N/Ni.

На основании вышеизложенного можно сделать следующие выводы:

- увеличение числа агентов в одном из узлов приведет: во-первых, к увеличению времени вычислений на данном узле, во-вторых, к увеличению времени передачи данных для него,

- необходимость синхронизации работы агентов в пределах каждого цикла моделирования в случае разного времени вычислений и передачи данных приведет к существенному снижению эффективности работы вычислительной системы и увеличению времени моделирования.

Оценим возможности проведения моделирования в рамках настоящего проекта с учетом возможного распараллеливания и применения коммуникационной среды на основе Gigabit Ethernet. Будем полагать, что коммуникационный канал одного вычислительного узла обладает пропускной способностью ЗОМбит/с, ограничим время передачи сообщений между агентами 0,1с. Также будем полагать, что применяется максимальное количество вычислительных узлов, соответственно множитель (1 — 1/1) будет приблизительно равен 1. Рассмотрим случаи передачи агентами 0,1, 1 и 10 сообщений по 100 байт в каждом цикле моделирования, для которых число агентов на узел kNi составит соответственно 150000, 15000, и 1500 агентов. При 100 — 200 агентах в одном сообществе на одном узле могут быть расположены 750 -1500, 75 — 150 и 7 — 15 сообществ.

Если в рамках модели предполагается участие одного агента в нескольких сообществах одновременно, то при размещении сообществ на вычислительных узлах следует располагать сообщества, в которых участвует один агент на одном вычислительном узле. При невозможности реализовать такое размещение для части сообществ следует максимально уменьшить число агентов, которые участвуют в сообществах, расположенных на разных вычислительных узлах.

4. Структура программных средств агентного моделирования

На основе изложенного выше предлагается структура программных средств для агентного моделирования приведенная на рис. 2.

В системе выделяются узел управления и узлы выполнения.

Узел управления выполняет роль координатора всей системы, поэтому на нем не выполняется САОМ. Диспетчер на узле управления выполняет только функции обмена данными с диспетчерами других узлов.

Рис. 2. Структура программных средств для развертывания

на кластере

На узле управления развернуты:

- модуль создания модели, который предоставляет пользователю предметно-ориентированный инструментарий создания-настройки модели,

- модуль визуализации и анализа, который обеспечивает представление данных результатов моделирования, а также предоставляет средства анализа этих данных,

- модуль управления, предназначенный для управления моделированием (запуск, остановка и т.п.),

- генератор модели, который формирует конфигурационные файлы, необходимые для работы САОМ, на основе данных, получаемых от модуля создания модели,

- диспетчер, который выполняет мониторинг состояния платформы выполнения модели за счет обмена данными с другими экземплярами диспетчера и выполняет передачу конфигурационных данных для САОМ на другие узлы.

САОМ запускается на узлах выполнения. Конфигурирование и управления САОМ выполняется диспетчером, который работает на том же узле.

В случае, если нет надобности в использовании кластера, система может быть развернута на одном узле. В случае использования конфигурации из одного узла диспетчер также выполняет функции по управлению САОМ.

Следует отметить, что при использовании конфигурации из одного узла нет необходимости в диспетчере. В этом случае структура программных средств может быть упрощена за счет отказа от диспетчера, но в этом случае должен быть обеспечен доступ САОМ к конфигурационным данным, а функции непосредственного управления САОМ вынесены в модуль управления.

Выводы

В настоящей статье рассмотрена проблематика выполнения агент-ного моделирования в области общественных наук. Было показано, что основные трудности агентного моделирования в данной области связаны с большой размерностью моделей и со сложностью создания моделей, связанной с недостатками существующих средств моделирования.

В статье был выполнен анализ существующих САОМ, а также были рассмотрены особенности платформ на которых запускается САОМ (кластер, GPU). Рассмотрены подходы к обеспечению масштабирования моделей и упрощению их создания.

Авторами статьи в качестве платформы для выполнения агентного моделирования предложено использование кластера с GPU. Выполнена оценка факторов, влияющих на скорость моделирования, в результате которой были получены оценки влияния кластеризации задачи моделирования на скорость моделирования.

Авторами предложена структура программных средств для агент-ного моделирования с использованием существующих САОМ, на основе распределенного диспетчера, обеспечивающая оптимизацию кластеризации задачи моделирования.

Исследование выполнено при поддержке проекта РФФИ 18-29-22046 мк.

Список литературы

1. Как управлять массовым сознанием: Современные модели / В.А. Минаев, А.С. Овчинский, С.В. Скрыль, С.Н. Тростянский. М., 2012. 213 с.

2. Латынов В.В. Психология коммуникативного воздействия. М.: Институт психологии РАН, 2013. 368 с.

3. Gilbert G.N., Troitzsch K.G. Simulation for the social scientist. 2nd ed. Maidenhead, England. New York, NY: Open University Press, 2005. 312 p.

4. Deissenberg C., Hoog S. van der, Dawid H. EURACE: A massively parallel agent-based model of the European economy // Applied Mathematics and Computation. 2008. Vol. 204. No. 2. P. 541-552.

5. Okrepilov V.V. Application of Supercomputer Technologies for Simulation Of Socio-Economic Systems // Economy of Region. 2015. P. 301-313.

6. Макаров В.Л., Бахтизин А.Р., Сушко Е.Д., Васенин В.А., Борисов В.А., Роганов В.А. Агент-ориентированные модели: Мировой опыт и технические возможности реализации на суперкомпьютерах // Вестник Российской академии наук. 2016. Vol. 86. No. 3. P. 252-262.

7. Маковеев, В.Н. Применение агент-ориентированных моделей в анализе и прогнозировании социально-экономического развития территорий / В.Н. Маковеев // Экономические и социальные перемены: факты, тенденции, прогноз. 2016. № 5. С. 272-289. DOI: 10.15838/esc/2016.5. 47.15.

8. Sansores C., Pavón J. (2006) Agent Based Simulation for Social Systems: From Modeling to Implementation. In: Marín R., Onaindía E., Bugarín A., Santos J. (eds) Current Topics in Artificial Intelligence. CAEPIA 2005. Lecture Notes in Computer Science, vol 4177. Springer, Berlin, Heidelberg. P. 79-88.

9. Abar S., Theodoropoulos G. K., Lemarinier P., O'Hare G. M. P. Agent Based Modelling and Simulation tools: A review of the state-of-art software // Computer Science Review. 2017. Vol. 24. P. 13-33.

10. Railsback S.F., Lytinen S.L., Jackson S.K. Agent-based Simulation Platforms: Review and Development Recommendations // SIMULATION. 2006. Vol. 82. No. 9. P. 609-623.

11. Richmond P., Walker D., Coakley S., Romano D. High performance cellular level agent-based simulation with FLAME for the GPU // Briefings in Bioinformatics. 2010. Vol. 11. No. 3. P. 334-347.

12. Flexible Large Scale Agent Modelling Environment for the GPU (FLAMEGPU) [Электронный ресурс]. URL: http://www.flamegpu.com/ (дата обращения: 10.01.2020).

13. NVIDIA Collective Communications Library (NCCL) [Электронный ресурс]. URL: https://developer.nvidia.com/nccl (дата обращения: 10.01.2020).

14. Cosenza B., Popov N., Juurlink B., Richmond P., Chimeh M. K., Spagnuolo C., Cordasco G., Scarano V. OpenABL: A Domain-Specific Language for Parallel and Distributed Agent-Based Simulations // Euro-Par 2018: Parallel Processing / ed. by Aldinucci M., Padovani L., Torquati M. — Cham: Springer International Publishing, 2018. Vol. 11014. P. 505-518.

15. Richmond P., Chimeh M. K. FLAME GPU: Complex System Simulation Framework // International Conference on High Performance Com-puting & Simulation (HPCS). Genoa, Italy: IEEE, 2017. P. 11-17.

Мельник Эдуард Всеволодович, д-р техн. наук, главный научный сотрудник, evm17@,mail.ru, Россия, Ростов-на-Дону, Федеральный исследовательский центр Южный научный центр Российской академии наук,

Остроухов Андрей Юрьевич, конструктор 1 категории, a-ostrouhov@yandex.ru, Россия, Таганрог, Научно-исследовательский институт многопроцессорных вычислительных систем им. акад. А.В. Каляева ЮФУ,

Пуха Иван Сергеевич, ведущий программист, ru. odissey@gmail. com, Россия, Таганрог, Научно-исследовательский институт многопроцессорных вычислительных систем им. акад. А. В. Каляева ЮФУ,

Родина Арина Алексеевна, инженер-исследователь, arishka-ra@,mail.ru, Россия, Ростов-на-Дону, Федеральный исследовательский центр «Южный научный центр Российской академии наук»

SOFTWARE ORGANIZA TION FOR AGENT-ORIENTED MODELING BY MEANS OF GPU

IN SOCIAL SCIENCE DOMAIN

E.V. Melnik, A.Y. Ostroukhov, I.S. Pukha, A.A. Rodina

314

The problem of agent- oriented modeling in social science domain was considered in current paper. The constraint factors of agent- oriented modeling applying in this domain are the high dimensionality of models and the complexity of models development by existing tools. The analysis of agent- oriented modeling systems was held. The special aspects of platforms, on which systems are executed, were considered. It was shown that simulation performance is influenced by problem clustering. Software organization for agent- oriented modeling by existing tools on the basis of distributed scheduler was proposed. It provides the optimization of simulation clustering.

Key words: agent-based modeling, social sciences, scale, cluster, GPU, scheduler.

Melnik Eduard Vsevolodovich, doctor of technical sciences, principal researcher, evml 7amail. ru, Russia, Rostov-on-Don, Federal Research Center "The Southern Scientific Center of the Russian Academy of Sciences ",

Ostroukhov Andrey Yuryevich, 1st category designer, a-ostrouhovayandex.ru, Russia, Taganrog, Southern Federal University, Scienfic Research Institute of Multiprocessor Computing Systems,

Pukha Ivan Sergeevich, leadprogramer, ru.odisseya gmail.com, Russia, Taganrog, Southern Federal University, Scienfic Research Institute of Multiprocessor Computing Systems,

Rodina Arina Alekseevna, research engineer, arishka-raa mail.ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences

i Надоели баннеры? Вы всегда можете отключить рекламу.