Бредихин К.Н., Варшавский П.Р. Реализация прототипа системы

РЕАЛИЗАЦИЯ ПРОТОТИПА СИСТЕМЫ МОБИЛЬНЫХ
АГЕНТОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ ИНТЕЛЛЕКТУАЛЬНОГО
АНАЛИЗА ДАННЫХ
К.Н. Бредихин, П.Р. Варшавский1
Методы интеллектуального анализа данных (ИАД) сегодня
широко применяются для решения актуальной задачи обнаружения
в данных ранее неизвестных и практически полезных знаний,
необходимых
для
принятия
решений
в
различных
сферах
человеческой деятельности [Финн, 2004].
Ценность и достоверность получаемых знаний зависит от
объемов анализируемых данных. Чем больше данных подвергается
анализу, тем выше качество извлекаемых закономерностей. В
настоящее время большие объемы однородных данных хранятся,
как правило, распределенно. Таким образом, актуальной задачей
является адаптация методов и алгоритмов ИАД к работе с
распределенными данными.
В
настоящее
время
активно
исследуются
перспективы
применения мультиагентных систем для добычи знаний из
распределенных
данных.
Использование
множества
агентов
позволяет разделить между ними как подзадачи обработки данных,
так и сами обрабатываемые данные.

Работа выполнена при финансовой поддержке РФФИ по проекту № 08-01-00437 и
гранту Президента РФ для поддержки молодых российских ученых (МК-6009.2008.9)
1
111250, Москва, ул. Красноказарменная 14, МЭИ (ТУ), BredikhinKN@gmail.com,
VarshavskyPR@mpei.ru
Использование агентов, обладающих свойством мобильности,
позволяет расширить границы применимости подобных систем.
Системы мобильных агентов (СМА) помогают уменьшить сетевой
трафик, снизить влияние латентности сети на производительность
[Lange et al., 1999]. Мобильные интеллектуальные агенты могут
динамически адаптироваться к меняющейся информационной среде,
работают асинхронно и автономно, в случае обрыва связи они могут
продолжать функционировать до восстановления соединения.
Эти и многие другие достоинства СМА представляют их в
качестве весьма эффективного решения при создании систем
интеллектуального анализа распределенных данных.
Цель данной работы состоит в попытке рассмотреть основные
вопросы проектирования и реализации базовой архитектуры СМА
для решения задач ИАД.
На сегодняшний день, основное слабое место практически всех
мультиагентных систем ИАД – централизованное управление и
мониторинг деятельности агентов [Bingham et al., 2000]. В том
случае,
если
сервер,
на
котором
установлен
центральный
координирующий компонент системы, выйдет из строя, вся система
окажется недееспособной. Первый выход из данной ситуации
заключается в том, что оставшиеся без контроля агенты могут
приостановить свою работу, ожидая, когда будет восстановлена
связь с центральным сервером. С другой стороны, используя
децентрализованное
управление
или
систему из
нескольких
взаимозаменяемых координационных центров, можно повысить не
только отказоустойчивость системы, но и ее масштабируемость.
Основная идея предлагаемого нами в данной работе подхода
заключается
во
введении
системы
иерархически
связанных
управляющих агентов (агентов-менеджеров), каждый из которых
управляет либо группой мобильных агентов-аналитиков, либо
группой из других управляющих агентов. Агенты, находящиеся на
одном уровне иерархии могут передавать свои текущие задачи друг
другу. В случае выхода из строя одного из агентов-менеджеров, его
текущие задачи (вместе с координируемой группой агентов на
следующем уровне иерархии) «подбирают» другие менеджеры.
В
состав
системы
входят
агенты
трех
типов
(рис.1):
пользовательские агенты (User Agents), агенты-менеджеры (Manager
Agents) и мобильные агенты (Mobile Agents).
Мобильные агенты, в свою очередь, могут решать различные
задачи, в зависимости от ролей, назначенных им менеджером.
Среди возможных ролей мобильных агентов можно назвать
следующие:
 Mobile Discovery Agent – агент-разведчик, используемый для
разведки доступных вычислительных и сетевых ресурсов,
сбора информации о типах и характеристиках источников
данных, профилирования источников данных и возвращения
соответствующих данных агентам-менеджерам;
 Mobile
Meta-Learning
–
Agent
агент
мета-обучения,
используемый для сбора мета-данных об источниках и
формирования мета-моделей;
 Mobile Data
Mining Agent
–
агент
добычи
данных,
непосредственно осуществляющий сбор и анализ данных из
источников
с
использованием
полученных
от
агента-
менеджера программных модулей.
Рис.1. Иерархическая архитектура МАС на базе
мобильных агентов
Агенты-менеджеры отвечают за создание мобильных агентов с
определенными ролями, их активацию для работы в сети,
координацию и мониторинг их работы, а также за анализ
трудоемкости и распределение доступных ресурсов. Создавая
нового мобильного агента и присваивая ему определенную роль,
менеджер
снабжает
его
набором
программных
модулей,
определяющих возможные действия агента.
Агенты-менеджеры
осуществляют
пользовательского
самого
взаимодействие
агента
и
верхнего
с
уровня
иерархии
пользователем,
соответствующий
через
графический
пользовательский интерфейс (GUI). Пользовательский агент ведет
профилирование конкретных пользователей, управляет запросами
от менеджеров к пользователю, преобразовывает информацию в
вид, удобный для восприятия человеком и передает ее для вывода
через GUI. Помимо этого, он осуществляет поддержку обратной
связи, преобразовывая пользовательскую информацию в вид,
удобный для восприятия агентами-менеджерами.
Осуществляя диалог с пользователем, менеджеры уточняют
постановку задачи и производят корректировку формируемых
моделей ИАД в соответствии с предоставляемой пользователем
информацией о полезности полученных знаний и моделей.
Для того чтобы в полной мере оценить достоинства и недостатки
предлагаемой архитектуры, необходимо провести практическую
реализацию системы на базе данной архитектуры и протестировать
ее на реальных задачах. Из-за большой трудоемкости поставленной
задачи, на первом шаге реализации мы ограничились разработкой
системы-прототипа на базе упрощенного варианта предлагаемой
архитектуры (рис. 2). Реализация прототипа, поддерживающего
некоторые из характеристик полной архитектуры, позволяет
проанализировать их эффективность и сделать дополнительные
выводы по дальнейшей доработке полной архитектуры.
Рис.2. Упрощенный вариант предлагаемой архитектуры.
Как видно из рис.2, упрощенный вариант включает в себя агентов
двух типов: агента-менеджера (Manager Agent) и мобильных
агентов-аналитиков (Mobile Data Mining Agent). Взаимодействие
пользователя с агентами-менеджерами происходит напрямую через
пользовательский интерфейс (GUI). При этом часть функций
пользовательского агента берет на себя GUI.
Получив от пользователя задачу, приложение создает нового
агента-менеджера и передает ему соответствующую информацию.
Агент-менеджер отвечает за создание мобильных агентов,
передачу им подзадач анализа (вместе со списком сетевых адресов
источников данных) и программных модулей для решения этих
подзадач, а также сбор и объединение результатов полученных на
отдельных источниках.
Получив
задание
от
агента-менеджера,
мобильный
агент
перемещается на другой узел, последовательно обрабатывая все
адреса из переданного ему списка. После того, как в этом списке не
осталось
узлов
для
обработки, агент отсылает
полученные
результаты менеджеру и «умирает».
Объединив информацию, поступившую от агентов-аналитиков,
менеджер передает результат приложению GUI.
Базовая архитектура всех агентов основывается на классической
модели «организм-среда», описанной в [Тарасов, 2002], и включает
в себя компоненты, общие для всех типов агентов: блок Памяти,
Процессор и блоки отправки и приема сообщений. В Памяти
хранятся данные о внутреннем состоянии агента, данные о
состоянии
внешней
среды
и
база
продукционных
правил,
используемых при определении выполняемых агентом действий.
Процессор агента содержит в себе информацию о подключенных
программных модулях, определяющих множество доступных агенту
действий.
Реализованный на базе платформы .Net Framework 2.0 прототип
был применен для решения задачи распределенной классификации с
использованием деревьев решений [Вагин и др., 2004] и метода k
ближайших
соседей
[Варшавский,
2006].
Было
проведено
тестирование работы системы на кластере МЭИ, проанализирована
эффективность ее отдельных компонентов, а также удобство
реализации и добавления в систему новых алгоритмов и методов
решения
задач
ИАД.
Планируется
дальнейшая
доработка
архитектуры СМА и исследование методов и алгоритмов ИАД на
предмет реализации в системах на базе данной архитектуры.
Список литературы
[Финн, 2004] Финн В.К. Об интеллектуальном анализе данных //
Новости искусственного интеллекта, №3, 2004, с.3-19.
[Lange et al., 1999] Lange D.B., Oshima M.С. Seven Good Reasons
for Mobile Agents. // Communications of the ACM, 42(3), 1999, pp. 8889.
[Bingham et al., 2000] Bingham A., Chan P., Lam D. Agent-Based
Knowledge Discovery: Survey and Evaluation. // Intelligent Data
Exploration and Analysis Laboratory, 2000.
[Тарасов, 2002] Тарасов В.Б. От многоагентных систем к
интеллектуальным организациям: философия,
психология,
информатика. // М.: Эдиториал УРСС, 2002.
[Вагин и др., 2004] Вагин В.Н., Головина Е.Ю., Загорянская
А.А., Фомина М.В. Достоверный и правдоподобный вывод в
интеллектуальных системах // Под редакцией В.Н. Вагина, Д.А.
Поспелова. – М.: ФИЗМАТЛИТ, 2004. – 704 с.
[Варшавский, 2006] Варшавский П.Р. Реализация метода
правдоподобных рассуждений на основе прецедентов для
интеллектуальных систем поддержки принятия решений // 10-я
национальная конференция по искусственному интеллекту с
международным участием КИИ-2006: Труды конференции. В 3-х т.,
Т. 1. –М:Физматлит, 2006 г., – с. 303–311.