Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных




Скачать 64.05 Kb.
НазваниеРеализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных
Дата публикации30.04.2013
Размер64.05 Kb.
ТипДокументы
skachate.ru > Информатика > Документы
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.

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 самого верхнего уровня иерархии осуществляют взаимодействие с пользователем, через пользовательского агента и соответствующий 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 и определении для определенияы и база правил. ема сообщенийлизции.. 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. 88-89.

[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.

 Работа выполнена при финансовой поддержке РФФИ по проекту № 08-01-00437 и гранту Президента РФ для поддержки молодых российских ученых (МК-6009.2008.9)

1111250, Москва, ул. Красноказарменная 14, МЭИ (ТУ), BredikhinKN@gmail.com, VarshavskyPR@mpei.ru

Похожие:

Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconПрограммные системы интеллектуального анализа данных и поддержки принятия решений
В работе описывается функционал и назначение программных систем интеллектуального анализа данных и поддержки принятия решений, разработанных...
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconМетоды разработки данных (Data Mining) для рекомендательной системы Интернет-рекламы
Ного помощника для подбора ключевых словосочетаний (например, сервис Google AdWords). В работе в качестве прототипа такой системы...
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconНечеткие гибридные системы в задачах интеллектуального анализа данных
В статье предложен гибридный алгоритм нечеткой кластеризации и способ использования нечеткой нейронной сети в качестве dm для нечетких...
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconСоздание компьютерной системы интеллектуального анализа фармакологических данных

Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconРешение задач управления и оптимизации на основе гибридных интеллектуальных методов
В этом смысле одной из важнейших задач является создание эффективных средств обработки и интеллектуального анализа данных, извлечения...
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconОпыт применения методов интеллектуального анализа данных в компаративистских...
В работе описываются предварительные результаты анализа данных из Базы данных “Языки мира” с применением методов DataMining и пакета...
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных icon: 004. 42 Новые программные средства разработки данных, поддерживающие методологию cordiet
Описывается архитектура, проектные решения и опыт применения прототипа системы «Cordiet dms»
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconРеализация гомеостатической модели интеллектуального советчика для...

Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных iconРазработка системы имитационного моделирования движения железнодорожного...
Предложен подход к проектированию системы моделирования как системы, основанной на знаниях. Описана реализация прототипа системы...
Реализация прототипа системы мобильных агентов для решения задач интеллектуального анализа данных icon: 001. 8 О представлении данных и знаний для интеллектуального анализа социологических данных
Предлагаемое представление позволяет реализовать интеллектуальный анализ социологических данных в интеллектуальных системах типа...

Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2014
контакты
skachate.ru
Главная страница