зом как прототип промежуточного ПО с точки зрения

100
ИЗВЕСТИЯ ВолгГТУ
Выводы
1. Высказана гипотеза о возможности применения БК в качестве прототипа для промежуточного ПО многоуровневых адаптивных систем.
2. Показано, что биологическая клетка, являясь многоуровневой адаптивной системой, одновременно совпадает на концептуальном уровне
со промежуточным ПО СИС по следующим параметрам: цели существования, взаимодействие с
внешней средой, структура, универсальность.
Рис. 2. Аналогии между уровнями организации БК и СИС
Наиболее сложное строение и функции
имеют макромолекулы и большие классы. Они,
соединяясь, образуют либо органоиды, либо
подсистемы. Наконец, подсистемы или органоиды соединяются в целую информационную
или биологическую систему.
Универсальность
Универсальность промежуточного ПО в настоящей работе рассматривается как его применимость к различным предметным областям.
С этой позиции клетка, являясь единицей живого, как прототип обладает наибольшим потенциалом. Все разнообразие жизни на земле –
это разнообразие клеток, причем наибольшей
вариативностью обладают одноклеточные организмы. Итак, БК подходит наилучшим образом как прототип промежуточного ПО с точки
зрения универсальности.
УДК 681.5 + 06
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Software Engineering for Self-Adaptive Systems:
A Research Road Map / B. H. Cheng, R. Lemos, H. Giese //
Software Engineering for Self-Adaptive Systems / редкол.:
B. H. Cheng [и др.]. – Heidelberg, Germany: Springer-Verlag
Berlin, 2009.
2. Models@ Run.Time to Support Dynamic Adaptation /
B. Morin [и др.] // Computer. – 2009. – № 10 – C. 44–51.
3. Растригин Л. А. Адаптация сложных систем. – Рига: Знание, 1981.
4. Software Engineering for Self-Adaptive Systems /
редкол.: B. H. Cheng [и др.]. – Heidelberg, Germany: Springer-Verlag Berlin, 2009.
5. Using Architecture Models for Runtime Adaptability
software / J. Floch [и др.] // IEEE Software. – 2006. – № 2 –
С. 62–70.
6. Кузнецов С. Обещания и просчеты UML 2.0 // Открытые системы. – 2006. – № 2. – C. 75–79.
7. Model-driven engineering [Электронный ресурс] /
Wikipedia. – 2011. – Режим доступа: http://en.wikipedia.
org/wiki/Model-driven_engineering.
8. A Generic Framework for the Engineering of SelfAdaptive and Self-Organizing Systems [Электронный
ресурс] / G. Marzo-Serugendo, J. Fitzgerald, A. Romanovsky //
Organic Computing – Controlled Self-organization / редкол.:
K. Bellman [и др.]. – Dagstuhl, Germany: Schloss Dagstuhl,
2008. – Режим доступа: http://drops.dagstuhl.de/opus/ volltexte/2008/1563.
9. Вигерс, К. Разработка требований к программному
обеспечению / Пер. с англ. – М.: Издательско-торговый
дом «Русская редакция», 2004.
В. А. Шабельников
МУЛЬТИ-АГЕНТНАЯ ИСКУССТВЕННАЯ ИММУННАЯ СИСТЕМА ДЛЯ АДАПТИВНОЙ
РЕГИСТРАЦИИ ПОВРЕЖДЕНИЙ В РАСПРЕДЕЛЕННОЙ СЕТИ МОНИТОРИНГА
Ростовский филиал ОАО «НИИАС»
E-mail: [email protected]
В статье представлен алгоритм функционирования мульти-агентной искусственной иммунной системы
для адаптивной регистрации повреждений в распределенной системе мониторинга искусственных сооружений. Диагностика повреждений для мобильных агентов и алгоритм иммунного распознавания образов были
протестированы с использованием бенчмарка стального моста.
Ключевые слова: мульти-агентный алгоритм, беспроводная сенсорная сеть, искусственная иммунная
система, распознавание образов, контроль состояния конструкции.
V. A. Shabelnikov
MOBILE AGENT ARTIFICIAL IMMUNE SYSTEM FOR ADAPTIVE DAMAGE CHECKING IN
STRUCTURAL HEALTH MONITORING PROBLEM
Rostov branch of JSC «NIIAS»
This paper presents multi-agent algorithm of artificial immune system for adaptive damage checking in a distributed system for structural health monitoring area. The damage checking of mobile agents and immune recognition
algorithm was tested using a steel bridge benchmark.
Keywords: mobile agent algorithm, wireless sensor network, artificial immune system, pattern recognition,
structural health monitoring.
ИЗВЕСТИЯ ВолгГТУ
Распределенные системы мониторинга являются одним из ярких представителей сетевых
технологий. Фундаментальные исследователи
сталкиваются с проблемами организации робастных распределенных вычислений в условиях меняющейся окружающей среды и представления
адекватной реакции в условиях физических ограничений, таких как частотный диапазон, энергопотребление и вычислительные мощности.
Чтобы справиться с вышеупомянутыми трудностями исследователи приложили большие усилия для совершенствования гибкости, масштабируемости и интеллектуальности сетевых систем.
Агентные технологии являются наиболее многообещающими в достижении поставленных целей.
101
Основным вкладом представленной работы
является создание си-стематического подхода,
согласующего адаптивный мониторинг со
встроенной сетевой архитектурой.
1. Искусственные иммунные системы
для задач мониторинга
Иммунная система – это эффективное средство защиты от инфекций. Подробно структура
функционирования иммунной системы рассмотрена в [2]. Благодаря схожести человеческой иммунной системы и распределенной системы мониторинга, модель искусственной иммунной системы (ИИС) может быть взята за
основу адаптивного мониторинга.
Рис. 1. Применение искусственных иммунных сетей для инженерных систем
Для достижения свойств ИИС в задачах
структурного мониторинга, необходимые иммунные механизмы должны быть воплощены в
распределенные системы контроля, чтобы
обеспечить свойства, аналогичные представленным в естественной иммунной системе.
Идея воплощения иммунологии в инженерных
системах приведена на рис. 1, где показана
прямая связь между вычислительной системой
и окружающей средой, а также процесс обратной связи [5, 7]. Взаимодействие между вычислительной системой и инженерным сооружением происходит, когда иммунные алгоритмы
распознают образы повреждений или регистрируют неисправность. Вычислительная система
может также управлять технологическим процессом, например, предоставлением информа-
ции о локализации неисправностей и аварийных повреждениях.
2. Структура агентной сети для моделирования
иммунной системы в задачах мониторинга
строительных сооружений
Структура ИИС для задач мониторинга
строительных сооружений приведена на рис. 2.
Группа мобильных агентов (имитирующих иммунные клетки – B-клетки), оснащенных алгоритмами распознавания производят мониторинг состояния объекта, патрулируя по сенсорной сети, развернутой на нем. Антителом
мобильного агента является алгоритм распознавания, настроенный на определенный тип
повреждения. Мобильный агент мониторинга
считывает данные с сенсоров в режиме реаль-
102
ИЗВЕСТИЯ ВолгГТУ
ного времени и выполняет диагностику повреждений с использованием алгоритма распознавания образов. Мобильные агенты могут общаться друг с другом для группового принятия
решений. Система мобильных агентов, встро-
енная в беспроводную сенсорную сеть (БСС)
поддерживает генерацию, миграцию, взаимосвязь и управление мобильными агентами в автоматическом режиме без необходимости участия человека (см. п. 2.2).
Рис. 2. Структура ИИС, развернутой на беспроводной сенсорной сети
Сравнение основных компонентов ИИС
мониторинга с естественной иммунной системой приведено в табл. 1.
Таблица 1
Сравнение иммунной системы и ИИС мониторинга
Иммунная система
ИИС мониторинга
B-клетки
Мобильные агенты мониторинга
T-клетки
Базы знаний
Антитела
Алгоритмы распознавания
Антигены
Образы признаковых векторов
Клоновый отбор
Клоновый алгоритм отбора
Иммунная память
Множество клеток памяти
Само-/Не само-распознавание
Алгоритм отрицательного отбора
Теория иммунных сетей
Вычислительные модели иммунных сетей
2.1. Адаптивное управление популяцией агентов
Адаптивное управление популяцией агентов основано на иммунном принципе клонового отбора, применяемого для контроля количества и типа мобильных агентов мониторинга в
сети. Клоновое размножение, иммунная память
и настраиваемый уровень гибели клеток позволяет иммунной системе динамически распределять ресурсы по мере необходимости в распределенной среде [4, 6]. В естественной иммунной системе клетки, способные распознавать
антигены, будут размножаться и мутировать
в клетки-исполнители [1, 3]. Этот механизм
адаптивного управления ресурсами является
ценным для беспроводных сенсорных сетей.
Селективное размножение мобильных агентов
мониторинга необходимо для получения достаточного количества специализированных мобильных агентов в условиях ограниченных ресурсов сенсорных сетей [4].
Механизм контроля размножения агентов
представленной системы приведен на рис. 3.
Клонированные агенты мониторинга делятся на
две группы. Одна группа агентов-исполнителей, которые направляются в узлы, близлежащие повреждению, для детальной диагностики. Другая – группа клеток памяти. Продолжительность жизни агента определяется соответствующим параметром. После создания
мобильного агента, ему присваивается определенное значение жизненной продолжительности
ИЗВЕСТИЯ ВолгГТУ
103
Рис. 3. Адаптивное управление популяцией агентов
для управления процессом смертности. Клеткам памяти присваивается большее значение
продолжительности жизни, поэтому они могут
циркулировать по сети в течение относительно
длительного периода времени. Агенты мониторинга, которые не были активированы в течение жизненного цикла, погибают, чтобы дать
возможность генерации других видов агентов
для изучения разнообразных повреждений.
2.2. Имитация иммунных функций посредством
взаимодействия между агентами
Агентные технологии являются перспективным в выполнении сложных задач, поскольку они являются основным способом обеспечения взаимной обработки информации между
сенсорными узлами.
На рис. 4 представлен протокол активации
мобильного агента мониторинга. Мобильный
агент является инициатором, а агенты базы
знаний и клонового отбора – участники «переговоров». База знаний используется для хранения признаковых векторов образов нормального процесса функционирования и повреждений.
Она также хранит исторические данные регенерации образов, что дает возможность системе
возможность осуществления долгосрочного
прогноза.
Когда агент мониторинга обнаруживает оп-
ределенный тип повреждения вблизи узла, происходит следующая последовательность действий. (1) Агент мониторинга запрашивает подтверждение о повреждении у стационарного
агента. Содержание сообщения включает в себя
описание запрашиваемых действий и признаковый вектор, вычисленный по данным мониторинга. (2) Агент базы знаний обрабатывает запрос и принимает решение, следует ли принять
или отклонить его. Если принимается положительный вердикт, агент базы знаний посылает
сообщение о согласии агенту мониторинга,
в противном случае – сообщение отказа. (3) Когда агент базы знаний успешно завершает действия по обработке запроса, он уведомляет
агента мониторинга о результатах. (4) Агент
базы знаний также посылает запрос агенту клонового отбора для подтверждения повреждения, обнаруженного агентом мониторинга. (5)
Если повреждение подтверждается, то агент базы знаний клонирует агента мониторинга, посылая запрос агенту клонового отбора. (6) Если
агент клонового отбора соглашается клонировать агента мониторинга, то он посылает сообщение с согласием агенту мониторинга (7) и
агенту базы знаний. (8) Когда агент клонового
отбора завершает процесс клонирования, то он
посылает информационное сообщение агенту
мониторинга (9) и агенту базы знаний.
104
ИЗВЕСТИЯ ВолгГТУ
Рис. 4. Протокол активации мобильного агента (МА)
3. Выводы
Мобильные агенты мониторинга и алгоритмы иммунного распознавания образов (ИРО)
были испытаны в задачах мониторинга мостовых конструкций.
Тестирование производительности мультиагентного метода ИРО производилось по данным университета центральной Флориды,
США. Результаты испытаний приведены в
табл. 2.
Таблица 2
Результаты экспериментов
Амплитуда
колебаний, g
Нормальные образы
Аварийные образы
Количество
тестов
Количество нормальных образов
Результат,
%
Количество
тестов
Количество аварийных образов
Результат,
%
0,9
128
128
100
143
119
83,2
1,5
119
119
100
140
133
95
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Tarakanov, A. O. Immunocomputing for intelligent intrusion detection. IEEE Computational Intelligence Magazine. –
2008. – № 3(2), С. 22–30. – Англ.
2. Chen, B. Artificial immune pattern recognition for structure damage classification // Chen B, Zang C. / Computers &
Structures. – 2009. – № 87(21–22), С. 1394–1407. – Англ.
3. de Castro LN. Fundamentals of natural computing: basic concepts, algorithms, and applications. Chapman &
Hall/CRC. – 2006. – С. 14–18. – Англ.
4. Negoita, M. Artificial immune systems –an emergent
technology for autonomous intelligent systems and datamin-
ing. Autonomous Intelligent Systems: agents and datamining.
International Workshop, AIS-ADM2005. – 2005. – C. 369. –
Англ.
5. Stepney S. Embodiment / Flower D., Timmis J. // Silicon Immunology. Springer. – 2007. – С. 15–19. – Англ.
6. Zhong, Y. F. A supervised artificial immune classifier
for remote-sensing imagery // Zhong Y. F., Zhang L.P., Gong
J.Y., Li P.X. / IEEE Transactions on Geoscience and Remote
Sensing. – 2007. – № 45. – С. 3957–3966.
7. Zhu, Q. Hierarchical Collective Agent Network
(HCAN) for efficient fusion and management of multiple networked sensors // Zhu Q., Aldridge S.L., Resha T.N. / Information Fusion. – 2007. – С. 266–280. – Англ.