Содержание 1
1. Введение 3
2. Обзор существующих решений 5
2.1. Реализованные системы прогнозирования эпидемии 6
2.2. Вирус Эбола 7
2.2.1. Модели протекания заболевания SEIRFD 8
3. Описание решения 8
3.1. Моделирование эпидемий с помощью мультиагентной системы 8
3.1.1. Агентный подход 8
3.1.2. Контейнерный подход 9
3.1.3. Возрастные категории 10
3.2. Выбор технологий 10
3.2.1. Akka.Net 10
3.2.2. Orleans 11
3.2.3. Java, Jade 11
3.3. Описание программной реализации 12
3.3.1. СД, Microsoft Azure, Service Bus 12
3.3.2. Архитектура системы 14
3.3.3. Дополнение системы балансировщиком нагрузки 17
3.3.4. Основные виды алгоритмов балансировки нагрузки 18
3.3.5. Алгоритмы балансировки нагрузки 18
3.3.6. Начальная балансировка 20
3.3.7. Балансировка во время работы системы 21
3.4. Эксперименты 21
3.5. Ограничения исследования 23
3.6. Дальнейшие пути развития 23
4. Заключение 24
Список литературы 25
Эпидемиологические угрозы последних лет требуют для своего решения не только медикаментозных, но и организационных мер. Неожиданное возникновение эпидемий может привести к негативным последствиям в случае непродуманных действий специалистов различных служб (органов здравоохранения, администрации, аптечных сетей и т.д.). При осуществлении качественного прогноза ожидаемого уровня заболеваемости и возможных последствий, становится возможным также заранее выявить приближение эпидемии. Прогнозирование динамики распространения заболевания, полученное в результате построения имитационной модели, позволит специалистам заблаговременно продумать меры борьбы с эпидемией.
Имитационное моделирование — это подход, для которого характерен перевод процессов реального мира в некоторое математическое описание или упрощённое физическое представление [1, 2]. Одним из видов имитационного моделирования является построение мультиагентных систем. Мультиагентные системы представляют собой совокупность взаимодействующих агентов для решения определённой задачи. Агент — это некоторая сущность, которая обладает активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, может взаимодействовать с окружением и другими агентами [15].
Для того чтобы модель распространения эпидемии была наиболее точной, необходимо множество различных параметров, таких как возраст агентов, вероятность их пребывания в той или иной локации в зависимости от возраста и времени суток и т. д., что влечёт за собой увеличение вычислительных ресурсов. Вычислительная мощность компьютера, на котором производится запуск модели, является одной из основных причин, по которой детализирование модели становится весьма нецелесообразным. Для преодоления этого ограничения хорошим решением является использование для вычислений облачных технологий. Облачные вычисления — подход к разработке приложений, в котором общие ресурсы, данные и информация хранятся на мощных масштабируемых кластерах и предоставляются по требованию компьютерам и другим устройствам. Как следует из определения, одним из главных преимуществ облачных вычислений является масштабируемости, позволяющая при необходимости быстрее вычислять сложные задачи по сравнению с персональным компьютером.
Программный комплекс на основе мультиагентных систем в облаке позволит построить прогноз развития эпидемиологической обстановки в городе, а также количественно оценить масштабы потерь.
Цель работы заключается в моделировании эпидемий на примере лихорадки Эбола [9] с помощью мультиагентной системы с учётом распределения вычислительной нагрузки в облаке.
Для её достижения были сформулированы следующие задачи:
• реализовать мультиагентную систему, моделирующую распространение эпидемии;
• адаптировать систему к размещению в облаке, а именно:
- разделить систему на масштабируемые модули;
- распределить вычислительную нагрузку;
- организовать сбор результатов.
• произвести балансировку вычислительной нагрузки перед запуском модели и во время её расчёта.
При создании модели распространения заболевания был выбран агентный подход, позволяющий детализировать модели, учитывать различные особенности агентов. Адаптация мультиагентной системы к облачной среде сделала возможным преодолеть ограничения, связанные с вычислительной мощностью компьютера, а балансировка нагрузки в начале и в процессе работы позволила избежать перегрузки виртуальных машин и производить вычисления надёжнее и оптимальнее.
Моделирование эпидемиологии позволит внести свой вклад в разработку и анализ эпидемиологических исследований, определить тенденцию, сделать общие прогноз, а эластичность облачного решения при таком подходе позволило найти оптимальную по соотношению цена-качество модель.
