mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2023-11-4-16-25mireabulletin-731Research ArticleИНФОРМАЦИОННЫЕ СИСТЕМЫ. ИНФОРМАТИКА. ПРОБЛЕМЫ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИINFORMATION SYSTEMS. COMPUTER SCIENCES. ISSUES OF INFORMATION SECURITYО подходе к управлению знаниями и разработке мультиагентной системы представления и обработки знанийApproach to knowledge management and the development of a multi-agent knowledge representation and processing systemhttps://orcid.org/0000-0002-1979-5611ЗайцевЕ. И.ZaytsevE. I.

Зайцев Евгений Игоревич, к.т.н., доцент, кафедра «Аппаратное, программное и математическое обеспечение вычислительных систем» Института кибербезопасности и цифровых технологий 

107996, Москва, ул. Стромынка, д. 20

Scopus Author ID 57218190023

 ResearcherID ABA-4823-2020

Evgeniy I. Zaytsev, Cand. Sci. (Eng.), Associate Professor, Department of Hardware Software and Mathematical Support of Computing System, Institute for Cybersecurity and Digital Technologies

20, Stromynka ul., Moscow, 107996

Scopus Author ID 57218190023

ResearcherID ABA-4823-2020

zajcev@mirea.ruhttps://orcid.org/0000-0001-8511-0978НурматоваЕ. В.NurmatovaE. V.

Нурматова Елена Вячеславовна, к.т.н., доцент, кафедра «Аппаратное, программное и математическое обеспечение вычислительных систем» Института кибербезопасности и цифровых технологий

107996, Москва, ул. Стромынка, д. 20

Scopus Author ID 57205460003

ResearcherID GQI-3212-2022

Elena V. Nurmatova, Cand. Sci. (Eng.), Associate Professor, Department of Hardware Software and Mathematical Support of Computing System, Institute for Cybersecurity and Digital Technologies

20, Stromynka ul., Moscow, 107996

Scopus Author ID 57205460003

ResearcherID GQI-3212-2022

nurmatova@mirea.ruМИРЭА – Российский технологический университетРоссияMIREA – Russian Technological UniversityRussian Federation2023010820231141625Copyright © Зайцев Е.И., Нурматова Е.В., 20232023Зайцев Е.И., Нурматова Е.В.Zaytsev E.I., Nurmatova E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/731Цели

Цели. Мультиагентная система представления и обработки знаний (МСПОЗ) – это распределенная система искусственного интеллекта, предназначенная для решения проблем, которые трудно или невозможно решить с помощью монолитной интеллектуальной системы. Решение сложных проблем в MСПОЗ осуществляется интеллектуальными программными агентами, которые инкапсулируют в программных классах когнитивные структуры данных, методы логического вывода и машинного обучения. Интеллектуальные программные агенты МСПОЗ способны рационально действовать в условиях неполноты и нечеткости поступающей информации. Целями работы являются исследование и разработка моделей, методов, программных модулей и инструментальных программных средств, которые позволяют создать высокоэффективную МСПОЗ.

Методы

Методы. В работе использовались методы агентного моделирования, позволяющие формально описывать и программно имитировать рациональное поведение интеллектуальных агентов, методы экспертных оценок, математический аппарат теории автоматов, марковские цепи, нечеткая логика, нейронные сети, алгоритмы машинного обучения с подкреплением.

Результаты

Результаты. Разработаны структурная схема МСПОЗ, мультиагентный решатель, схема управления доступом к микросервисам. Предложены методы распределения интеллектуальных программных агентов по узлам МСПОЗ, а также алгоритмы оптимизации логической структуры распределенной базы знаний (РБЗ), позволяющие повысить эффективность объемных, стоимостных и временны́х характеристик МСПОЗ.

Выводы

Выводы. Предложен подход к разработке и использованию интеллектуальных программных агентов, который объединяет механизмы рассуждений на основе знаний с нейросетевыми моделями. Разработаны структура МСПОЗ, схема управления РБЗ, методы оптимизации РБЗ, определения доступности используемых агентами микросервисов, обеспечения надежности и скоординированного функционирования вычислительных узлов системы, а также инструментальные программные средства, позволяющие упростить процесс проектирования и реализации МСПОЗ. Полученные результаты демонстрируют эффективность представленного подхода к управлению знаниями и разработке высокопроизводительной проблемно-ориентированной МСПОЗ.

Objectives

Objectives. A multi-agent knowledge representation and processing system (MKRPS) comprises a distributed artificial intelligence system designed to solve problems that are difficult or impossible to solve using monolithic systems. Solving complex problems in an MKRPS is accomplished by communities of intelligent software agents that use cognitive data structures, logical inference, and machine learning. Intelligent software agents are able to act rationally under conditions of incompleteness and ambiguity of incoming information. The aim of the present work is to identify models and methods, as well as software modules and tools, for use in developing a highly efficient MKRPS.

Methods

Methods. Agent-based modeling methods were used to formally describe and programmatically simulate the rational behavior of intelligent agents, expert evaluation methods, the mathematical apparatus of automata theory, Markov chains, fuzzy logic, neural networks, and reinforcement learning.

Results

Results. An MKRPS structure diagram, a multi-agent solver, and microservices access control diagram were developed. Methods for distribution of intelligent software agents on the MKRPS nodes are proposed along with algorithms for optimizing the logical structure of the distributed knowledge base (DKB) to improve the performance of the MKRPS in terms of volume, cost and time criteria.

Conclusions

Conclusions. The proposed approach to the development and use of intelligent software agents combines knowledge-based reasoning mechanisms with neural network models. The developed MKRPS structure and DKB control diagram includes described methods for optimizing the DKB, determining the availability of microservices used by the agents, ensuring the reliability assurance and coordinated functioning of the computing nodes of the system, as well as instrumental software tools to simplify the design and implementation of the MKRPS. The results demonstrate the effectiveness of the presented approach to knowledge management and the development of a high-performance problem-oriented MKRPS.

мультиагентная системаинтеллектуальные программные агентымультиагентный интеллектуальный решательсистема представления и обработки знанийобучение с подкреплениемmulti-agent systemintelligent software agentsmulti-agent intelligent solverknowledge representation and processing systemreinforcement learningReferencesZaytsev E.I., Khalabiya R.F., Stepanova I.V., Bunina L.V. Multi-Agent System of Knowledge Representation and Processing. In: Kovalev S., Tarassov V., Snasel V., Sukhanov A. (Eds.). Proceedings of the Fourth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’19). Advances in Intelligent Systems and Computing. Springer; 2020. V. I. P. 131–141. https://doi.org/10.1007/978-3-030-50097-9_14Zaytsev E.I., Khalabiya R.F., Stepanova I.V., Bunina L.V. Multi-Agent System of Knowledge Representation and Processing. In: Kovalev S., Tarassov V., Snasel V., Sukhanov A. (Eds.). Proceedings of the Fourth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’19). Advances in Intelligent Systems and Computing. Springer; 2020. V. I. P. 131–141. https://doi.org/10.1007/978-3-030-50097-9_14Baranauskas R., Janaviciute A., Jasinevicius R., Jukavicius V. On Multi-Agent Systems Intellectics. Inf. Technol. Control. 2015;44(1):112–121. https://doi.org/10.5755/j01.itc.44.1.8768Baranauskas R., Janaviciute A., Jasinevicius R., Jukavicius V. On Multi-Agent Systems Intellectics. Inf. Technol. Control. 2015;44(1):112–121. https://doi.org/10.5755/j01.itc.44.1.8768Darweesh S., Shehata H. Performance Evaluation of a Multi-Agent System using Fuzzy Model. 2018 First International Workshop on Deep and Representation Learning (IWDRL). 2018. P. 7–12. https://doi.org/10.1109/IWDRL.2018.8358208Darweesh S., Shehata H. Performance Evaluation of a Multi-Agent System using Fuzzy Model. 2018 First International Workshop on Deep and Representation Learning (IWDRL). 2018. P. 7–12. https://doi.org/10.1109/IWDRL.2018.8358208Рассел С., Норвиг П. Искусственный интеллект: современный подход. Т. 2. Знания и рассуждения в условиях неопределенности: пер. с англ. СПб.: Диалектика; 2021. 480 с.Russel S., Norvig P. Iskusstvennyi intellekt: sovremennyi podkhod. T. 2. Znaniya i rassuzhdeniya v usloviyakh neopredelennosti (Artificial Intelligence: A Modern Approach. V. 2. Knowledge and Reasoning under Uncertainty): transl. from Engl. St. Petersburg: Dialektika; 2021. 480 p. (in Russ.).Рассел С., Норвиг П. Искусственный интеллект: современный подход. Т. 3. Обучение, восприятие и действие: пер. с англ. СПб.: Диалектика; 2022. 640 с.Russel S., Norvig P. Iskusstvennyi intellekt: sovremennyi podkhod. T. 3. Obuchenie, vospriyatie i deistvie (Artificial Intelligence: A Modern Approach. V. 3. Learning, Perception, and Action): transl. from Engl. St. Petersburg: Dialektika; 2022. 640 p. (in Russ.).Саттон Р.С., Барто Э.Дж. Обучение с подкреплением: пер. с англ. М.: ДМК Пресс; 2020. 552 с.Sutton R.S., Barto E.J. Obuchenie s podkrepleniem (Reinforcement Learning): transl. from Engl. Moscow: DMK Press; 2020. 552 p. (in Russ.).Грессер Л., Кенг В.Л. Глубокое обучение с подкреплением: теория и практика на языке Python: пер. с англ. СПб.: Питер; 2022. 416 с. [Graesser L., Keng W.L. Foundations of Deep Reinforcement Learning: Theory and Practice in Python. Addison-Wesley Professional; 2020. 416 p.]Graesser L., Keng W.L. Glubokoe obuchenie s podkrepleniem: teoriya i praktika na yazyke Python (Reinforcement Learning: Theory and Practice in Python): transl. from Engl. St. Petersburg: Piter; 2022. 416 р. (in Russ.). [Graesser L., Keng W.L. Foundations of Deep Reinforcement Learning: Theory and Practice in Python. Addison-Wesley Professional; 2020. 416 p.]Памперла М. Фергюсон К. Глубокое обучение и игра в го: пер. с англ. М.: ДМК Пресс; 2020. 372 с. [Pumperla M., Ferguson K. Deep Learning and the Game of Go. Manning; 2019. ISBN 978-1-6172-9532-4. 384 p.]Pumperla M., Ferguson K. Glubokoe obuchenie i igra v go (Deep Learning and the Game of Go): transl. from Engl. Moscow: DMK Press; 2020. 372 p. (in Russ.).Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. M.: ЛИБРОКОМ; 2013. 224 с.Red’ko V.G. Evolyutsiya, neironnye seti, intellekt: Modeli i kontseptsii evolyutsionnoi kibernetiki (Evolution, Neural Networks, Intelligence: Models and Concepts of Evolutionary Cybernetics). Moscow: LIBROKOM; 2013. 224 p. (in Russ.).Winder P. Reinforcement Learning. Industrial Applications of Intelligent Agents. O’Reilly Media, Inc.; 2021. 382 р.Winder P. Reinforcement Learning. Industrial Applications of Intelligent Agents. O’Reilly Media, Inc.; 2021. 382 р.Houhamdi Z., Athamena B., Abuzaineddin R., Muhairat M. A Multi-Agent System for Course Timetable Generation. TEM Journal. 2019;8(1):211–221. https://doi.org/10.18421/TEM81-30Houhamdi Z., Athamena B., Abuzaineddin R., Muhairat M. A Multi-Agent System for Course Timetable Generation. TEM Journal. 2019;8(1):211–221. https://doi.org/10.18421/TEM81-30Aly S., Badoor H. Performance Evaluation of a Multi-Agent System using Fuzzy Model. 2018 First International Workshop on Deep and Representation Learning (IWDRL). 2018. P. 175–189. https://doi.org/10.1109/IWDRL.2018.8358208Aly S., Badoor H. Performance Evaluation of a Multi-Agent System using Fuzzy Model. 2018 First International Workshop on Deep and Representation Learning (IWDRL). 2018. P. 175–189. https://doi.org/10.1109/IWDRL.2018.8358208Зайцев Е.И. Методология представления и обработки знаний в распределенных интеллектуальных информационных системах. Автоматизация и современные технологии. 2008;1:29–34.Zaytsev E.I. Method of date representation and processing in the distributed intelligence information systems. Avtomatizatsiya i sovremennye tekhnologii = Automation. Modern Technologies. 2008;1:29–34 (in Russ.).Batouma N., Sourrouille J.-L. Dynamic adaption of resource aware distributed applications. Int. J. Grid Distrib. Comput. 2011;4(2):25–42. URL: http://article.nadiapub.com/IJGDC/vol4_no2/3.pdfBatouma N., Sourrouille J.-L. Dynamic adaption of resource aware distributed applications. Int. J. Grid Distrib. Comput. 2011;4(2):25–42. Available from URL: http://article.nadiapub.com/IJGDC/vol4_no2/3.pdfNurmatova E.V., Gusev V.V., Kotliar V.V. Analysis of the features of the optimal logical structure of distributed databases. In: GRID Workshop Proceedings – GRID 2018 Selected Papers of the 8th International Conference “Distributed Computing and Grid-technologies in Science and Education.” Dubna: 2018. V. 2267. P. 579–584. URL: https://ceur-ws.org/Vol-2267/579-584-paper-111.pdfNurmatova E.V., Gusev V.V., Kotliar V.V. Analysis of the features of the optimal logical structure of distributed databases. In: GRID Workshop Proceedings - GRID 2018 Selected Papers of the 8th International Conference “Distributed Computing and Grid-technologies in Science and Education”. Dubna; 2018. V. 2267. P. 579–584. Available from URL: https://ceur-ws.org/Vol-2267/579- 584-paper-111.pdf

The authors declare that there are no conflicts of interest present.