=Paper=
{{Paper
|id=Vol-1787/468-475-paper-81
|storemode=property
|title=Модели поведения участников сообщества BOINC.RU (Models of patterns of behavior of the participants of BOINC.RU community)
|pdfUrl=https://ceur-ws.org/Vol-1787/468-475-paper-81.pdf
|volume=Vol-1787
|authors=Victor Tishchenko
}}
==Модели поведения участников сообщества BOINC.RU (Models of patterns of behavior of the participants of BOINC.RU community)==
https://ceur-ws.org/Vol-1787/468-475-paper-81.pdf
Модели поведения участников сообщества BOINC.RU
В. И. Тищенко
Институт системного анализа
Федерального исследовательского центра «Информатика и управление» Российской академии наук
117312, Москва, проспект 60-летия Октября, д.9
E-mail: vtichenko@mail.ru
В статье рассмотрено сообщество российских участников добровольных распределенных вычисле-
ний, реализуемых на программной платформе BOINC. Для проведения анализа мотивов поведения уча-
стников российского сообщества BOINC использованы данные, полученные при работе с API BOINC,
приложения BOINC, и сайтом boincstats.com. Для создания базы данных российских участников был на-
писан скрипт на PHP, хранение проводилось с помощью базы MySQL. В базе данных аккумулировались
показатели по всем российским проектам, что позволило рассчитать показатели, характеризующие моде-
ли поведение российских участников.
Исходя из методологии сложных сетей, построена математическая модель сообщества BOINC.RU в
виде двудольного графа с типами вершин «участник» и «проект». В качестве участников сообщества
взяты аккаунты пользователей, зарегистрированных на сайте boinc.ru. Под проектами понимались заре-
гистрированные в системе BOINC учетные записи исследовательских проектов, в которых участники
сообщества принимали участие. В графе, представляющем сеть участников и проектов, ребро соединяет
одну из вершин, относящихся к первому типу – «пользователи», а другую, ко второму – проекты, в кото-
рых пользователь, отображенный первой вершиной, принимает участие (предоставляет свои ресурсы для
вычислений).
Использование методов кластеризации двудольных графов, ранее применявшихся в основном для
анализа коллекций документов, позволило верифицировать основные модели поведения российских уча-
стников ДРВ при выборе и присоединении к исследовательским проектам. В отличие от описанных в
литературе мотивов, выявленных методом социологического опроса участников сообщества BOINC.RU,
определяющими оказываются тематические предпочтения российских участников ДРВ. И, практически,
никакого влияния не оказывает на поведение участников командная или индивидуальная активность,
количественно выражаемая в виде крéдитов.
Полученные результаты могут иметь существенное значение при оптимизации методов управления
добровольными вычислениями в сети Boinc.ru при решении задач, требующих больших вычислительных
ресурсов.
Ключевые слова: добровольные распределенные вычисления, BOINC, виртуальные сообщества,
сложные сети, биполярный граф, кластеризация
© 2016 Виктор Иванович Тищенко
468
Введение
Сложность задач, стоящих перед современной наукой, сопровождается сложностью вы-
числений, необходимых для решения этих задач. При этом представление о проведение подоб-
ных вычислений обычно ассоциируется с суперкомпьютерами или вычислительными класте-
рами. Однако далеко не все масштабные задачи требуют такого дорогостоящего и специализи-
рованного оборудования.
С распространением и бурным развитием интернета получила практическое воплощение
идея основателя проекта SETI@home («Поиска внеземного Разума) David`а Gedye – использо-
вание для масштабных распределённых вычислений ресурсов персональных компьютеров
пользователей Интернета, интеграция которых обеспечена на специальной программной плат-
форме. В качестве такой платформы используется программа BOINC1, разработанная в 2002
году в университете Беркли [Anderson, 2003].
В основе методологии такого подхода лежит представление о сетевой организации комму-
никаций и зарождении парадигмы сетевого общества в целом. Принципиальным техническим
итогом решения задачи распараллеливания масштабных расчетов и разбиения исходной задачи
на множество мелких, стала возможность организации («построения») вычислительных систем
для добровольных распределенных вычислений (ДРВ) на принципах грид-систем.
Участники проектов ДРВ в соответствии с принципами национальной (страновой) общно-
сти, тематическими или иными предпочтениями объединяются в команды. В число 105 582 ко-
манд, объединяющих более 4 млн. участников проектов ДРВ, входит 794 российских команды.
Из 54 активных проектов, использующих платформу BOINC, четыре проекта действуют на
территории России: Einstein@Home, OPTIMA@home и SAT@home, Gerasim@home. Все эти
проекты имеют статус «альфа»2 [Посыпкин, 2015; Тищенко, Прочко, 2015].
Членам команд и командам в целом организаторами исследовательских проектов начис-
ляются условные очки, так называемые, «крéдиты», количество которых зависит от предостав-
ленных мощностей, времени участия в проектах, иных характеристик активности участников.
Статистика начисления этих показателей, регулярно публикуемая на сайте www.boincstats.com,
создает атмосферу состязаний, как между участниками, так и между командами.
Этот прием организаторы проектов ДРВ рассматривают в качестве одного из стимулов
поддержания активности волонтеров и, соответственно, мотива сохранения их подключения (в
прямом и переносном смысле слова) к проекту. В то же время, как отмечается в литературе, в
целом совокупность мотивов вовлечения в проекты ДРВ пользователей интернета и «подклю-
чения» компьютеров к сети распределенных ресурсов, а также предотвращения выхода волон-
теров из проектов, все еще требует своего разрешения [Darch, Carusi, 2010].
Исследование вопросов причин сотрудничества и коммуникации пользователей интернета
при решении научных задач восходит к работам, анализирующим факторы формирования и
развития цифровой «гражданской науки» [Nov, Arazy, …, 2011]. В этих исследованиях показа-
но, что «категории гражданской науки», иными словами, факторы, определяющие распределе-
ние участников добровольных вычислений, зависят от характера и целей проектов. И все мно-
жество волонтеров располагается в интервале, начиная с «технических» задач, в которых их
участие сводится лишь к предоставлению ресурсов компьютеров для проведения вычислений
(как например, проект SETI@home или проект Folding@home компьютерного моделирования
свёртывания молекул белка) и заканчивая более сложными задачами, для решения которых
востребованы, как сбор, так и анализ распределенных данных (проекты Stardust@home по клас-
сификации межзвездных пылевых частиц или Galaxy Zoo построение визуальных обра-
1
См. https://en.wikipedia.org/wiki/Berkeley_Open_Infrastructure_for_Network_Computing
2
Статус проекта «альфа» означает, что проект функционирует и находится на начальном этапе разработ-
ки.
469
зов/изображений галактик). Всего, по мнению исследователей, можно описать три типа проек-
тов и, соответственно, три распределения участников.
Выявленные различия в распределении волонтеров подчеркивают необходимость деталь-
ного изучения мотивов участия в подобных проектах. И, прежде всего, в проектах ДРВ, вхож-
дение в которые не требует от участников ничего, кроме скачивания платформы BOINC и
«подключения» компьютеров к сети распределенных ресурсов. Очевидно, что реализация по-
добных проектов напрямую зависит от мотивов участия волонтеров в проекте, и, соответствен-
но, от количества «подключенных» персональных компьютеров и времени предоставления их
для использования в проекте. Однако у исследователей и организаторов проектов ДРВ нет од-
нозначного ответа на вопрос – как значимый научный проект, требующий масштабных вычис-
лений, может сформировать среду, которая будет стимулировать вклад ресурсов многими доб-
ровольцами?
По мнению исследователей BOINC-сообщества [Андреев, 2014; Якимец, Курочкин, 2015;
Holohan, Garg, 2005; Nov, Arazy, …, 2014] основными мотивами участия в проектах участников
VC являются:
- ощущение причастности к важным научным исследованиям;
- командный дух, переживание социального взаимодействия, идентификация с сообщест-
вом, потребность в общении с людьми, близкими по увлечениям;
- спортивный дух, атмосфера состязательности, востребованность осознания социальной
статусности в виде оценок социальной активности (крéдитов).
В основе описания этих и близких им или сопряженных по своим характеристикам моти-
вов лежат результаты социологических исследований участников ДРВ. И естественно они не
могут не характеризоваться высокой степенью произвольности или субъективности (пусть и
непроизвольных) в оценке волонтерами причин и мотивов их участия в проектах ДРВ. В этой
связи важным оказывается разработка методологии верификации совокупности мотивов участ-
ников ДРВ на основе формализованных методов анализа их поведения.
Постановка задачи. Сообщество BOINC.RU как комплексная сеть
Для математической оценки взаимодействия волонтеров рассмотрим виртуальное сообще-
ство российских участников ДРВ на платформе BOINC в форме сети. В качестве узлов сети
выберем 2 типа объектов: участники сообщества (аккаунты пользователей, зарегистрированных
на сайте boinc.ru) и исследовательские проекты, в которых волонтеры принимают участие (за-
регистрированные в системе BOINC учетные записи проектов). В грáфе, представляющем дан-
ную сеть, ребро соединяет одну из вершин, относящихся к первому типу объектов – пользова-
тели, а другую, ко второму типу – проект, в котором пользователь, отображенный первой вер-
шиной, принимает участие (предоставляет свои ресурсы для вычислений). В результате мы
получим модель сети сообщества BOINC в виде двудольного графа с вершинами «участник» и
«проект». Вес каждого ребра будет равен количеству «крéдитов», заработанных участником на
исследовании, с которым он связан данным ребром.
Для получения показателей характеризующих участника ДРВ в системе BOINC, количест-
ва полученных им очков, а также статистики по каждому проекту использованы сайты, на ко-
торых показатели графически визуализируются при посредстве одного из приложения BOINC –
API [Программное обеспечение…, 2014].
Для проведения статистического анализа поведения российских участников ДРВ мы ис-
пользовали также данные, полученные при работе с сайтом www.boinc.ru. Скрипт для получе-
ния данных и создания соответствующей базы данных с этого сайта был написан на PHP, для
хранения данных использовались базы данных MySQL. В результате были получены следую-
щие характеристики: уникальные идентификаторы участников, имена участников, уникальные
идентификаторы проектов, названия проектов, количество крéдитов у участников за послед-
470
нюю неделю, месяц, год и все время, принадлежность участников к проектам, уникальные
идентификаторы команд, названия команд, принадлежность участников к командам.
Таким образом, была организована база данных (рис. 1), содержащая данные по пользо-
вателям, которые указали в качестве своей «принадлежности» Россию. В базе мы аккумулиро-
вали показатели по всем проектам, включая архивные, в которых российские участники ДРВ
принимали участие. Это позволило рассчитать показатели, характеризующие закономерности
участия российских участников в проектах и командах BOINC.
Рис. 1. Структура базы данных «Сообщество BOINC.RU»
База данных «Сообщество BOINC.RU» включает характеристики 134 проектов и 44985
российских участников. Содержащиеся в ней данные использованы при построении сети уча-
стников и проектов. Сеть была визуализирована с помощью программы Gephi. В построенном
двудольном графе все показатели в сумме дали 45119 вершин, 82827 связей между ними и 740
команд. Средняя степень вершины в графе составляет примерно 1,83. Среднее количество уча-
стников в проекте – 618. Диаметр графа равен 6, средняя длина пути: 2.14. Изображения дву-
дольного графа приведено на рисунке 2.
Рис. 2. На горизонтальной оси расположены проекты, на вертикальной – участники; чем дальше вершина
находится от пересечения осей, тем выше ее степень (количество связей)
Анализ сети сообщества BOINC.RU методами кластеризации
Как ранее отмечалось, в качестве основных причин присоединения к проектам ДРВ иссле-
дователи на основе анализа результатов социологических опросов выделяют три группы моти-
вов – сопричастность к научным исследованиям, командный дух и потребность в переживании
состязательности. Для верификации этих мотивов, определяющих поведение участников сооб-
щества BOINC.RU, мы провели кластеризацию графа сообщества. По нашему мнению, резуль-
471
таты выделения кластеров могут показать какой из мотивов определит предпочтение волонте-
ров при выборе проектов – сфера научных интересов (тематика проектов), принадлежность к
команде и участие команды в проекте (командный дух), оценка активности (состязатель-
ность), измеряемая крéдитами.
Для оценки значимости предпочтений участников сообщества BOINC.RU были использо-
ваны четыре метода кластеризации двудольных графов:
x метод спектрального рекурсивного разбиения, Spectral Recursive Embedding (SRE)
[Hongyuan, He, …, 2001];
x метод k-средних (k-means) [Dhillon, 2001];
x метод разделяющего распределения по главному направлению, Principal direction di-
visive partition (PDDP) [Boley, 1998];
x метод «информационного бутылочного горлышка» [Slonim, Tishby, 2000].
Алгоритмы этих методы разработаны и применялись ранее при кластеризации коллекций
документов. Сравнение результатов работы методов показало высокую степень применимости
каждого из них к сети участников сообщества BOINC.RU.
Из четырех примененных методов кластеризации двудольных графов по тематической
зависимости лишь метод k-means, не показал положительных результатов. Методами SRE и
PDDP алгоритмически выделены два кластера участников. Метод «информационного бутылоч-
ного горлышка» фактически полностью решил задачу поиска тематических блоков проектов и
участников, распределив все множество участников по четырем тематическим кластерам. Та-
ким образом, в результате формализованного анализа показано, что поведение участников при
выборе проектов существенно зависит от их тематических предпочтений.
Предположение о влиянии командного духа на формирование предпочтений участников
сообщества при выборе проектов, к которым они присоединяются, было подтверждено частич-
но. При доступных вычислительных ресурсах довести дивизионные алгоритмы до итераций, на
которых число кластеров сравнимо с числом реальных команд, оказалось невыполнимой зада-
чей. Для метода с использованием алгоритма k-means предельным значением оказалось 14
средних, а для метода PDDP при 4 итерации, выделено 16 кластеров. Метод SRE оказался более
пригоден и позволил проделать 5 итераций, разбив сеть на 32 кластера. Это позволило для наи-
меньших из получившихся кластеров достичь значений количества участников в кластере,
сравнимых с размерами наибольших из команд. Так из второй по численности российской ко-
манды «Russia Team», состоящей из 2837 человек, 89% (2532 участника) вошло в один из кла-
стеров, состоящий из 5 проектов и 3873 участников. Все участники третьей по численности ко-
манды «TSC! Russia» распределились по 3 кластерам. Поскольку, такое сильное, почти полное,
«вхождение» маловероятно как случайность, следует заключить, что принадлежность к коман-
дам действительно влияет на «проектную» структуру сообщества и предпочтения волонтеров.
И наконец, представление, что активность участников, оцененная в виде крéдитов, будет
сильным сигналом, влияющим на поведение при выборе проектов, не получило статистическо-
го подтверждения. В результате кластеризации графа всеми четырьмя методами, ни в одном из
кластеров не обнаружилось существенного отклонения среднего количества крéдитов для всех
участников. Корреляция количества крéдитов и количества проектов по всем участникам со-
ставила 0,23. Другими словами, их связь оказалась недостаточно сильна для заключения о ка-
ком-либо влиянии состязательности на предпочтения участников сообщества BOINC.RU при
выборе проектов.
Заключение
Построение математической модели сообщества BOINC.RU в качестве биполярного графа
позволили провести кластеризацию методами, ранее применявшимися в основном для анализа
документов. В результате были верифицированы существующие представления о мотивах по-
ведения участников ДРВ при выборе и присоединении к исследовательским проектам. В отли-
472
чие от описанных в литературе моделей поведения, значимыми оказываются сопричастность к
научным исследованиям и социальное взаимодействие, командный дух. И, практически, ника-
кого влияния не оказывает на поведение участников командная или индивидуальная актив-
ность, атмосфера состязательности, количественно оцениваемая в виде крéдитов.
Полученные результаты могут иметь существенное применение при решении практиче-
ских задач по управлению проектами ДРВ и оптимизации работы участников сообщества
BOINC.RU.
Список литературы
Андреев А. Методы повышения популярности и привлечения участников в проектах добро-
вольных распределенных вычислений на платформе BOINC // Национальный Суперком-
пьютерный Форум (НСКФ-2014). – Переславль-Залесский, 25–27 ноября 2014 года. [Элек-
тронный ресурс]. URL:
http://2014.nscf.ru/TesisAll/5_Gridi_iz_rabochix_stanciy_i_kombinirovannie_gridi/05_211_And
reevAL.pdf (дата обращения 29.10.2016).
Andreev A. Metody povysheniya populyarnosti i privlecheniya uchastnikov v proektakh dobrovol'nykh
raspredelennykh vychisleniy na platforme BOINC // Natsional'nyy Superkomp'yuternyy Forum (NSKF-2014). –
Pereslavl'-Zalesskiy, 25–27 November 2014. [Electronic resource]. URL:
http://2014.nscf.ru/TesisAll/5_Gridi_iz_rabochix_stanciy_i_kombinirovannie_gridi/05_211_AndreevAL.pdf (accessed
29.10.2016), (In Russian).
Посыпкин М. А. Развитие технологий добровольных вычислений в России // Сборник тезисов
докладов Национального суперкомпьютерного форума 23-27 ноября 2015 г. [Электронный
ресурс]. URL: http://2015.nscf.ru/nauchno-prakticheskaya-konferenciya/tezisy-dokladov/ (дата
обращения 27.10.2016).
Posypkin M. A. Razvitie tekhnologiy dobrovol'nykh vychisleniy v Rossii // Sbornik tezisov dokladov Natsional'nogo
superkomp'yuternogo foruma 23-27 November 2015. [Electronic resource]. URL: http://2015.nscf.ru/nauchno-
prakticheskaya-konferenciya/tezisy-dokladov/ (accessed 27.10.2016), (In Russian).
Программное обеспечение с открытым исходным кодом для организации добровольных рас-
пределенных вычислений и распределенных вычислений в сети. [Электронный ресурс].
URL: http://boinc.berkeley.edu/trac/wiki/GraphicsApi
The BOINC graphics API provides cross-platform support for developing graphics apps. [Electronic resource]. URL:
http://boinc.berkeley.edu/trac/wiki/GraphicsApi
Тищенко В. И., Прочко А. Л. Российские участники добровольных распределенных вычислений
на платформе Boinc. Статистика участия // Компьютерные исследования и моделирование.
– 2015. – Т. 7, № 3. – С. 727-734.
V. I. Tishchenko, A. L. Prochko. Russian participants in BOINC-based volunteer computing projects. The activity sta-
tistics. // Computer Research and Modeling, – 2015, –Vol. 7, № 3. –PP. 727-734, (In Russian).
Якимец В. Н., Курочкин И. И. Добровольные распределенные вычисления в России: социологи-
ческий анализ // Интернет и современное общество: Сборник научных статей XVIII Объе-
диненной конференции (IMS-2015) – 2015 – Санкт-Петербург, 23-25 июня 2015 г. [Элек-
тронный ресурс]. URL: http://openbooks.ifmo.ru/ru/file/2263/2263.pdf
V. Yakimets, I. Kurochkin. Volunteer distributed computing in Russia: sociological analysis. // Internet and Modern
Society – IMS: proceedings of the XVIII Joint Conference (IMS-2015) – 2015 - St. Petersburg, 23-25 June 2015.
[Electronic resource]. URL: http://openbooks.ifmo.ru/ru/file/2263/2263.pdf. (In Russian).
Anderson D.P. Public Computing: Reconnecting People to Science // Presented at the Conference on
Shared Knowledge and the Web, Residencia de Estudiantes, Madrid, Spain – Nov. 17-19 2003.
[Electronic resource]. URL: https://boinc.berkeley.edu/madrid.html (accessed 27.10.2016).
473
Boley D. Principal Direction Divisive Partitioning // Data Mining and Knowledge Discovery. 1998.
Vol. 2, Issue 4. P. 325 344. [Electronic resource]. URL:
https://www.researchgate.net/publication/227098544_Principal_Direction_Divisive_Partitioning
(accessed 27.10.2016).
Darch P., Carusi A. Retaining Participants in Volunteer Computing Projects // Phil. Trans. R. Soc. A.
2010 Vol. 368. P. 4177-4192. [Electronic resource]. URL:
http://rsta.royalsocietypublishing.org/content/368/1926/4177 (accessed 27.10.2016).
Dhillon I.S. Co-clustering documents and words using Bipartite Spectral Graph Partitioning // Pro-
ceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and
data mining // Proceedings of the seventh ACM SIGKDD international conference on Knowledge
discovery and data mining, ACM. – 2001. – P. 269-274. [Electronic resource]. URL:
https://pdfs.semanticscholar.org/559d/5ca5501666ab2ad17c3fb1055d64306e9e3e.pdf (accessed
27.10.2016).
Holohan A., Garg A. Collaboration Online: The Example of Distributed Computing. // Journal of
Computer-Mediated Communication. 2005. Vol. 10, Issue 4. Article 16. URL:
https://www.altmetric.com/details.php?domain=onlinelibrary.wiley.com&doi=10.1111/j.1083-
6101.2005.tb00279.x (accessed 27.10.2016).
Nov, O., Arazy, O., and Anderson, D. (2011). Technology-Mediated Citizen Science Participation: A
Motivational Model. Proceedings of the AAAI International Conference on Weblogs and Social
Media (ICWSM 2011). – Barcelona, Spain, – July 2011. [Electronic resource]. URL:
http://faculty.poly.edu/~onov/Nov_Arazy_Anderson_Citizen_Science_ICWSM_2011.pdf (ac-
cessed 27.10.2016).
Nov O., Arazy O., Anderson D. Scientists@Home: What Drives the Quantity and Quality of Online
Citizen Science Participation: PLOS One, April 1 2014. [Electronic resource]. URL:
http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0090375 (accessed
27.10.2016).
Slonim N., Tishby N. Document clustering using word clusters via the Information Bottleneck Method.
–
In Research and development in information retrieval // Proceedings of the 23rd annual interna-
tional ACM SIGIR conference. 2000. – P. 208-215. [Electronic resource]. URL:
http://www.cc.gatech.edu/~isbell/reading/papers/ib-word-cluster.pdf (accessed 27.10.2016).
Hongyuan Z., He. X, Ding C., Simon H., Gu M. Bipartite Graph Partitioning and Data Clustering. In:
Proceedings of the 2001 ACM CIKM International Conference on Information and Knowledge
Management, November 5-10, 2001, Atlanta, Georgia, USA. P. 25-32. [Electronic resource].
URL: https://arxiv.org/pdf/cs/0108018v1.pdf (accessed 27.10.2016).
474
Models of patterns of behavior of the participants of
BOINC.RU community
V.I. Tishchenko
Institute for Systems Analysis
Federal Research Center “Computer Science and Control” of Russian Academy of Sciences,
9, prospekt 60-letya Oktyabrya, Moscow, 117312, Russia
E-mail: vtichenko@mail.ru
The article analyses the model of behavior of the Russian participants of volunteer computing (VC) usin g
platform BOINC. The data has been received with API BOINC and site www.boincstats.com. The script for the
database was written in PHP, for data storing was used MySQL. The database indicators were accumulated
across all Russian projects, which allowed the calculation of the indicators characterizing the behavior of the
Russian participants in all projects and teams BOINC - absolute and relative number of Russian participants,
their activity, the number of introduced points system, the number of participants in each of the Russian project
participants, interest in the concept of the VC.
Based on the methodology of complex networks a mathematical model of BOINC.RU community in the
form of a bipartite graph with vertices types of «participants» and «project» is constructed. The participants of
the community are described using accounts registered in boinc.ru site. The project – all the projects in which
community members participated and registered in the system of accounts BOINC research projects. In the
graph representing the network of participants and projects, edge connects one of the vertices belonging to the
first type – «users» and the second – a project in which the volunteer is displayed (provides for computing re-
sources) the first vertex participates.
By using different methods of clustering bipartite graph, previously used mainly for the analysis of collec-
tions documents, we could verify the basic models of patterns of behavior of the Russian participants of VC in
selecting and joining the research projects. In contrast to the literature data based on sociological surveys our
study based on clustering technique shows that the thematic preferences are deceive of the Russian participants
of VC motives. And practically there is no any effect on the behavior of a team or individual activity, quantita-
tively expressed as crédits.
The results can be significant for optimizing VC management for solving problems that require large com-
putational resources.
Keywords: volunteer computing, BOINC, virtual communities, complex networks, clustering, bipartite
graph
© 2016 Victor I. Tishchenko
475