Старый дом Карла Кессельмана в Санта-Монике (штат Калифорния) серьезно пострадал от землетрясения в Нортридже, случившегося в 1994 году. Насколько вероятно, что новый дом, расположенный всего в пяти кварталах от старого, будет разрушен в результате очередного землетрясения? Удивительно, но этот вопрос оказывается не таким уж неразрешимым. Ключевым в прогнозировании землетрясений является понимание сразу нескольких моментов, а именно: как зарождается разлом, как он создает сейсмические волны в земной коре, как эти волны приводят в движение поверхность земли и, наконец, каким образом здание реагирует на это движение.

Специалисты, изучающие подобные вопросы, проводят системные исследования, объединяя данные о составных частях сложной системы, полученные из различных источников, для выяснения и понимания свойств системы в целом. Такой системный подход приобретает важность во все большем числе областей, от астрономии до зоологии, стремительно порождает все новые знания и, как следствие, новые направления науки.

ПРИМЕНЕНИЕ ИТ

Эти тенденции привлекательны с точки зрения науки, однако в значительной мере требуют использования информационных технологий, поскольку системные исследования объединяют не только различные дисциплины, но и, как правило, программное обеспечение, данные, вычислительные ресурсы и людей. Системные исследования — это работа для целой команды. Данные приходят из разных источников, модели отдельных компонентов создаются разными группами, члены команды обладают знаниями в разных областях, и существенные ресурсы, требуемые для достижения успеха, часто разнородны и географически распределены. Таким образом, системный метод исследования сам по себе требует создания системы определенного типа, которая позволит сочетать множество различных технических и людских ресурсов. Все это означает, что объединение людей, компонентов инфраструктуры, программного обеспечения и способов постановки сложной системной задачи само по себе может представлять задачу, требующую отдельного решения. В действительности даже сегодня, несмотря на значительное число полезных инструментов, для достижения успеха часто необходимы существенные усилия программистов. Важность и сложность этой проблемы заставляет специалистов в компьютерной области спросить себя: а что мы можем сделать для того, чтобы облегчить процесс создания научных групп и разработку программного обеспечения для выполнения системных исследований? Что можно сделать для облегчения масштабирования при проведении системных исследований с учетом количества привлеченных ресурсов, числа участников и круга решаемых ими задач? Ответ на эти вопросы требует изучения природы системного метода исследований, его проблем, а также архитектурных конструкций и технологий, знание которых могут быть полезными для постановки задачи. Непрерывность задачи системных исследований требует отказа от традиционного способа создания специальных программ для научных исследований и приводит к реализации всех исследовательских возможностей в виде отдельных сервисных компонентов, которые ученые смогут затем объединять для проведения более масштабных работ.

ПОЧЕМУ СИСТЕМНЫЙ ПОДХОД?

Термин «системные исследования» означает метод исследования, при котором не предполагается глубокое погружение в отдельные физические явления, а подразумевается общее понимание поведения сложных физических систем, состоящих из множества отдельных явлений, и изучение связей и взаимодействия между компонентами таких систем. Характерная цель такой работы — добиться единого понимания изначально сложных процессов, состоящих из множества явлений, объяснение которых требует привлечения многих научных дисциплин. Эти системные исследования сами по себе могут и не быть исследованием системы, т.е. изучением систем, состоящих из многих частей. Ученый, практикующий системный метод, заинтересован в понимании одной системы — например, Земли как системы, в то время как тот, кто изучает науку о системах, или сложные системы, ищет принципы, применимые ко всем этим системам.

Прогнозирование землетрясений

Пример решения проблемы предсказания землетрясений позволяет заглянуть в самую суть системного метода исследования. Чтобы понять, как может двигаться земная поверхность в определенной точке, необходимо смоделировать текущее напряжение, детали исследуемой системы разломов, динамику потенциальных разломов, распространение ударных волн и отклик поверхности на удар. Затем ученые должны сложить этот предсказанный отклик поверхности с откликом здания, учитывая структурные свойства использованного в нем бетона, стали и дерева. Возможно, им также придется учесть влияние соседних построек на интересующее их здание. На рис. 1 показаны те области науки, которые могут внести свой вклад в понимание ожидаемого движения земной поверхности (сейсмического риска) в Южной Калифорнии. В каждой из этих областей есть свое научное сообщество, большое количество специальной литературы, а в некоторых — значительные объемы собранных данных или расчетные модели.

Рис. 1.

Интеграция различных областей для достижения системного понимания проблемы, как правило, требует проведения значительной работы на разных уровнях: исследователи ставят вопросы системного уровня и затем проецируют их на соответствующие специальные вопросы, решаемые в конкретной области. Эта работа включает в себя как активные исследования и дискуссии, помогающие понять текущие достижения науки в каждой области (результаты исследований, предположения и ограничения), так и разработку теоретических основ, методов анализа и компьютерных моделей процессов, чтобы связать данные, модели и трактовку результатов исследований в различных областях. На рис. 2 показано, как исследователи из Центра изучения землетрясений Южной Калифорнии (SCEC) комбинируют модели различных процессов таких, как динамика возникновения разлома или распространение упругих волн с источниками данных, например, с использованием единого структурного представления данных при расчете динамических характеристик зданий после землетрясения [1].

Рис. 2.

Поскольку каждый элемент такой модели может быть объектом глубокого исследования, научные открытия все чаще делаются благодаря объединению этих элементов в непрерывную систему, как это было сделано при расчете общей динамической характеристики здания, разрушенного ударной волной от разлома, который Том Джордан, один из сотрудников SCEC, назвал «разломом до стропил». На рис. 2 также показано, как исследователи могут комбинировать модели различными способами, в зависимости от природы поставленной задачи. При проведении системных исследований ученые всегда задают новые вопросы, каждый из которых, в свою очередь, может потребовать новых комбинаций данных и программного обеспечения, а также огромных вычислений и объемов данных. Например, в ходе недавно проведенного моделирования процесса распространения упругих волн с высоким разрешением потребовалось четыре дня вычислений с помощью 240-процессорного суперкомпьютера, выполняющего 1,6 трлн. операций в секунду, находящегося в суперкомпьютерном центре Сан-Диего, и было произведено 10 Тбайт данных. Такие модели дали новое понимание мощных движений, подобных землетрясениям в Южной Калифорнии.

Проблемы вычислений

Описываемые вычисления выходят за рамки возможностей и ресурсов, обычно используемых учеными, занятыми в отдельных областях, — они требуют громадных вычислительных мощностей. Но будет ошибкой рассматривать системный метод в науке только как проблему высокопроизводительных вычислений. Это задача системного уровня. Системный метод в науке — не сегодняшнее изобретение: объединенные модели уже применялись для моделирования климата [2] и иногда — для оптимизации в воздухоплавании.

ВЛИЯНИЕ ИТ НА ПРОЦЕСС ИССЛЕДОВАНИЯ

Сложная природа системных исследований влияет на процесс проведения научных исследований, что, свою очередь, предъявляет серьезные требования к инфраструктуре, необходимой для поддержки исследовательского процесса.

Командно-ориентированные исследования

Как правило, сложность этих исследований такова, что единственно жизнеспособный подход к их проведению — это сотрудничество распределенных команд, специализирующихся в различных областях знаний. Например, SCEC объединяет более 600 ученых из 55 институтов. Поскольку ни одна организация не в состоянии предоставить все интеллектуальные, вычислительные ресурсы и все данные, выход задачи за границы отдела, лаборатории или страны становится важной частью процесса исследования. Применительно к таким сообществам часто используется термин «виртуальные организации» — чтобы подчеркнуть то, что они должны поддерживать понятие членства, роли и распределение обязанностей участников процесса.

Совместное использование ресурсов. Одна из важнейших особенностей командно-ориентированных исследований — необходимость совместного использования ресурсов. Даже в рамках одного научного направления высокая стоимость и сложность вычислительных аспектов работы все чаще приводят к созданию и использованию общих моделей и баз данных. Поскольку каждый человек может участвовать более чем в одном направлении исследований и одновременно быть членом сразу нескольких команд, необходимо наладить совместное использование программ и разработать модели, которые были бы применимы в различных условиях.

Разнородность ресурсов и способы их консолидации. Поскольку команда, созданная для системных исследований, использует знания и ресурсы различных научных дисциплин и организаций, она неизбежно сталкивается с существенной разнородностью оборудования, разнообразием развернутого программного обеспечения и различиями в образе действий. Это может стать серьезным препятствием для сбора воедино компонентов инфраструктуры, необходимых для решения насущной задачи. Но понимание проблемы в целом требует интеграции всех типов ресурсов и компонентов.

Динамичность. Ресурсы, используемые командой ученых при проведении системных исследований, как правило, динамично меняются в ходе научной работы. Члены команды могут присоединяться к ней и выходить из нее, может появиться новое оборудование и программное обеспечение, может измениться сама природа исследуемых вопросов, могут возникнуть и новые вопросы. Изменения могут происходить в разные периоды — конечно, начальный этап сложных исследований может занять несколько месяцев, но изменения могут появиться гораздо быстрее.

Различные уровни участия. Масштаб проблемы, в сочетании с многоплановостью вопросов, на которые отвечают исследователи, означает возможность существования различных уровней участия в ее решении. Это подтверждают и результаты наблюдений разработчиков Sloan Digital Sky Survey за распределением частоты доступа пользователей к вычислительным ресурсам. Проведенные наблюдения показали, что немногие пользователи получают доступ часто, тысячам пользователей доступ требуется умеренное число раз, а большинству (около миллиона) доступ требуется редко. Полученные результаты могут относиться к количеству астрономов, занимающихся расчетами, прочих астрономов и астрономов-любителей соответственно.

Подобной смены масштаба можно ожидать и в других научных областях, и в других размерах, в зависимости от объема вычислений. Следствием разделения уровней участия является то, что системные исследования могут приобрести глобальный масштаб и потребовать, например, сбора любых данных или доступа к суперкомпьютеру самого передового класса. Тем не менее может оказаться необходимым использовать вклад маленькой группы и даже одного исследователя. Как создать комбинацию данных, программного обеспечения и вычислительных ресурсов на всех уровнях — вот проблема, с которой придется столкнуться. Эти факторы оказывают влияние на исследования не только в области геофизики, но и во многих других научных дисциплинах, в том числе в астрофизике (например, в проекте лазерно-интерферометрической гравитационно-волновой обсерватории, LIGO), физике элементарных частиц (на Большом адронном коллайдере в ЦЕРН), океанографии (в проекте единой системы мониторинга океана, LOOKING), науке об окружающей среде (национальная сеть экологического мониторинга, NEON) и астрономии (виртуальные обсерватории).

Поддержка виртуальных организаций

Термин «виртуальные организации» означает сообщество людей, организаций и ресурсов, объединенных общим интересом или общей задачей [3]. Понятие виртуальной организации возникло как выражение популярного, часто полезного принципа организации распределенных систем и командно-ориентированных научных проектов, дающих основу для создания и проведения в жизнь методов совместного использования ресурсов и доступа к ним, а также для решения вопросов управления. На практике структурирование коллектива ученых как виртуальной организации означает идентификацию людей, сервисов и возможностей; создание и развертывание новых возможностей и выделение атрибутов, ролей и политик, применяемых к участникам организации.

 

МАСШТАБИРОВАНИЕ: ОТ МОНОЛИТНОЙ СИСТЕМЫ К МОДУЛЬНЫМ СЕРВИСАМ

Мы описали проблемы применения ИТ к системным исследованиям в решении крупных и злободневных научных задач, а как обстоят дела во множестве других областей? Объединение людей, инфраструктуры, программного обеспечения и тактических приемов для решения комплексных проблем само по себе остается трудной задачей, и в некоторых ее аспектах ИТ мало чем могут помочь.

Так называемый монолитный подход к системным исследованиям, когда небольшая команда, работающая в одной лаборатории, создает программное обеспечение на одном компьютере, на котором также хранятся данные из различных источников и модели процессов, был характерен для ранних работ с объединенными моделями климата и симуляторами процессов, изучаемых на стыке разных дисциплин. Этот подход не обязательно плох — в действительности он может быть высокоэффективным, если люди, данные и компьютерные ресурсы, необходимые для решения проблемы, имеются в наличии и могут быть собраны в одном месте. Однако он может породить существенные проблемы, если хотя бы один элемент нуждается в масштабировании:

  • трудность технической поддержки единой и монолитной системы программного обеспечения растет пропорционально числу источников данных или программных компонентов;
  • трудности, присущие импорту программных компонентов и источников данных из других мест, растут по мере включения в проект все большего числа организаций;
  • с ростом потребности в вычислениях ограниченные возможности локальной вычислительной системы могут стать значительным препятствием для прогресса в исследованиях;
  • по мере возникновения все большего числа разнообразных вопросов снова и снова требуется реорганизация компонентов и связей между ними;
  • с ростом числа пользователей—членов сообщества возрастает сложность модели и расходы на ее разработку и сопровождение.

Любой профессионал в компьютерной области понимает, что решение комплекса этих разнообразных задач состоит в том, чтобы рассматривать каждую из них по отдельности. Например, ученые могут независимо друг от друга разработать разные компоненты, ставить разные вопросы путем динамического сочетания этих компонентов, выделять специальные вычислительные мощности для отдельных компонентов (как для целых моделей) и т.д. Однако, несмотря на то что принцип ясен, применительно к системным исследованиям он не обязательно реализуется напрямую, а определяется масштабом научных проблем.

Компоненты как сервисы

С точки зрения разработчиков программного обеспечения исследователи слишком долго не понимали преимуществ модульного программирования и технологии COM [4]. Несмотря на то что создатели научно-исследовательских программ в некоторой степени уже начинают применять принципы модульности, давление постоянно растущих требований к точности системы в сочетании с необходимостью наращивания числа компонентов и пользователей делает их еще более важными в будущем. Разделение комплексной задачи системного уровня по функциональному принципу является предпосылкой для независимой разработки, следствием которой становится объединение исследований различных природных явлений в рамках единой комплексной модели системы. Возможность повторного использования и выбора решения из числа лучших говорит о том, что метод разделения должен быть сосредоточен скорее на четко определенных требованиях к интерфейсу, чем на реализации.

Важно и то, что распределенные научные сообщества, заинтересованные в решении проблемы в целом, часто испытывают необходимость удаленного доступа к специальным функциям. Следовательно, механизмы объединения должны обеспечить интеграцию функций по всей сети. Такие технологии, как Web-сервисы, предъявляют свои требования: функции должны выполняться исключительно с помощью строго определенного интерфейса и соответствующих сетевых протоколов. Если ученым удастся успешно применить сервис-ориентированные архитектуры (Service-Oriented Architecture, SOA), они смогут, в принципе, распределить монолитное приложение в сети таким образом, чтобы разработка и операции над компонентами выполнялись разными группами.

Могут ли децентрализованные подходы работать на практике? SOA дали хорошие результаты при проведении виртуальных наблюдений [6]. Использовав стремительный рост возможностей кремниевых детекторов, астрономы проводят все больше «цифровых наблюдений неба», в ходе каждого из которых создаются цифровые изображения реальных областей небесной сферы на особой длине волны. На данный момент проведено более 100 таких наблюдений, их результаты в общей сложности занимают сотню терабайтов. В ближайшем будущем совокупный объем данных достигнет многих петабайтов.

Недостаточно просто накапливать данные: лаборатории мира завалены данными, которые хранятся на ленточных носителях и практически не используются. Чтобы приносить пользу, данные должны быть легкодоступны, поэтому сообщество виртуальных обсерваторий определило стандартные протоколы доступа и форматы данных широкого применения, так что астрономы могут со своих компьютеров задавать вопросы, ответ на которые в другом случае потребовал бы нескольких месяцев наблюдений или был практически невозможен. Например, они могли бы спросить: какие объекты можно увидеть в инфракрасном диапазоне, но нельзя — в видимом спектре? Ответ: новый класс астрономических объектов, коричневые карлики.

Астрономы действительно считают, что такой обмен данными ускорил исследования и дал дополнительный импульс «вторичному производству» — разработке систем анализа данных. Регистры сервисов предоставляют все больше возможностей по созданию клиентских приложений, объединяющих данные из различных источников и позволяющих решать вопросы системного уровня, например о крупномасштабной структуре Вселенной. Астрономия — это область, где SOA реализуются особенно легко. Все ее данные в некотором смысле относятся к одному и тому же — к небесной сфере; они не представляют коммерческой ценности; к тому же в астрономии по традиции развиваются технологии коллективной работы.

Однако при работе с SOA могут возникнуть некоторые трудности.

  • Пользователи сервиса должны уметь определять, являются ли получаемые данные и программы полезными для их целей. Этот вопрос ставит задачи, относящиеся к синтаксису, семантике, достоверности и происхождению данных.
  • В ситуации, когда исследователи задают интересующие их вопросы при помощи сочетаний сервисов и получают ответы из имеющихся массивов данных, наверное, не всегда удается эффективно реализовать эти сочетания, особенно если сервисы, используемые для формирования запроса, географически распределены.
  • При устойчивой работе сервисов все больше запросов приходит от программ, а не от пользователей, работающих в интерактивном режиме. Это может привести к стремительному нарастанию нагрузки и, следовательно, к необходимости распределения запросов по приоритетам или наращивания ресурсов, предоставляемых каждому сервису для выполнения запроса.

От аутсорсинга к инсорсингу

Идея разложения проблемы на составные части по функциональному принципу средствами SOA применима в любом научном исследовании системного уровня, так как позволяет справиться со сложностью, распределенностью и многообразием научного сообщества. Однако насколько данный сервис отвечает запросам растущего сообщества пользователей и требованиям к вычислениям и хранению данных, предъявляемым нашими моделями [7]? Эта проблема обусловлена потребностями системной науки, которая объединяет элементы различного происхождения, относящиеся к разным дисциплинам. Конечные пользователи могут легко создать новые сервисы, которые будут передавать часть нагрузки другим сервисам или сами потребуют значительных возможностей для вычислений и хранения данных.

Системы не будут поддаваться масштабированию, если для этого каждый исследователь должен стать экспертом в построении и запуске сервисов. Благодаря применению технологий SOA можно разделять задачи реализации исследовательских возможностей и детали их размещения. В зависимости от условий, мы можем разместить все ресурсы на одном компьютере или, напротив, получить доступ к ресурсам национального масштаба. Динамическая природа запроса и расхождение в требованиях к различным ресурсам приводят к необходимости применения смешанной стратегии — от выделения ресурсов для отдельных исследовательских операций до доступа к разделяемым вычислительным ресурсам новейшего суперкомпьютера, который ученые смогут получать время от времени, по мере необходимости.

В прошлом, для того чтобы вычислительные ресурсы соответствовали требованиям пользователей, достаточно было объединить эти ресурсы в одном вычислительном центре. Задачи, которые ставились научными сообществами, должны были выполняться с соблюдением установленных правил оптимального использования ресурсов центра. Однако эта связь в некоторых случаях тормозит процесс: не пользователь присылает исполняемый код, а вычислительный центр предоставляет сервисные компоненты, которые научное сообщество использует так, как требуется. Такой подход представляет собой инсорсинг для научного сообщества, а не аутсорсинг для вычислительного центра. Сегодня все более привлекательной становится новая модель, в которой поставщики ресурсов размещают у себя исследовательские программы, написанные самими учеными. В этой модели новые сервисные компоненты предоставляются по требованию вместе с необходимыми ресурсами и могут меняться со временем, чтобы сохранять актуальность. Такое разделение поставщиков сервисов и ресурсов не сильно отличается от нынешней модели. Однако новое здесь — это предоставление места размещения сервисов и связанных с этим гарантий качества.

Тот же сервис-ориентированный подход, который используется учеными при построении системных моделей из разрозненных компонентов, можно применить и для определения способа взаимодействия между поставщиками ресурсов и их клиентами, поставляющими научным сообществам сервисные компоненты. Поставщик ресурсов реализует интерфейсы, позволяющие клиентам формировать и посылать запросы на предоставление сервисов; поставщики сервисов затем могут использовать эти интерфейсы для заключения соглашений о предоставлении нужных компонентов. Уже имеется опыт применения этих технологий в различных условиях, полученный при использовании программного обеспечения Globus. Например, с помощью GRAM (сервисный компонент Globus для управления ресурсами) были предоставлены вычислительные ресурсы TeraGrid для эксклюзивного использования виртуальной организации и для развертывания узкоспециализированной программы для данного сообщества, при этом сервисные программные компоненты динамически размещались на выделенных ресурсах. На рис. 3 показано, как эти технологии применялись для масштабирования при выполнении вычислений сейсмического риска. Последние достижения в технологии виртуализации указывают на растущую мощь и гибкость механизмов динамического размещения сервисных компонентов и последующей их интеграции в виртуальные организации [8].

Роль киберинфраструктуры

Довольно причудливый термин «киберинфраструктура» употребляется для обозначения независимой от отрасли вычислительной инфраструктуры, созданной для нужд науки [9]. Экспоненциальный рост производительности компьютеров, возможностей для хранения данных и эффективности сетей безгранично расширяют возможности науки. Однако роль вычислительной инфраструктуры еще более возрастет с предоставлением отдельным ученым высокотехнологичных ресурсов, если этому будет дан резкий импульс. С появлением системных исследований особенно необходима вычислительная инфраструктура, способная поддержать работу научных сообществ. Эти сообщества нуждаются в сервисных компонентах для поддержки членства их участников, в регистрах сервисов, каталогах данных, репозитариях программ и пространстве для совместной работы. Третья сторона может пользоваться многими из этих сервисов, подобно тому как SourceForge поддерживает совместную разработку программ с открытым кодом. К тому же изменчивая и распределенная природа системных исследований подразумевает, что эти сообщества могут с выгодой использовать инфраструктуру, построенную специально для размещения сервисных компонентов научно-исследовательских программ и для поддержки инсорсинга на всем непрерывно меняющемся диапазоне уровней участия и требований программного обеспечения.

Эти тенденции уже начинают находить отражение в текущей инфраструктуре. При поддержке Национального научного фонда США работает проект TeraGrid, в рамках которого создан эффективный программный шлюз, обеспечивающий использование общенациональных вычислительных ресурсов для размещения сервисных компонентов научно-исследовательских программ. И проект Евросоюза по развертыванию сетевой инфраструктуры для науки EGEE, и американский проект открытой научной сети в еще большей степени используют модель виртуальной организации и динамическое развертывание сервисных компонентов в качестве основных организационных принципов. В таких условиях поставщики ресурсов в действительности взаимодействуют больше с виртуальными организациями, чем с отдельными пользователями.

Практические работы

Тенденции к системному подходу, наблюдаемому в научных сообществах, можно проиллюстрировать на ряде примеров. Так, система поддержки принятия решений ViroLab основана на сетевых вычислениях и помогает исследователям в области биологии и медицины. Эта система может быть использована для изучения болезней на всех уровнях, начиная от генетической информации о той или иной болезни и заканчивая практическими медицинскими рекомендациями. Преодолевая географические и организационные границы, эта система дает общий доступ к процессам, данным, информации и знаниям.

В том же духе выполнен проект Physiome, целью которого было создание рабочей среды для многомасштабного моделирования человеческого тела на основе анатомических и биофизических данных — невероятно сложная задача, требующая огромных вычислений. Кроме разработки стандартов специфического языка разметки и репозитариев моделей, проект Physiome обладает инновациями в управлении документооборотом в науке, объединении информации и формировании запросов, кластерных и сетевых расчетах и окружении для международного сотрудничества.

Наступило время, когда можно использовать системный метод в повседневной работе постоянно действующих инфраструктур, однако мы по-прежнему тяготеем к ручной настройке, развертыванию и управлению такими системами. Отклик системы и ее производительность все еще остаются непредсказуемыми в том смысле, что поддержка критичных ко времени исследований до сих пор затруднена, поэтому проекты будущего должны прежде всего обладать динамичностью и адаптивностью, которые обеспечат быстрое предоставление новых сервисов и расширение их возможностей. Два таких проекта — CASA и LEAD — иллюстрируют попытку создания гибкой киберинфраструктуры для многомасштабного прогнозирования погоды в реальном времени. Оба проекта нацелены на повышение скорости и точности прогнозирования бурь. В рамках проекта совместного адаптивного зондирования атмосферы, который проводится в Массачусетском университете, создается распределенная сеть радаров низкой мощности и высокого разрешения. Проект университета Оклахомы «Связанное оборудование для атмосферных открытий» предоставляет динамическое обслуживание документооборота и управление данными в среде Web для поддержки адаптивных систем, выполняющих операции по запросу и действующих в реальном времени. Вместе эти два проекта могут служить примером реализации системного подхода и призваны осуществить переход от статической модели предсказания бурь к адаптивной модели погоды.

Литература
  1. T. Jordan, P. Maechling, and SCEC/CME Collaboration. The SCEC Community Modeling Environment: An Information Infrastructure for System-Level Earthquake Science. Seismological Res. Letters, vol. 74, no. 3, 2003.
  2. J. Kiehl, P. Gent, Community Climate System Model, Version 2. J. Climate, vol. 17, 2003.
  3. I. Foster, C. Kesselman, S. Tuecke, The Anatomy of the Grid: Enabling Scalable Virtual Organizations. Int’l J. High-Performance Computing Applications, vol. 15, no. 3, 2001.
  4. N. Wirth, The Module: A System Structuring Facility in High-Level Programming Languages. Language Design and Programming Methodology, 1979.
  5. R. Armstrong et al., Toward a Common Component Architecture for High-Performance Scientific Computing. Proc. 8th IEEE Int’l Symp. High-Performance Distributed Computing, IEEE CS Press, 1999.
  6. A. Szalay, J. Gray, The World-Wide Telescope. Science, vol. 293, 2001.
  7. I. Foster, Service-Oriented Science. Science, vol. 308, 2004.
  8. R. Figueiredo, P. Dinda, and J.A.B. Fortes, A Case for Grid Computing on Virtual Machines. Proc. 23rd Int’l Conf. Distributed Computing Systems (ICDCS), IEEE CS Press, 2003.
  9. National Science Foundation, Revolutionizing Science and Engineering through Cyberinfrastructure: Report of the National Science Foundation Blue Ribbon Advisory Panel on Cyberinfrastructure. 2003.

Ян Фостер (foster@mcs.anl.gov)— старший научный сотрудник Национальной арагонской лаборатории, член правления Института вычислительных методов и Чикагского университета. Карл Кессельман (carl@isi.edu)— руководитель Центра сетевых технологий Института информационных технологий Университета Южной Калифорнии.

Ian Foster, Carl Kesselman Scaling System-Level Science: Scientific Exploration and IT Implications. IEEE Computer, November 2006, IEEE Computer Society, 2006. All rights reserved. Reprinted with permission.