# Математика очередей и ресурсов: от телефонных станций до нейросетей Источник: https://www.youtube.com/watch?v=JJzeZ_UZVoM Канал: The Royal Institution Опубликовано: 29.04.2025 --- Как математика помогает справляться с очередями, почему биологические клетки похожи на компьютерные сети и во что обходится планете каждый запрос к ChatGPT? В рамках лекции в **The Royal Institution** Джейн Хиллстон (Jane Hillston), профессор и специалист в области компьютерных наук, рассказала о механизмах оптимизации систем — от почтовых отделений до нейросетей нового поколения. ## 🚶 Теория очередей: почему мы всегда ждем [[JUMP:01:05]] Очереди часто воспринимаются как нечто специфически британское, однако, по словам Джейн Хиллстон, это универсальный феномен, возникающий везде, где есть ограниченный ресурс [01:12]. С математической точки зрения очередь — это прямое следствие дефицита. Существует два радикально разных взгляда на любую систему: * **Пользователь** хочет «бесконечного ресурса», когда новое окно обслуживания открывается мгновенно именно для него [02:07]. * **Оператор системы** стремится к эффективности и минимизации простоев, чтобы сотрудники или оборудование не работали «вхолостую» [02:22]. В этой дихотомии и рождается дисциплина под названием «моделирование производительности» (performance modeling) [04:22]. Её цель — найти «золотую середину», где пользователи удовлетворены временем отклика, а система остается устойчивой и экономически выгодной [09:06]. При этом 100%-я загрузка ресурсов почти всегда делает систему хрупкой и ведет к коллапсу при малейшем сбое [08:53]. ## ☎️ От телефонных станций к формуле Эрланга [[JUMP:09:21]] Основы современной теории оптимизации были заложены в начале XX века датским математиком Агнером Эрлангом. Работая в телекоммуникационной компании, он решал задачу: сколько соединительных линий нужно телефонной станции, чтобы абоненты не получали отказ при попытке дозвониться [09:36]. Эрланг вывел формулу, которая до сих пор используется в современных кол-центрах и банковских системах. Ключевой параметр в ней — **E (Эрланг)**, безразмерная величина, описывающая нагрузку на систему [11:23]. Параметры формулы включают: 1. **Частоту поступления заявок** (как часто люди звонят). 2. **Среднюю продолжительность обслуживания** (как долго длится разговор). 3. **Количество серверов (M)** (сколько каналов связи доступно) [11:38]. Произведение частоты заявок на среднее время их обработки дает объем работы, который система должна выполнить. Если количество ресурсов (M) подобрано неправильно, вероятность блокировки (отказа в обслуживании) резко возрастает [12:16]. ## 📉 Закон Литтла и магия случайности [[JUMP:20:03]] В 1961 году Джон Литтл математически доказал формулу, которая была известна ранее, но считалась применимой только для простых случаев. **Закон Литтла** гласит, что среднее количество клиентов в системе (L) равно произведению интенсивности входящего потока (λ) на среднее время пребывания клиента в системе (W) [20:15]. Джейн Хиллстон подчеркивает уникальность этого закона: он работает для *любой* системы, независимо от того, в каком порядке обслуживаются клиенты (первым пришел — первым ушел или в порядке приоритетности) и распределения времени обслуживания [21:50]. Однако на практике «человеческий фактор» и случайность вносят хаос: * **Детерминированная система:** если клиенты приходят строго раз в 2 минуты, а обслуживание длится ровно 1 минуту, очереди никогда не будет [24:15]. * **Случайная система:** если при той же средней частоте клиенты приходят «пачками» (bursty arrival), а время обслуживания варьируется, начинают расти огромные очереди, даже если система загружена всего на 50% [25:39]. Для описания таких процессов математики используют **цепи Маркова** — модели, где система переходит из одного состояния в другое (например, количество людей в очереди увеличивается или уменьшается) с определенной вероятностью [27:58]. ## 💻 Процессные алгебры: когда системы становятся сложными [[JUMP:34:57]] Традиционная теория очередей хорошо работала до 1980-х годов, пока компьютеры были изолированными устройствами. С появлением интернета системы стали распределенными и параллельными [32:06]. Современный запрос (например, бронирование отеля на Expedia) одновременно запускает десятки подзапросов к разным авиакомпаниям и базам данных [32:34]. Для моделирования таких процессов Джейн Хиллстон и её коллеги разработали **PEPA (Performance Evaluation Process Algebra)** — язык программирования, который компилируется не в машинный код, а в математические модели (цепи Маркова) [37:21]. Примеры применения PEPA: * **Логистика в Бельгии:** оптимизация движения грузовых судов через шлюзы и мосты, которые являются «узкими местами» каналов [43:00]. * **Мобильные сети 3G:** расчет необходимого количества частот и расположения базовых станций для обслуживания абонентов [44:18]. * **Автобусные системы в Италии:** проверка скорости передачи сигналов от датчиков к водителю для обеспечения безопасности движения [44:32]. ## 🧪 Биология как вычислительная система [[JUMP:45:38]] Удивительным открытием для ученых стало то, что методы оптимизации компьютерных сетей идеально подходят для описания живых организмов. В клетках ресурсами выступают белки, а в экосистемах — пространство или питательные вещества [46:06]. Джейн Хиллстон приводит в пример модель клеточного цикла, основанную на работе **Альберта Голдбетера (1991)**. В ней белок циклин управляет делением клеток через цепочку химических реакций [47:17]. Применение «компьютерного» моделирования к биологии требует перехода от счета отдельных молекул к анализу их концентрации с помощью **обыкновенных дифференциальных уравнений (ODE)** [49:27]. Математика позволяет увидеть, как мутация одного белка ломает ритм деления клеток, что может приводить к развитию заболеваний [50:35]. ## 🤖 Цена интеллекта: энергетический кризис ИИ [[JUMP:50:47]] Современный этап развития ИИ, по мнению Джейн Хиллстон, характеризуется опасным игнорированием ресурсов. Разработчики больших языковых моделей (LLM) десятилетиями ориентировались только на «производительность» в смысле точности ответов, следуя логике «чем больше ресурсов, тем лучше результат» [53:45]. Цифры, которые приводит исследователь: * Запрос в **ChatGPT** потребляет в **100 раз больше энергии**, чем поиск в Google [52:11]. * Обучение модели **Llama** привело к выбросу **539 метрических тонн CO2** [52:39]. * Google рассматривает возможность строительства собственных атомных электростанций для обеспечения нужд дата-центров [51:42]. Хиллстон отмечает, что традиционные метрики производительности (время отклика) в случае с ИИ работают плохо. Обучение модели может занимать месяцы, задействуя тысячи процессоров со 100%-й загрузкой, что делает систему крайне дорогой и неэкологичной [56:39]. ## 🚀 DeepSeek: вынужденная эффективность [[JUMP:58:54]] В начале 2025 года внимание научного сообщества привлекла модель **DeepSeek**. По словам Джейн Хиллстон, этот кейс интересен именно с точки зрения оптимизации ресурсов. Разработчики DeepSeek не имели доступа к таким же масштабным вычислительным мощностям, как американские технологические гиганты, и были вынуждены искать более эффективные инженерные решения [59:19]. Основные выводы лекции: 1. **Ресурсы первичны:** невозможно бесконечно улучшать системы, игнорируя стоимость их содержания. 2. **Математика дает зрение:** простые формулы позволяют предсказать коллапс сложной системы еще на этапе проектирования [1:00:53]. 3. **Необходимость — мать изобретения:** ограничение ресурсов часто ведет к более качественному проектированию, чем их избыток [1:00:00].