Core Automaton & Akka Simulation

Данный модуль представляет собой распределенную многоагентную систему симуляции и бенчмаркинга пользовательского опыта (UX). В основе проекта лежит реактивный подход на базе фреймворка Akka Actors, моделирующий одновременное поведение сотен независимых операторов на веб-странице с использованием механизмов вероятностных конечных автоматов.

Модуль агрегирует результаты когнитивно-моторной деятельности агентов, оценивает влияние временных задержек и таймаутов на успешность выполнения сценариев и генерирует комплексные аналитические HTML-отчеты.

---

Основные возможности

• Многоагентная симуляция: Одновременный запуск сотен изолированных акторов-тестировщиков без блокировки потоков.
• Асинхронные таймеры высокой точности: Использование встроенных планировщиков Akка (TimerScheduler) для имитации дискретных попыток поиска и фиксации таймаутов.
• Стохастические сценарии: Моделирование человеческого поведения с помощью вероятностных переходов между состояниями.
• Автоматическая генерация отчетов: Автоматический сбор метрик, расчет Success Rate и экспорт данных в красивый адаптивный HTML-дашборд.

---

Архитектура распределенной системы акторов

Система построена по иерархическому принципу обмена асинхронными сообщениями:

• TesterActor — симулирует изолированного пользователя. Обладает внутренним состоянием, управляет таймерами высокой точности для повторных попыток взаимодействия с элементами интерфейса и отслеживает критический таймаут сессии (SearchTimeout).
• MonitoringActor — потокобезопасный коллектор результатов. Ожидает завершения работы фиксированного пула агентов ($N$), после чего перенаправляет сводные метрики на этап обработки.
• LoggerActor — осуществляет структурированное логирование результатов в консоль и рассчитывает агрегированный показатель Success Rate.
• StatisticActor — аналитический модуль. Выполняет парсинг HTML-шаблонов, рассчитывает распределение причин отказов и формирует финальный дашборд.

---

Вероятностное моделирование поведения

Поведение пользователя формализовано в виде стохастического автомата. Переходы между состояниями зависят от распределения вероятностей, заложенного в конфигурации. Ключевые состояния:

• q0 — начальное состояние.
• q1 — состояние поиска веб-элемента.
• q2 — состояние действия (клик).
• qf1 — финальное состояние успеха.
• qf2 — финальное состояние провала.

Пример графа переходов (из класса Main):

• Из состояния q1 (поиск) агент с вероятностью 70% может завершить тест ошибкой "Не нашел кнопку" (qf2) и с вероятностью 30% успешно перейти к клику (q2).
• Из состояния q2 (клик) точное попадание (qf1) происходит в 95% случаев, а случайный промах (qf2) — в 5%.

---

Выходные артефакты и аналитика

По завершении симуляции в корне проекта генерируется файл ux_test_report.html, содержащий:

1. Summary-карточки: Общее число запущенных агентов, процент успешных сессий, среднее время удержания и таймауты.
2. Диаграмму распределения отказов: Группировка неудачных тестов по причинам (например, “Could not find button in time” vs “Click missed”).
3. Детализированную таблицу логирования: Результаты и финальное состояние автомата для каждого из $N$ тестеров индивидуально.

---

Запуск симуляции

Для запуска нагрузочного тестирования интерфейса инициализируйте граф состояний автомата и передайте его в TestSystem:

import org.usersim.automaton.State;
import org.usersim.automaton.AlgorithmBuilder;
import org.usersim.system.TestSystem;

public class Main {
    public static void main(String[] args) {
        // 1. Определяем узлы графа поведения оператора
        State q0 = new State("q0", false);
        State q1 = new State("q1", false);
        State q2 = new State("q2", false);
        State qf1 = new State("qf1", true);  // Успех
        State qf2 = new State("qf2", true);  // Сбой

        // 2. Конфигурируем стохастические переходы (алгоритмы поведения)
        q0.addAlgorithm("start", new AlgorithmBuilder("start")
                .addExistingState(q1, false, 1.0)
                .probabilisticTransition()
                .build());

        q1.addAlgorithm("search", new AlgorithmBuilder("search")
                .addExistingState(q2, false, 0.3)
                .addExistingState(qf2, true, 0.7) // 70% шанс потерять элемент
                .probabilisticTransition()
                .build());

        q2.addAlgorithm("click", new AlgorithmBuilder("click")
                .addExistingState(qf1, true, 0.95) // 95% точность клика
                .addExistingState(qf2, true, 0.05)
                .probabilisticTransition()
                .build());

        // 3. Инициализируем симуляционную систему на 200 одновременных агентов
        TestSystem system = new TestSystem(200, q0);

        // 4. Запускаем тест с ограничением в 1 секунду на оператора
        system.startTest(1);
    }
}