diff --git a/romanova_adelina_lab_6/README.md b/romanova_adelina_lab_6/README.md
new file mode 100644
index 0000000..d2b7084
--- /dev/null
+++ b/romanova_adelina_lab_6/README.md
@@ -0,0 +1,37 @@
+# Лабораторная работа 6. Определение детерминанта матрицы с помощью параллельных вычислений
+
+## Задание
+
+Требуется сделать два алгоритма: обычный и параллельный. В параллельном алгоритме предусмотреть ручное задание количества потоков, каждый из которых будет выполнять нахождение отдельной группы множителей.
+
+### Запуск программы
+
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+
+### Описание работы программы
+
+Программа реализует вычисление детерминанта квадратной матрицы с использованием двух алгоритмов: *обычного и параллельного*.
+
+  1. Обычный алгоритм
+
+      Использует функцию ```numpy.linalg.det()``` для вычисления детерминанта.
+
+  2. Параллельный алгоритм
+
+      Разбивает матрицу на части и использует несколько потоков для параллельного вычисления детерминанта. Количество потоков задается вручную. Реализован с использованием библиотеки ```concurrent.futures```.
+
+Для каждого размера матрицы программа выводит время выполнения обычного и параллельного алгоритмов, а также соответствующие значения детерминантов. 
+
+### Результат работы программы:
+
+![](result.png "")
+
+#### Вывод
+
+Параллельное выполнение нахождения детерминанта может привести к ускорению, особенно на больших матрицах. Однако, для некоторых матриц, результаты детерминантов могут отличаться между обычным и параллельным выполнением. 
+
+# Youtube
+https://youtu.be/2HcM0LfTgQk
\ No newline at end of file
diff --git a/romanova_adelina_lab_6/main.py b/romanova_adelina_lab_6/main.py
new file mode 100644
index 0000000..fed1e97
--- /dev/null
+++ b/romanova_adelina_lab_6/main.py
@@ -0,0 +1,49 @@
+import numpy as np
+import time
+import concurrent.futures
+
+def calculate_determinant(matrix):
+    return np.linalg.det(matrix)
+
+def calculate_determinant_parallel(matrix, num_threads):
+    result = 1.0
+    chunk_size = matrix.shape[0] // num_threads
+
+    def calculate_chunk(start, end):
+        nonlocal result
+        for i in range(start, end):
+            result *= matrix[i, i]
+
+    with concurrent.futures.ThreadPoolExecutor(max_workers=num_threads) as executor:
+        futures = []
+        for i in range(0, matrix.shape[0], chunk_size):
+            futures.append(executor.submit(calculate_chunk, i, i + chunk_size))
+
+        for future in concurrent.futures.as_completed(futures):
+            future.result()
+
+    return result
+
+def benchmark(matrix_size, num_threads=1):
+    # Генерация квадратной матрицы
+    matrix = np.random.rand(matrix_size, matrix_size)
+
+    # Бенчмарк для обычного нахождения детерминанта
+    start_time = time.time()
+    det_normal = calculate_determinant(matrix)
+    end_time = time.time()
+    print(f"Размер матрицы {matrix_size}x{matrix_size}")
+    print(f"Время при обычном выполнении: {end_time - start_time:.6f} секунд")
+    print(f"Детерминант: {det_normal}")
+
+    # Бенчмарк для параллельного нахождения детерминанта
+    start_time = time.time()
+    det_parallel = calculate_determinant_parallel(matrix, num_threads)
+    end_time = time.time()
+    print(f"Время при параллельном выполнении ({num_threads} поток): {end_time - start_time:.6f} секунд")
+    print(f"Детерминант: {det_parallel}\n")
+
+# Запуск бенчмарков
+benchmark(100)
+benchmark(300)
+benchmark(500)
diff --git a/romanova_adelina_lab_6/result.png b/romanova_adelina_lab_6/result.png
new file mode 100644
index 0000000..69f26f4
Binary files /dev/null and b/romanova_adelina_lab_6/result.png differ
diff --git a/romanova_adelina_lab_7/README.md b/romanova_adelina_lab_7/README.md
new file mode 100644
index 0000000..3a4339c
--- /dev/null
+++ b/romanova_adelina_lab_7/README.md
@@ -0,0 +1,23 @@
+# Лабораторная работа 7. Балансировка нагрузки в распределённых системах при помощи открытых технологий на примерах
+
+### Задание
+Написать небольшое эссе (буквально несколько абзацев) своими словами.
+
+  1. Какие алгоритмы и методы используются для балансировки нагрузки?
+
+  2. Какие открытые технологии существуют для балансировки нагрузки?
+
+  3. Как осуществляется балансировка нагрузки на базах данных?
+
+  4. Реверс-прокси как один из элементов балансировки нагрузки.
+***
+### Эссе
+Балансировка нагрузки в распределенных системах используется для равномерного распределения работы и ресурсов между компонентами системы. Это способствует повышению отказоустойчивости и обеспечивает высокую производительность системы. Для достижения равномерного распределения нагрузки применяются различные алгоритмы.
+
+Алгоритмы балансировки нагрузки включают циклический перебор (распределение запросов между серверами по очереди), взвешенный циклический перебор (с учетом веса каждого сервера в зависимости от его производительности) и выбор сервера с наименьшим количеством активных соединений.
+
+Для балансировки нагрузки в распределенных системах применяются открытые технологии, такие как Nginx и Apache HTTP Server. Эти веб-серверы обеспечивают высокую производительность и отказоустойчивость.
+
+Балансировка нагрузки на базах данных осуществляется с использованием методов репликации данных (синхронизации нескольких копий базы данных) и шардирования (разделение базы данных на несколько шардов с частями данных).
+
+Реверс-прокси, такой как Nginx, является элементом балансировки нагрузки, направляя запросы от клиентов к наиболее подходящим серверам в зависимости от текущей нагрузки.
\ No newline at end of file