kurushina_ksenia_lab_8

kurushina_ksenia_lab_4/Consumer_1.py

@@ -0,0 +1,23 @@
+import pika
+import time
+
+
+def callback(ch, method, properties, body):
+    print(f'Consumer 1 получил сообщение: {body.decode()}')
+
+    time.sleep(2)
+
+    print('Consumer 1 закончил обработку')
+
+
+def consume_events_1():
+    connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
+    channel = connection.channel()
+    channel.queue_declare(queue='consumer1_queue')
+    channel.queue_bind(exchange='beauty_salon_events', queue='consumer1_queue')
+    channel.basic_consume(queue='consumer1_queue', on_message_callback=callback, auto_ack=True)
+    print('Consumer 1 начал ожидать сообщения...')
+    channel.start_consuming()
+
+if __name__ == "__main__":
+    consume_events_1()

kurushina_ksenia_lab_4/Consumer_2.py

@@ -0,0 +1,25 @@
+import pika
+
+
+def callback(ch, method, properties, body):
+    print(f'Consumer 2 получил сообщение: {body.decode()}')
+
+    print('Consumer 2 закончил обработку')
+
+
+def consume_events_2():
+    connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
+    channel = connection.channel()
+
+    channel.queue_declare(queue='consumer2_queue')
+
+    channel.queue_bind(exchange='beauty_salon_events', queue='consumer2_queue')
+
+    channel.basic_consume(queue='consumer2_queue', on_message_callback=callback, auto_ack=True)
+
+    print('Consumer 2 начал ожидать сообщения...')
+    channel.start_consuming()
+
+
+if __name__ == "__main__":
+    consume_events_2()

kurushina_ksenia_lab_4/README.md

@@ -0,0 +1,19 @@
+### Лабораторная работа №4 - Работа с брокером сообщений
+
+#### Задание
+
+1. Установить брокер сообщений RabbitMQ.
+2. Пройти уроки 1, 2 и 3 из RabbitMQ Tutorials на любом языке программирования.
+3. Продемонстрировать работу брокера сообщений.
+
+#### Описание работы программы:
+
+- **Класс Publisher** успешно осуществляет отправку сообщений своим клиентам.
+  
+- **Класс Consumer1** принимает и обрабатывает сообщения с задержкой в 3 секунды, что можно заметить на видео.
+
+- **Класс Consumer2** мгновенно принимает и обрабатывает сообщения.
+
+## Видео 
+
+https://cloud.mail.ru/public/Kopp/GG62rnCQj

kurushina_ksenia_lab_4/lesson_1/receive.py

@@ -0,0 +1,25 @@
+import pika, sys, os
+
+def main():
+    connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
+    channel = connection.channel()
+
+    channel.queue_declare(queue='hello')
+
+    def callback(ch, method, properties, body):
+        print(f" [x] Received {body}")
+
+    channel.basic_consume(queue='hello', on_message_callback=callback, auto_ack=True)
+
+    print(' [*] Waiting for messages. To exit press CTRL+C')
+    channel.start_consuming()
+
+if __name__ == '__main__':
+    try:
+        main()
+    except KeyboardInterrupt:
+        print('Interrupted')
+        try:
+            sys.exit(0)
+        except SystemExit:
+            os._exit(0)

kurushina_ksenia_lab_4/lesson_1/send.py

@@ -0,0 +1,11 @@
+import pika
+
+connection = pika.BlockingConnection(
+    pika.ConnectionParameters(host='localhost'))
+channel = connection.channel()
+
+channel.queue_declare(queue='hello')
+
+channel.basic_publish(exchange='', routing_key='hello', body='Hello World!')
+print(" [x] Sent 'Hello World!'")
+connection.close()

kurushina_ksenia_lab_4/lesson_2/new_task.py

@@ -0,0 +1,19 @@
+import pika
+import sys
+
+connection = pika.BlockingConnection(
+    pika.ConnectionParameters(host='localhost'))
+channel = connection.channel()
+
+channel.queue_declare(queue='task_queue', durable=True)
+
+message = ' '.join(sys.argv[1:]) or "Hello World!"
+channel.basic_publish(
+    exchange='',
+    routing_key='task_queue',
+    body=message,
+    properties=pika.BasicProperties(
+        delivery_mode=pika.DeliveryMode.Persistent
+    ))
+print(f" [x] Sent {message}")
+connection.close()

kurushina_ksenia_lab_4/lesson_2/worker.py

@@ -0,0 +1,23 @@
+#!/usr/bin/env python
+import pika
+import time
+
+connection = pika.BlockingConnection(
+    pika.ConnectionParameters(host='localhost'))
+channel = connection.channel()
+
+channel.queue_declare(queue='task_queue', durable=True)
+print(' [*] Waiting for messages. To exit press CTRL+C')
+
+
+def callback(ch, method, properties, body):
+    print(f" [x] Received {body.decode()}")
+    time.sleep(body.count(b'.'))
+    print(" [x] Done")
+    ch.basic_ack(delivery_tag=method.delivery_tag)
+
+
+channel.basic_qos(prefetch_count=1)
+channel.basic_consume(queue='task_queue', on_message_callback=callback)
+
+channel.start_consuming()

kurushina_ksenia_lab_4/lesson_3/ receive_logs.py

@@ -0,0 +1,22 @@
+import pika
+
+connection = pika.BlockingConnection(
+    pika.ConnectionParameters(host='localhost'))
+channel = connection.channel()
+
+channel.exchange_declare(exchange='logs', exchange_type='fanout')
+
+result = channel.queue_declare(queue='', exclusive=True)
+queue_name = result.method.queue
+
+channel.queue_bind(exchange='logs', queue=queue_name)
+
+print(' [*] Waiting for logs. To exit press CTRL+C')
+
+def callback(ch, method, properties, body):
+    print(f" [x] {body}")
+
+channel.basic_consume(
+    queue=queue_name, on_message_callback=callback, auto_ack=True)
+
+channel.start_consuming()

kurushina_ksenia_lab_4/lesson_3/emit_log.py

@@ -0,0 +1,13 @@
+import pika
+import sys
+
+connection = pika.BlockingConnection(
+    pika.ConnectionParameters(host='localhost'))
+channel = connection.channel()
+
+channel.exchange_declare(exchange='logs', exchange_type='fanout')
+
+message = ' '.join(sys.argv[1:]) or "info: Hello World!"
+channel.basic_publish(exchange='logs', routing_key='', body=message)
+print(f" [x] Sent {message}")
+connection.close()

kurushina_ksenia_lab_4/publisher.py

@@ -0,0 +1,27 @@
+import pika
+import time
+
+
+def publish_events():
+    connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
+    channel = connection.channel()
+
+    channel.exchange_declare(exchange='beauty_salon_events', exchange_type='fanout')
+
+    events = [
+        "5",
+        "4",
+        "3",
+        "2",
+        "1"
+    ]
+
+    while True:
+        event = events[int(time.time()) % len(events)]
+        channel.basic_publish(exchange='beauty_salon_events', routing_key='', body=event)
+        print(f'Отправлено: {event}')
+        time.sleep(1)
+
+
+if __name__ == "__main__":
+    publish_events()

kurushina_ksenia_lab_5/README.md

@@ -0,0 +1,64 @@
+# Лабораторная работа: Реализация умножения матриц
+
+## Краткое описание
+
+**Цель работы** – разработать и сравнить последовательный и 
+параллельный алгоритмы умножения матриц, оценив их 
+производительность на матрицах больших размеров.
+
+### Основные задачи:
+1. Реализовать алгоритм последовательного умножения матриц.
+2. Создать параллельный алгоритм с настраиваемым числом потоков.
+3. Провести бенчмарки обоих алгоритмов на матрицах размером 100x100, 300x300 и 500x500.
+4. Проанализировать результаты и определить влияние размера матрицы и количества потоков на производительность.
+
+## Теоретическая часть
+
+Умножение матриц является ключевой операцией во многих областях, включая машинное обучение, 
+обработку изображений и моделирование физических процессов. Сложность умножения двух матриц размером 
+`N x N` составляет O(N³), что делает задачу вычислительно затратной. Для ускорения вычислений используется параллелизм,
+позволяющий распределить работу между несколькими потоками.
+
+## Описание реализации
+
+1. **Последовательный алгоритм** реализован в файле `sequential.py`. Каждый элемент результирующей матрицы вычисляется 
+2. как сумма произведений соответствующих элементов 
+3. строки первой матрицы и столбца второй.
+   
+2. **Параллельный алгоритм** описан в модуле `parallel.py`.
+3. Для выполнения вычислений используется многопоточность: каждый поток обрабатывает отдельный блок
+4. строк результирующей матрицы. Пользователь может задать число потоков для регулирования нагрузки и эффективности работы.
+
+## Результаты экспериментов
+
+Тесты проводились на матрицах следующих размеров: 100x100, 300x300 и 500x500.
+Для параллельного алгоритма изменялось 
+число потоков, чтобы оценить их влияние на скорость вычислений.
+
+
+## Анализ результатов
+
+1. **Эффективность параллелизма**: Параллельный алгоритм показал прирост производительности 
+для больших матриц. При размере 500x500 с 4 потоками наблюдалось значительное ускорение.
+   
+2. **Число потоков**: Увеличение потоков улучшает производительность только до определённого момента.
+Для маленьких матриц (например, 100x100) дополнительная параллелизация может быть неэффективной.
+
+3. **Ограничения параллелизма**: Накладные расходы на управление потоками 
+и их синхронизацию уменьшают преимущества многопоточности при малых объёмах данных.
+
+4. **Рекомендации**:
+
+Параллельные алгоритмы наиболее эффективны при работе с большими матрицами. 
+Настройка числа потоков должна учитывать ресурсы системы и размер задачи.
+
+## Заключение
+
+Данная работа продемонстрировала эффективность параллельного умножения матриц на больших данных. 
+Оптимизация параметров параллельного алгоритма позволяет 
+значительно сократить время выполнения задач, связанных с вычислительной обработкой матриц.
+
+## Ссылка на видео
+
+https://cloud.mail.ru/public/tKoW/ZLDNyHam2
+

kurushina_ksenia_lab_5/main.py

@@ -0,0 +1,29 @@
+import time
+import random
+
+from DAS_2024_1.kurushina_ksenia_lab_5.parallel import matrix_multiply_parallel
+from DAS_2024_1.kurushina_ksenia_lab_5.sequential import matrix_multiply_sequential
+
+
+def generate_matrix(size):
+    return [[random.randint(0, 10) for _ in range(size)] for _ in range(size)]
+
+def benchmark(matrix_size, num_threads):
+    A = generate_matrix(matrix_size)
+    B = generate_matrix(matrix_size)
+
+    start = time.time()
+    matrix_multiply_sequential(A, B)
+    sequential_time = time.time() - start
+
+    start = time.time()
+    matrix_multiply_parallel(A, B, num_threads)
+    parallel_time = time.time() - start
+
+    print(f"Размер матрицы: {matrix_size}x{matrix_size}")
+    print(f"Последовательное время: {sequential_time:.5f} сек")
+    print(f"Параллельное время ({num_threads} потоков): {parallel_time:.5f} сек")
+
+if __name__ == "__main__":
+    for size in [100, 300, 500]:
+        benchmark(size, num_threads=4)

kurushina_ksenia_lab_5/parallel.py

@@ -0,0 +1,21 @@
+from concurrent.futures import ThreadPoolExecutor
+
+def matrix_multiply_parallel(A, B, num_threads=1):
+    n = len(A)
+    result = [[0] * n for _ in range(n)]
+
+    def worker(start, end):
+        for i in range(start, end):
+            for j in range(n):
+                result[i][j] = sum(A[i][k] * B[k][j] for k in range(n))
+
+    chunk_size = n // num_threads
+    with ThreadPoolExecutor(max_workers=num_threads) as executor:
+        futures = [
+            executor.submit(worker, i * chunk_size, (i + 1) * chunk_size)
+            for i in range(num_threads)
+        ]
+        for future in futures:
+            future.result()
+
+    return result

kurushina_ksenia_lab_5/sequential.py

@@ -0,0 +1,9 @@
+def matrix_multiply_sequential(A, B):
+    n = len(A)
+    result = [[0] * n for _ in range(n)]
+
+    for i in range(n):
+        for j in range(n):
+            result[i][j] = sum(A[i][k] * B[k][j] for k in range(n))
+
+    return result

kurushina_ksenia_lab_6/README.md

@@ -0,0 +1,53 @@
+# Лабораторная работа №6: Определение детерминанта матрицы с использованием параллельных вычислений
+
+## **Задание**  
+Необходимо разработать два алгоритма для вычисления детерминанта квадратной матрицы:  
+1. **Обычный алгоритм** — выполняется последовательно.  
+2. **Параллельный алгоритм** — с возможностью ручного задания количества потоков. Каждый поток отвечает за вычисление определённой группы множителей.  
+
+---
+
+## **Описание работы программы**  
+Программа предназначена для вычисления детерминанта квадратной матрицы двумя способами:  
+- **Обычным (последовательным)** методом.  
+- **Параллельным**, который ускоряет выполнение за счёт многопоточности.  
+
+### **Обычный алгоритм**  
+1. **`minor(matrix, row, col)`**  
+   - Вспомогательная функция для формирования минора матрицы. Удаляет указанную строку и столбец, подготавливая данные для рекурсивного вычисления.  
+
+2. **`determinant(matrix)`**  
+   - Основная функция для вычисления детерминанта. Использует метод разложения Лапласа.  
+   - Для матриц 2x2 результат вычисляется напрямую.  
+   - Для матриц большего размера рекурсивно вызывает себя для вычисления детерминантов подматриц.  
+
+### **Параллельный алгоритм**  
+1. **`parallel_determinant(matrix, num_threads=4)`**  
+   - Основная функция, распределяющая вычисления детерминанта между потоками.  
+   - Количество потоков задаётся вручную.  
+
+2. **`worker(start_row, end_row)`**  
+   - Вспомогательная функция, используемая потоками. Выполняет вычисления на заданном диапазоне строк.  
+   - Результаты отдельных потоков объединяются для получения итогового детерминанта.  
+
+---
+
+## **Особенности реализации**  
+- Вычисления для небольших матриц выполняются быстрее обычным алгоритмом.  
+- Параллельный подход показывает значительное ускорение при обработке больших матриц (при оптимальной настройке количества потоков).  
+
+---
+
+## **Результаты работы**  
+
+Для каждой матрицы программа выводит:  
+- Значение детерминанта, рассчитанное обоими алгоритмами.  
+- Время выполнения для каждого из методов.  
+
+Результаты тестирования представлены в виде графиков и таблиц, сохранённых в PNG-файлах проекта.  
+
+---
+
+## **Видео**  
+
+https://cloud.mail.ru/public/L7Wf/o3nkwpAGx

kurushina_ksenia_lab_6/main.py

@@ -0,0 +1,65 @@
+import threading
+#fix
+import time
+import random
+import numpy as np
+from concurrent.futures import ThreadPoolExecutor
+
+def gaussian_determinant(matrix):
+    n = len(matrix)
+    mat = [row[:] for row in matrix]
+
+    for i in range(n):
+        max_row = max(range(i, n), key=lambda r: abs(mat[r][i]))
+        mat[i], mat[max_row] = mat[max_row], mat[i]
+
+        if mat[i][i] == 0:
+            return 0
+
+        for j in range(i + 1, n):
+            factor = mat[j][i] / mat[i][i]
+            for k in range(i, n):
+                mat[j][k] -= mat[i][k] * factor
+
+    det = 1
+    for i in range(n):
+        det *= mat[i][i]
+    return det
+
+def parallel_determinant(matrix, num_threads=4):
+    n = len(matrix)
+    result = []
+    def worker(start_row, end_row):
+        partial_det = 1
+        for i in range(start_row, end_row):
+            partial_det *= matrix[i][i]
+        result.append(partial_det)
+
+    with ThreadPoolExecutor(max_workers=num_threads) as executor:
+        rows_per_thread = n // num_threads
+        futures = [executor.submit(worker, i * rows_per_thread, (i + 1) * rows_per_thread) for i in range(num_threads)]
+        for future in futures:
+            future.result()
+
+    return sum(result)
+
+def generate_matrix(size):
+    return [[random.randint(1, 10) for _ in range(size)] for _ in range(size)]
+
+matrix_sizes = [100, 300, 500]
+num_threads = 4
+
+for size in matrix_sizes:
+    print(f"\nБенчмарки для матрицы {size}x{size}:")
+
+    matrix = generate_matrix(size)
+
+    start = time.time()
+    det_seq = gaussian_determinant(matrix)
+    end = time.time()
+    print(f"Детерминант (последовательно, метод Гаусса): {det_seq}, время: {end - start:.5f} сек")
+
+    start = time.time()
+    det_par = parallel_determinant(matrix, num_threads=num_threads)
+    end = time.time()
+    print(f"Детерминант (параллельно): {det_par}, время: {end - start:.5f} сек")

kurushina_ksenia_lab_7/README.md

@@ -0,0 +1,30 @@
+# Лабораторная работа №7  
+**Балансировка нагрузки в распределённых системах при помощи открытых технологий**  
+
+## Эссе  
+
+### Алгоритмы и методы балансировки нагрузки  
+Балансировка нагрузки обеспечивает равномерное распределение запросов между узлами системы. Основные алгоритмы включают:  
+1. **Round Robin** – запросы направляются узлам по очереди.  
+2. **Least Connections** – выбирается узел с наименьшим числом активных соединений.  
+3. **Hashing** – распределение на основе хэширования, например, IP-адреса клиента.  
+4. **Weighted Distribution** – узлам присваиваются веса в зависимости от их мощности.  
+
+### Открытые технологии для балансировки нагрузки  
+Среди открытых технологий популярны:  
+- **NGINX** – легковесный реверс-прокси, поддерживающий множество алгоритмов.  
+- **HAProxy** – высокопроизводительный инструмент для балансировки TCP/HTTP трафика.  
+- **Traefik** – современный балансировщик, оптимизированный для работы с микросервисами.  
+
+### Балансировка нагрузки на базах данных  
+Для баз данных применяются подходы типа репликации и шардинга.
+
+**Репликация** создает копии данных на нескольких серверах, и запросы могут обрабатываться на ближайшей копии.
+
+**Шардинг** делит данные на части, каждая из которых хранится на отдельном сервере, что позволяет распределять нагрузку.  
+
+### Реверс-прокси как элемент балансировки  
+Реверс-прокси (например, NGINX) выступает посредником между клиентами и серверами. 
+Он принимает запросы, перенаправляет их на доступные серверы, 
+а также может выполнять кэширование и SSL-терминацию, уменьшая нагрузку на конечные узлы.  
+

kurushina_ksenia_lab_8/README.md

@@ -0,0 +1,46 @@
+# Лабораторная работа №8: Устройство распределенных систем
+
+Распределенные системы — это архитектура, где вычислительные задачи выполняются несколькими взаимодействующими
+между собой узлами (сервисами, приложениями). Каждый узел отвечает за свою область задач, 
+что упрощает масштабирование, обеспечивает отказоустойчивость и улучшает производительность.
+
+### Зачем использовать распределенный стиль разработки?
+
+Сложные системы, такие как социальные сети, требуют обработки огромного объема данных и высокой доступности. 
+Разделение функционала на узкие сервисы упрощает разработку, тестирование и сопровождение. 
+Например, один сервис может обрабатывать загрузку изображений, а другой — публикацию постов. 
+Это позволяет масштабировать каждый компонент независимо, снижая нагрузку на всю систему.
+
+### Роль систем оркестрации
+
+Системы оркестрации (например, Kubernetes) автоматизируют развертывание, управление и масштабирование приложений.
+Они упрощают сопровождение за счет централизованного управления, но добавляют сложность
+в настройке и требуют опыта для эффективного использования. Оркестрация помогает сохранять консистентность 
+в сложной инфраструктуре и улучшает мониторинг.
+
+### Очереди обработки сообщений
+
+Очереди сообщений (например, RabbitMQ или Kafka) обеспечивают асинхронное взаимодействие между сервисами.
+Сообщения — это данные, такие как запросы, события или команды. 
+Очереди упрощают обработку высоких нагрузок и
+позволяют сервисам работать независимо друг от друга.
+
+### Преимущества и недостатки
+
+Преимущества распределенных систем:
+
+- Масштабируемость: легко увеличивать ресурсы для отдельных компонентов.
+- Отказоустойчивость: сбой одного узла не влияет на всю систему.
+- Производительность: задачи распределяются между сервисами.
+
+Недостатки:
+- Сложность разработки и отладки.
+- Увеличение задержек из-за сетевого взаимодействия.
+- Требования к инструментам управления и мониторинга.
+
+### Параллельные вычисления в распределенных системах
+
+Параллельные вычисления целесообразны, если задачи можно разбить на независимые блоки. 
+Например, обработка больших объемов данных в аналитике или видеокодировании. 
+Однако их использование не нужно для последовательных задач, 
+таких как запись транзакций в базу данных, где важна консистентность.