lab8

tasks/kazakov-ev/lab_6/README.md

@@ -1,30 +0,0 @@
-# Отчет по лабораторной работе №6
-
-Выполнил студент гр. ИСЭбд-41 Казаков Е.В.
-
-## Создание приложения
-
-Выбрал язык Pythone.
-
-Приложение на вход получает кол-во поток, далее у нас происходит последовательный расчет детерминанта. После чего выводит всё в консоль 
-
-![](1.png)
-
-
-## Бенчмарки
-
-Протестируем обычный и параллельный алгоритм матрицах 100х100, 300х300 и 500х500.
-
-Матрицы 100х100
-
-![](2.png)
-
-Матрицы 300х300
-
-![](3.png)
-
-Матрицы 500х500
-
-![](4.png)
-
-Вывод: Чем больше у нас кол-во данных, тем разница между параллельным и последовательных становится меньше Как видно из скриншотов для матрицы 500x500 параллельный алгоритм завершил быстрее чем, последовательный.

tasks/kazakov-ev/lab_6/algo.py

@@ -1,61 +0,0 @@
-import numpy as np
-import time
-from multiprocessing import Pool
-
-def determinant(matrix):
-    return np.linalg.det(matrix)
-
-def parallel_determinant(matrix, num_threads):
-    size = matrix.shape[0]
-    step = size // num_threads
-    pool = Pool(processes=num_threads)
-    blocks = []
-    for i in range(0, size, step):
-        blocks.append(matrix[i:i+step, i:i+step])
-    dets = pool.map(determinant, blocks)
-    return np.prod(dets)
-
-def benchmark(num_threads):
-    matrix1 = np.random.rand(100, 100)
-    start_time = time.time()
-    det1 = determinant(matrix1)
-    end_time = time.time()
-    execution_time = end_time - start_time
-    print("Матрица 100x100:", matrix1)
-    print("Детерминант матрицы 100x100:", det1)
-    print("Последовательное время выполнения:", execution_time, "сек")
-    start_time = time.time()
-    detp1 = parallel_determinant(matrix1, num_threads)
-    end_time = time.time()
-    execution_time = end_time - start_time
-    print("Пареллельное время выполнения:", execution_time, "сек")
-    matrix2 = np.random.rand(300, 300)
-    start_time = time.time()
-    det2 = determinant(matrix2)
-    end_time = time.time()
-    execution_time = end_time - start_time
-    print("Матрица 300x300:", matrix2)
-    print("Детерминант матрицы 300x300:", det2)
-    print("Последовательное время выполнения:", execution_time, "сек")
-    start_time = time.time()
-    detp2 = parallel_determinant(matrix2, num_threads)
-    end_time = time.time()
-    execution_time = end_time - start_time
-    print("Пареллельное время выполнения:", execution_time, "сек")
-    matrix3 = np.random.rand(500, 500)
-    det3 = determinant(matrix3)
-    end_time = time.time()
-    execution_time = end_time - start_time
-    print("Матрица 500x500:", matrix3)
-    print("Детерминант матрицы 500x500:", det3)
-    print("Последовательное время выполнения:", execution_time, "сек")
-    start_time = time.time()
-    detp3 = parallel_determinant(matrix3, num_threads)
-    end_time = time.time()
-    execution_time = end_time - start_time
-    print("Пареллельное время выполнения:", execution_time, "сек")
-
-if __name__ == "__main__":
-    print("Введите кол-во поток")
-    n = int(input())
-    benchmark(n)

tasks/kazakov-ev/lab_8/README.md

@@ -0,0 +1,44 @@
+# Отчет по лабораторной работе №8
+
+Выполнил студент гр. ИСЭбд-41 Миронов Е.О.
+
+## Задачи
+
+Написать небольшое эссе (буквально несколько абзацев) своими словами. А помогут Вам в этом вопросы из списка: 
+1. Зачем сложные системы (например, социальная сеть ВКонтакте) пишутся в "распределенном" стиле, где каждое отдельное приложение (или сервис) функционально выполняет только ограниченный спектр задач?
+2. Для чего были созданы системы оркестрации приложений? Каким образом они упрощают / усложняют разработку и сопровождение распределенных систем?
+3. Для чего нужны очереди обработки сообщений и что может подразумеваться под сообщениями?
+4. Какие преимущества и недостатки распределенных приложений существуют на Ваш взгляд?
+5. Целесообразно ли в сложную распределенную систему внедрять параллельные вычисления? Приведите примеры, когда это действительно нужно, а когда нет.
+
+## Эссе
+
+1. Зачем сложные системы (например, социальная сеть ВКонтакте) пишутся в "распределенном" стиле, где каждое отдельное приложение (или сервис) функционально выполняет только ограниченный спектр задач?
+
+        Во-первых, такие системы обрабатывают огромные объемы данных и высокие нагрузки, поэтому разделение функциональности между отдельными приложениями или сервисами позволяет более эффективно масштабировать и обрабатывать данные. Каждое приложение выполняет свою специфическую задачу, что позволяет легко масштабировать и модифицировать систему.
+
+2. Для чего были созданы системы оркестрации приложений? Каким образом они упрощают / усложняют разработку и сопровождение распределенных систем?
+
+        Системы оркестрации приложений созданы для упрощения и управления разработкой и сопровождением распределенных систем. Они предоставляют средства для координации работы различных сервисов, обеспечивают управление состоянием, масштабирование и мониторинг системы. Это позволяет разработчикам концентрироваться на логике приложений, не беспокоясь о низкоуровневых деталях взаимодействия между сервисами. Однако, оркестрация приложений может усложнить разработку и требует дополнительных усилий по настройке и поддержке системы.
+
+3. Для чего нужны очереди обработки сообщений и что может подразумеваться под сообщениями?
+
+        Очереди обработки сообщений играют важную роль в распределенных системах. Они служат для асинхронной коммуникации между компонентами системы и обеспечивают отказоустойчивость и гибкость в обработке данных. Сообщения могут представлять собой запросы на выполнение определенной задачи, информацию о событии или результаты выполнения действий. Очереди позволяют более гибко и эффективно управлять потоками данных и обеспечивать их последовательную обработку, даже при высоких нагрузках.
+
+4. Какие преимущества и недостатки распределенных приложений существуют на Ваш взгляд?
+
+        Распределенные приложения имеют свои преимущества и недостатки. Они позволяют обрабатывать большие объемы данных, расширяться горизонтально и обеспечивать высокую отказоустойчивость. Однако, разработка и поддержка таких систем могут быть сложными и требовать специфических знаний. Также, распределенные системы могут страдать от проблем с консистентностью данных, синхронизацией и возникающими задержками в обработке.
+
+5. Целесообразно ли в сложную распределенную систему внедрять параллельные вычисления? Приведите примеры, когда это действительно нужно, а когда нет.
+
+        Внедрение параллельных вычислений в сложную распределенную систему может быть целесообразным при определенных условиях. Рассмотрим несколько примеров, когда это может быть полезно и когда необходимость в этом отсутствует:
+
+        1. Обработка больших объемов данных: Если система работает с огромными объемами данных, параллельные вычисления могут значительно ускорить обработку. Например, в аналитической системе, которая агрегирует и анализирует большие объемы данных, параллельные вычисления помогут распределить нагрузку на несколько узлов и ускорить обработку данных.
+
+        2. Вычислительно интенсивные задачи: Если система выполняет вычислительно сложные операции или алгоритмы, параллельные вычисления могут значительно сократить время обработки. Например, в системе машинного обучения, где требуется обучение модели на большом объеме данных, параллельные вычисления позволят распределить вычислительную нагрузку между несколькими узлами и ускорить процесс обучения.
+
+        Однако, есть случаи, когда внедрение параллельных вычислений может быть излишним:
+
+        1. Простые операции: Если операции в системе относительно простые и не требуют значительных вычислительных ресурсов, то внедрение параллельных вычислений может быть излишним. Например, в системе управления пользователями, где требуется простая обработка запросов на создание, обновление или удаление пользователей, параллельные вычисления не приведут к значительному ускорению.
+
+        2. Необходимость в строгой последовательности: В некоторых случаях, система может требовать строгой последовательности выполнения операций. В таких случаях, параллельные вычисления могут нарушить эту последовательность и привести к нежелательным результатам. Например, в базе данных, где нужно манипулировать данными с использованием транзакций, параллельне вычисления могут нарушить целостность данных.