lab6

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_7/README.md

@@ -0,0 +1,39 @@
+# Отчет по лабораторной работе №7
+Выполнил студент гр. ИСЭбд-41 Казаков Е.В.
+
+## Вопросы
+Написать небольшое эссе (буквально несколько абзацев) своими словами. А помогут Вам в этом вопросы из списка:
+
+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
+
+1. Алгоритмы и методы балансировки нагрузки
+   - Раунд-робин: Запросы распределяются между серверами в равных долях, каждый сервер получает запрос в порядке очереди.
+   - Взвешенный раунд-робин: Запросы распределяются между серверами с учетом их пропускной способности или нагрузки, чтобы более мощные серверы получали больше запросов.
+   - IP хэширование: Используется IP-адрес клиента для распределения запросов. Каждый клиент получает один и тот же сервер при повторном обращении.
+   - Алгоритмы предсказывающего анализа: Используются статистические данные и анализ прошлых запросов для предсказания оптимального распределения нагрузки.
+
+2. Открытые технологии балансировки нагрузки
+   - Nginx: Легкий веб-сервер, способный работать как прокси-сервер и балансировщик нагрузки.
+   - HAProxy: Балансировщик нагрузки с открытым исходным кодом, специализирующийся на высокой доступности и производительности.
+   - Apache HTTP Server с модулем mod_proxy_balancer: Популярный веб-сервер, позволяющий выполнить балансировку нагрузки с помощью модуля mod_proxy_balancer.
+   - Microsoft Network Load Balancing (NLB): Решение для балансировки нагрузки в среде Windows, встроенное в ОС Windows Server.
+
+3. Балансировка нагрузки на базах данных
+   Балансировка нагрузки на базах данных может быть достигнута с использованием следующих методов:
+   - Репликация: Создание дубликатов баз данных для распределения нагрузки между серверами.
+   - Шардинг: Разбиение данных на отдельные серверы, каждый из которых отвечает за определенную часть информации.
+   - Кластеризация: Совместное использование ресурсов нескольких серверов для достижения более высокой производительности и отказоустойчивости.
+
+4. Реверс-прокси как один из элементов балансировки нагрузки
+   Реверс-прокси является компонентом, который обрабатывает входящие запросы от клиентов и перенаправляет их на соответствующие серверы. Он может быть сконфигурирован для выполнения балансировки нагрузки, решая такие задачи, как:
+   - Распределение запросов между несколькими серверами.
+   - Мониторинг состояния серверов и исключение недоступных серверов из пула.
+   - Кеширование ответов для улучшения производительности.