lab6

README.md

@@ -8,7 +8,7 @@
 1. [Знакомство с docker и docker-compose](labs/lab_1/README.md)
 2. [Разработка простейшего распределённого приложения](labs/lab_2/README.md)
 3. [REST API, Gateway и синхронный обмен между микросервисами](labs/lab_3/README.md)
-4. [Работа с брокером сообщений](labs/lab_4/README.md)
+4. TBA
 5. TBA
 6. TBA
 7. TBA

labs/lab_3/README.md

@@ -126,4 +126,4 @@
 
 [Пример файла с настройкой nginx](./example_nginx.conf).
 
-[Ещё один пример связи воркеров и nginx](../../tasks/moiseev-vv/lab_3).
+[Ещё один пример связи воркеров и nginx](../../tasks/moiseev-vv/lab_3).

labs/lab_4/README.md

@@ -1,59 +0,0 @@
-# Лабораторная работа №4 - Работа с брокером сообщений
-
-**Цель**: изучение проектирования приложений при помощи брокера сообщений.
-
-**Задачи**:
-
-1. Установить брокер сообщений RabbitMQ.
-2. Пройти уроки 1, 2 и 3 из [RabbitMQ Tutorials](https://www.rabbitmq.com/getstarted.html) на любом языке программирования.
-3. Продемонстрировать работу брокера сообщений.
-
-## Установка брокера сообщений RabbitMQ
-
-Можно не использовать Docker и использовать локальный ПК.
-
-[Страница скачивания RabbitMQ с офф. сайта](https://www.rabbitmq.com/download.html).
-
-[Страница релизов RabbitMQ](https://github.com/rabbitmq/rabbitmq-server/releases/), где есть бинарные установщики для всех современных платформ.
-
-## Прохождение tutorial
-
-Достаточно для каждого урока скриншота, где виден запуск одновременно `producer` и `consumer`, а также видно, что сообщения передаются.
-
-## Разработка демонстрационных приложений
-
-См. 3 главу tutorial.
-
-Необходимо выбрать предметную область и разработать следующие приложения:
-
-1. **Publisher**.
-  Программа, которая создаёт один **exchange** с типом _fanout_.
-  Программа должна раз в секунду генерировать сообщения в журнал событий согласно вашей предметной области.
-  Например, событие "пришёл заказ" или "сообщение от пользователя" или "необходимо создать отчёт".
-2. **Consumer 1**.
-  Программа, которая создаёт под себя отдельную не анонимную (!) очередь (**queue**) (то есть имя queue НЕ пустая строка), создаёт **binding** на **exchange** и начинает принимать сообщения (_consume_).
-  Программа должна обрабатывать сообщения 2-3 секунды.
-  Можно реализовать через обычный _Thread.Sleep_ (для C#).
-3. **Consumer 2**.
-  Аналогично _Consumer 1_, только сообщения необходимо обрабатывать моментально.
-  Только имя очереди должно отличаться от _Consumer 1_.
-
-Далее необходимо собрать и запустить приложения одновременно по одному экземпляру.
-
-Сделать в отчёте вывод о скорости обработки _consumer_-ами событий от _publisher_-а.
-Для этого можно посмотреть заполненность созданных очередей.
-А для этого можно использовать скриншот из **RabbitMQ Management UI**.
-
-Запустить несколько копий _Consumer 1_.
-Проверить заново заполненность очередей через _UI_.
-
-## Правила оформления pull request
-
-Код и отчёт со скриншотами необходимо положить в папку `tasks/фамилия-инициалы/lab_4`.
-
-Не забудьте о файле `.gitignore`, чтобы не закоммитить ничего лишнего.
-Для C#-проектов это, например, папки `bin` и `obj`.
-
-Правила именования ветки: `фамилия-инициалы-lab-номер`, например, `moiseev-vv-lab-4`.
-
-Название pull request: `[Л/Р 4] ФАМИЛИЯ ИМЯ`, например, `[Л/Р 4] Моисеев Владислав`.

tasks/kazakov-ev/lab_6/README.md

@@ -0,0 +1,30 @@
+# 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

@@ -0,0 +1,61 @@
+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)