AWS и облачные технологии

Краткое содержание учебной дисциплины, модуля / Brief summary

Вычислительные возможности AWS. Ключевые преимущества облачной инфраструктуры. Концепция регионов и зон доступности. Использование IAM и VPC для организации безопасности внутренней инфраструктуры.  Работа с EC2 Auto Scaling Group,  ECS, EKS.  Использование бессерверных вычислений над Kinesis, SQS, S3 для  потоковой загрузки данных.

Обработка данных         на EMR. Использование  Elasticsearch, DynamoDB, Milvus / NebulaGraph, LLM для анализа новостей. Вычисление индикаторов на EMR кластере с помощью  Spark, Heron / Storm, Druid. Использование  Glue, Athena, Apache Hudi для работы с озерами данных

Модели машинного обучения в кластере. Распределенное обучение моделей машинного обучения,  работа с временными рядами. Вычисление оптимального финансового портфеля с помощью  HRP подхода на Nvidia GPU кластере. Распределенное МCMC-моделирование и байесовский анализ в кластерной среде

Практикум использования эталонных облачных архитектур.  Разбор инструментов и практик Security, Cost Optimization, Reliability, Performance Efficiency, Operational Excellence. Практикум построения архитектуры систем анализа и торговли на финансовых рынках с позиций AWS Well-Architected Framework

AWS Computing Capabilities. Key benefits of cloud infrastructure. The concept of regions and availability zones. Using IAM and VPC to organize the security of internal infrastructure. Working with EC2 Auto Scaling Group, ECS, EKS. Using serverless computing over Kinesis, SQS, S3 for streaming data loading.

Data processing on EMR. Using Elasticsearch, DynamoDB, Milvus/NebulaGraph, LLM for news analysis. Calculation of indicators on an EMR cluster using Spark, Heron / Storm, Druid. Using Glue, Athena, Apache Hudi to work with data lakes

Machine learning models in a cluster. Distributed training of machine learning models, working with time series. Calculation of the optimal financial portfolio using the HRP approach on an Nvidia GPU cluster. Distributed MCMC modeling and Bayesian analysis in a cluster environment

Workshop on using reference cloud architectures. Analysis of tools and practices Security, Cost Optimization, Reliability, Performance Efficiency, Operational Excellence. Workshop on building the architecture of analysis and trading systems in financial markets from the perspective of the AWS Well-Architected Framework

Формируемые компетенции / The formed competences

Специализированная компетенция: Применять основные методы проектирования и реализации масштабируемых интернет-сервисов.

Specialized Competency: Apply basic techniques for designing and implementing scalable Internet services.

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

В результате освоения учебной дисциплины студент должен

знать:

основные принципы проектирования облачной архитектуры;

возможности выбранных продуктов AWS для организации работы информационных систем с большой долей вычислений и объемов данных;

уметь:

проектировать и развертывать информационные сервисы в облаке;

анализировать риски и архитектуру информационных систем в облаке.

владеть:

навыками отображения выбранных методов математического моделирования на продукты в облачной среде.

As a result of mastering the academic discipline, the student

must know:

basic principles of cloud architecture design;

the capabilities of selected AWS products for organizing the operation of information systems with a large share of calculations and data volumes;

be able to:

design and deploy information services in the cloud;

analyze risks and architecture of information systems in the cloud.

own:

skills of mapping selected mathematical modeling methods to products in a cloud environment.

Семестр изучения учебной дисциплины, модуля / Semester of study

2

2

Пререквизиты / Prerequisites

Трудоемкость в зачетных единицах (кредитах) / Credit units

3 зачетные единицы.

3 credit units.

Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work,

hours of self-directed learning

Всего 108 часов, в том числе 54 аудиторных часа, из них: лекции – 18 часов, лабораторные занятия – 36 часов.

A total of 108 hours, including 54 classroom hours, of which: lectures — 18 hours, laboratory classes — 36 hours.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

Опрос, письменный отчет с устной защитой по лабораторной работе, экзамен.

Survey, written report with oral defense on laboratory work, exam.