Опубликовано: 29.07.2026 | Источник: CNews (новости)

```html

Микрофронтенды и городская логистика в дипломе: как привязать ВКР к реальному опросу hh.ru

Эксперты hh.ru выяснили: 68% россиян хотят тратить на дорогу до работы не более часа, а треть ежедневно стоит в пробках по 1–3 часа. Статья на CNews от 16.03.2026. Для IT-выпускника этот тренд — не просто социология, а сигнал к поиску практических решений: как архитектура информационных систем помогает сократить время в пути? Вместо очередной «учётной системы» предлагаю взять фокус на оптимизацию маршрутов, мониторинг транспорта или управление парковочными местами с привязкой к реальным данным.

Три темы ВКР, которые «заходят» с этим кейсом

Аналитическая глава: сравниваем решения и обосновываем стек

В первой главе диплома обычно требуют обзор аналогов. Привяжите статью к разделу 1.2 «Анализ существующих решений». Например: "Опрос hh.ru показывает, что 33 % респондентов проводят в транспорте >1 часа. Это может быть вызвано неоптимальной стыковкой маршрутов, которую решают системы типа TransitGraph (США) или «Яндекс.Маршруты» (РФ). Однако их алгоритмы закрыты, что ограничивает адаптацию для малых городов." Добавьте реальные метрики (средняя задержка, количество пересадок), которые можно взять из открытых данных.

Какие ГОСТы и стандарты помогут обосновать архитектуру

• ГОСТ 34.602-89 — техническое задание на автоматизированную систему. Без него защита рискует быть «сырой».
• ISO/IEC 25010 — модель качества: функциональность, эффективность, переносимость. Прямо про метрики.
• OpenTelemetry — трейсинг запросов. Полезно для модуля мониторинга.
• Kubernetes — масштабирование микросервисов. Актуально, если нагрузка от данных с датчиков резко растёт утром и вечером.

Проектная часть: схемы, алгоритмы, интеграция с API

Пример. Если вы делаете сервис мультимодальных маршрутов, включите в проект: диаграмму компонентов (C4), алгоритм с весовой функцией (время + загруженность), REST API для фронта. Вот фрагмент выбора фреймворка:

# python, FastAPI
@app.get("/route")
async def calculate_route(origin: str, dest: str):
    # вызов OpenTripPlanner + поправка на часовой пик
    route = router.plan(origin, dest, peak_adjust=True)
    return {"eta": route.duration, "transfers": len(route.legs)}

Покажите, как данные из открытых источников (Raspberry Pi + GPS-трекеры) поступают в Kafka, потом в ClickHouse — и как это снижает Time-to-Insight для диспетчеров.

Тестирование и метрики: нагрузочное, RTO, RPO

• Нагрузочное тестирование (Locust / K6): симулируйте одновременный запрос маршрута от 500 пользователей в час пик. Ожидание: <1000 мс на запрос.
• RTO / RPO: если система мониторинга парковок падает, критично восстановить данные за ≤5 минут (RTO), потери — не более 10 секунд (RPO).
• Мониторинг: Prometheus + Grafana по стандарту OpenTelemetry. См. таблицу метрик.

Чему вы научитесь на этой ВКР

• Обосновывать выбор архитектуры (монолит vs микросервисы) под тренды, а не «чтобы было».
• Работать с потоковыми данными (Kafka, Spark Streaming) — навык, который требуют 40 % вакансий Middle-архитектора.
• Писать ТЗ по ГОСТ 34, а не «техничку» на коленке.

FAQ: частые вопросы студентов

— Сложно ли реализовать мультимодальный маршрутизатор в дипломе?

Для MVP достаточно модуля на основе OpenTripPlanner и очереди Kafka. Код занимает ~200 строк, не считая тестов. Упор на архитектуру — 70 % работы.

— Вуз требует «программный продукт», но я делаю исследование — пройдёт?

Да, если глава «Проектирование» содержит ER-диаграммы и схемы потоков данных. Код можно показать фрагментами (pre).

— Где брать тестовые данные для загрузки парковок?

Открытые датасеты города (data.mos.ru), имитаторы IoT-сенсоров (типа Mosquitto + Python-скрипт). В статье hh.ru есть временной профиль, который можно применить как паттерн нагрузки.

Источник: 2/3 россиян хотят добираться до работы быстрее, чем за час. При этом треть проводит в дороге на работу от 1 до 3 часов ежедневно (опубликовано 2026-03-16)

```