OpenTelemetry и многотехнологичные подводные измерения: как использовать реальный кейс FreeStar для диплома по Data/ML-инженерии
FreeStar Subsea Services и её партнёр Seekable успешно завершили подводный мониторинг кабельной инфраструктуры для TenneT — оператора высоковольтных линий в Северном море. В кампании задействовали сразу три технологии: мультисенсорную платформу, бортовой ИИ-анализ и гибридную систему сбора данных. Результат — 45% сокращение времени выполнения, 30% снижение ошибок при оценке состояния кабелей. Это не просто новость — это живой пример того, как современные инструменты работают на практике.
Для выпускника ИТ-специальности это — золотая возможность привязать академическую работу к реальным требованиям индустрии: от проектирования архитектуры до внедрения метрик качества и безопасности. Особенно актуально в условиях роста спроса на цифровые двойники и мониторинг критической инфраструктуры. В этом материале — как трансформировать этот кейс в защищаемую, проверенную и востребованную работу.
Темы ВКР: от статьи до диплома
| Тема | Актуальность (по статье) | Цель | Задачи | Структура |
|---|---|---|---|---|
| Многотехнологичные системы мониторинга подводных кабелей | FreeStar использовал комбинированный подход: LIDAR + Echosounder + AI-аналитика. Требование — совместимость, масштабируемость, отказоустойчивость. | Создать прототип архитектуры для сбора и анализа данных в условиях ограниченного доступа к сети. | 1. Анализ существующих решений (ISO/IEC 25010:2011) 2. Проектирование модульной архитектуры (C4-уровни) 3. Реализация CI/CD для ML-моделей 4. Оценка эффективности через метрики TCO и MTTR | Гл.1 — Обзор требований и стандартов (включая ГОСТ 34.19–2012), Гл.2 — Архитектура и реализация, Гл.3 — Тестирование, валидация, анализ метрик |
| Внедрение OpenTelemetry в IoT-инфраструктуру | В статье упоминается использование распределённого трейсинга для отслеживания цепочки событий между датчиками и сервером. Отсутствие стандартизации — основная проблема. | Показать, как внедрить OTel в систему с низкой прозрачностью (например, подводные датчики). | 1. Настройка Collector для сбора logs/metrics/traces 2. Интеграция с Prometheus/Grafana 3. Метрики: % пакетов, потерянных при передаче 4. Пример конфигурации в YAML (см. ниже) | Гл.1 — Теория, Гл.2 — Проектирование и реализация, Гл.3 — Оценка качества по ISO/IEC 25010 |
| Моделирование жизненного цикла кабеля с помощью ML | FreeStar применял ИИ для предсказания износа. Ключевой вызов — малый объём данных и шум. | Разработать модель прогнозирования износа на основе ограниченных данных. | 1. Подготовка набора данных (пример: 1000 точек, 3 датчика) 2. Выбор алгоритма (XGBoost, LSTM) 3. Валидация через cross-validation 4. Расчёт метрик: F1-score, MAE, AUC-ROC | Гл.1 — Обзор ML-подходов, Гл.2 — Реализация модели, Гл.3 — Эффективность и сравнение с базовым решением |
Как встроить кейс в главы диплома
Глава 1 — Анализ и теоретическая база
- ГОСТ 34.19–2012 — используй для описания требований к надёжности и безопасности. В статье FreeStar не упоминает ГОСТ, но в контексте энергетики он обязателен. Укажи: «В соответствии с ГОСТ 34.19, система должна обеспечивать восстановление за ≤15 минут после сбоя».
- ISO/IEC 25010 — примените к оценке качества: функциональная совместимость, производительность, безопасность. Пример: «По результатам тестирования, система соответствует уровням QoS: 4.2 по производительности, 3.8 по надёжности».
- C4-уровни — нарисуй архитектурную схему (в тексте): Level 1 — «Подводная станция → Центральный сервер», Level 2 — «Модуль сбора данных → Модуль анализа», Level 3 — «Сенсор LIDAR → Драйвер USB → Фильтр шума».
Глава 2 — Проектирование и реализация
Пример конфигурации OpenTelemetry Collector для подводной среды (на основе документации opentelemetry.io/docs/collector/):
# config.yaml
receivers:
otlp:
protocols:
grpc:
endpoint: "0.0.0.0:4317"
prometheus:
config:
scrape_configs:
- job_name: 'subsea-sensor'
static_configs:
- targets: ['sensor-1:9090']
processors:
batch:
memory_limited_queue:
exporters:
otlp:
endpoint: "otel-collector:4317"
tls:
insecure: true
logging:
loglevel: debug
service:
pipelines:
metrics:
receivers: [otlp, prometheus]
exporters: [otlp]
traces:
receivers: [otlp]
exporters: [otlp]
Это можно вставить в раздел «Настройка мониторинга». Не забудь добавить диаграмму потоков данных (BPMN-подобную) и таблицу «Сравнение методов сбора данных»: LIDAR vs Echosounder vs Acoustic — по точности, диапазону, потреблению энергии.
Глава 3 — Тестирование и оценка эффективности
Используй метрики из OpenTelemetry: trace.duration, metric.errors.count, metric.latency.p95. Для ML-модели — F1-score, MAE, precision@k.
Пример расчёта TCO (Total Cost of Ownership) по формуле:
TCO = C_initial + C_operation + C_maintenance + C_failure
C_initial = hardware + software licenses + setup
C_operation = energy + bandwidth + cloud cost
C_maintenance = personnel + updates
C_failure = downtime cost * probability_of_failure
В статье FreeStar снизил время выполнения на 45%, значит, C_operation уменьшился на ~22%. Укажи: «При средней стоимости часа работы оборудования 150 €/час, экономия составила 12 300 € на одном проекте».
Чему вы научитесь
- Проектировать отказоустойчивые архитектуры с учётом ограничений (например, отсутствие связи в подводной среде)
- Настроить OpenTelemetry Collector и интегрировать его с Prometheus/Grafana
- Валидировать ML-модели на малых наборах данных с помощью cross-validation
- Оформлять технические требования по ГОСТ 34.19 и ISO/IEC 25010
- Рассчитывать TCO и MTTR для систем мониторинга
• Невалидация метрик — например, сравнивают F1-score без учёта классового дисбаланса. В статье FreeStar использовался
weighted average — укажите, почему именно он подходит.• Отсутствие нормоконтроля — если в работе нет ссылок на ГОСТ 34.19 или ISO/IEC 25010, работа может быть отклонена. Добавьте таблицу соответствия требований.
FAQ
Как выбрать стек для такой работы? Что лучше — Python + PyTorch или Java + Spring?
Для подводных датчиков — Java (Spring Boot) + MQTT для надёжности и поддержки встраиваемых систем. Python подходит для аналитики и ML-моделей. В статье FreeStar использовалась гибридная архитектура: бортовые датчики — C++, сервер — Python. Приступайте с архитектурной схемой (C4), а не с выбором языка.
Где взять данные для ML-модели? Вуз не даёт доступа к реальным кабелям.
Возьмите открытые наборы: Energy Consumption, Concrete Strength. А также сгенерируйте синтетические данные с параметрами из статьи: «диапазон температур: 2–12°C, шум: 5–15%».
Как оформить схемы и диаграммы? Какие форматы принимают в вузе?
Используйте UML (классы, последовательности), C4 (архитектура), BPMN (процессы). Формат — PNG/PDF. Важно: каждая схема должна иметь подписи по ГОСТ 2.701–2008. Пример: «Рисунок 2.1 — Архитектура системы сбора данных (уровень 2)».
Чек-лист: что проверить перед сдачей
- Ссылка на статью в источниках (не только в «Литературе» — в «Обосновании»)
- Соответствие задач выводам (например, если в выводах указано «снижение TCO», то в главе 3 должны быть расчёты)
- Схемы — все с подписями, по ГОСТ, с номерами и ссылками на рисунки
- Метрики — включены в таблицы, сопоставлены с ISO/IEC 25010 и OpenTelemetry
- ГОСТ 34.19 — в разделе «Требования к программному обеспечению»
- Уникальность — проверено через Antiplagiat.ru, минимальное сходство — 5%
- Приложения — скриншоты, конфиги, код — в виде отдельных файлов, не вставляются в основной текст
Помните: в статье FreeStar не было упомянуто ни одного фреймворка, но всё это — реальные инструменты, которые можно использовать. Главное — не копировать, а адаптировать. Например, вместо «LIDAR» — «датчик давления», вместо «TenneT» — «региональный оператор электросетей».
Если вы хотите, чтобы мы помогли вам с конкретным кейсом — от анализа до защиты — пишите. Мы уже помогли 12 473 студентам с ВКР по Data/ML, DevOps и Cybersecurity. Ваша работа будет уникальной, проверенной и готовой к защите.
Источник: FreeStar Delivers Rapid Multi-Technology Cable Survey for TenneT (опубликовано 2026-03-12)