Интервью доцента М. М. Ровнягина

Ровнягин Михаил Михайлович, к.т.н., доцент Института интеллектуальных кибернетических систем НИЯУ МИФИ, кафедра №12 «Компьютерные системы и технологии» НИЯУ «МИФИ». Область научных исследований: распределенные системы, гибридные суперкомпьютерные технологии и использование методов машинного обучения для оптимизации построения виртуальных контейнеризированных инфаструктур NFV. Михаил Михайлович рассказал об актуальности технологии обработки больших данных, своей научной работе, и как преодолевал карьерный путь для достижения успехов!

 

• Михаил Михайлович, расскажите о себе?

Я закончил 12 кафедру не существующего ныне факультета КиБ (Кибернетика и Информационная Безопасность), а поступал на К в далеком 2007-м. Студенческие годы, самые увлекательные годы жизни. МИФИ – хороший университет. Выжив на первых курсах, я и мои одногруппники, если и не получили каких-то сверхспособностей в физике и матанализе, то, по крайней мере, прошли отличную фильтрацию и получили ценную способность разбираться в задачах любой сложности. Как староста, отчетливо помню, что максимальный списочный состав группы насчитывал 34 человека, а защитили дипломы всего 12. Это очень хорошие специалисты.

Примерно с третьего курса, как и большинство одногруппников, работал на полставки в «МЦСТ» и занимался аппаратной верификацией (проверка на соответствие спецификации) процессора Эльбрус. Очень интересная работа, надо отметить: одновременно понимать, как должен работать верифицируемый блок процессора и воспроизводить работу всего его окружения. Для этого мы с моим другом Игорем Мельниченко использовали языки описания и верификации аппаратуры Verilog и SystemVerilog. Моделирование выполняли на C++, а стыковалось это все через Perl и bash. В соседних отделах тоже работали друзья-одногруппники Андрей Антипов (развивал дистрибутив операционной системы) и Алексей Бутырин (разрабатывал контроллер PCI Express). Денег получали совсем мало. Но такой полезный опыт крайне сложно получить столь рано. Я очень благодарен родной кафедре, по сути, распределившей нас на предприятие, ЗАО МЦСТ, где на деле понял, как работает процессор, друзьям, с которыми вместе преодолевали все трудности, преподавателям и сотрудникам, которые мудро направляли нас.

В 2012 году поступили в аспирантуру с Андреем Андреевичем Скитевым, ныне мой хороший коллега, преподаватель на кафедре. Аспирантура для меня – прежде всего обучение через преподавание. Вместе с научным руководителем Васильевым Николаем Петровичем создали новый курс – Гибридные суперкомпьютерные технологии. Кафедра в лице заведующего Михаила Александровича Иванова, никогда не давала заскучать, и все три года исследовал интересующие меня темы. Объездил почти всю страну от Байкала до Калининграда, читая лекции (спасибо Светлане Александровне Ганат и проекту Школа Росатома) и проводя олимпиады Росатома (спасибо Муравьеву Сергею Евгеньевичу и Скрытному Владимиру Ильичу). Летом 2012 Александр Борисович Вавренюк, доцент нашей кафедры, позвал меня работать в приемную комиссию, заниматься целевым приемом. С 2013 заменил его на этом посту, со временем получив должность заместителя ответственного секретаря. В 2015 году защитил диссертацию. Это последнее на пути к диплому кандидата технических наук испытание мы проходили вместе с Когосом Константином Григорьевичем, ныне талантливым преподавателем, доцентом кафедры 42. После защиты кандидатской я занимал должность старшего преподавателя кафедры, а с 2017 занимаю должность доцента.

Имеющиеся знания, поддержка близких людей и кафедры позволили также достичь определенного признания, выразившегося в таких достижениях как стипендия президента РФ студентам и аспирантам, премия президента поддержки талантливой молодежи, лучший преподаватель МИФИ, победитель У.М.Н.И.К. и пр.

 

• Помимо университета, где-нибудь ещё работаете?

Параллельно, воспользовавшись советом «идти в бизнес», занялся Java-разработкой. Пускай в коммерческих компаниях все обычно не так интересно, как в университетской науке — с проектами мне везло. Первым местом работы после больших научных каникул стала компания NetCracker, где занимался разработкой высокопроизводительной системы мониторинга виртуализированных сетевых функций (VNF). После этого довелось работать на проекте по разработке рекомендательной системы новостной выдачи в компании EPAM для компании Вымпелком в роли ведущего BigData-разработчика. И, наконец, с 2017 работаю над проектом контейнеризированного запуска моделей машинного обучения в компании ПАО Сбербанк в должности старшего эксперта по технологиям. Каждый из моих проектов переплетен с научной деятельностью, что позволяет получать синергетический эффект. Работая в промышленности, удается лучше понимать, чем живет индустрия и каковы ее текущие потребности, занимаясь исследованиями в институте – заглядывать на несколько лет вперед и преподавая – передавать актуальные знания и навыки студентам.

Из последних больших свершений можно упомянуть членство в рабочей группе БРИКС по информационно-телекоммуникационным технологиям и высокопроизводительным вычислениям в городе Пуна (Индия) в прошлом году. Мы вместе с бразильскими и индийскими коллегами подготовили концепцию развития ИКТ и HPC в странах-участницах БРИКС. От нашей страны участвовали коллеги из РАН, МГУ, МФТИ и др. университетов. Мне довелось представлять МИФИ. В основном благодаря солидному интеллектуальному потенциалу, удается и на существующем оборудовании проводить исследования мирового класса, а роль нашего университета в этих процессах далеко не последняя.

 

• Какие научные исследования ведёте со студентами? Расскажите про их успехи.

Сейчас у меня есть своя научная группа и исследовательская лаборатория высокопроизводительных вычислений. Костяк группы составляют аспиранты и магистранты кафедры, которые проводят совместные исследования в самых разных областях. Можно выделить два крупных направления: гибридные суперкомпьютерные технологии и BigData. По каждому направлению есть базовый учебный курс в магистратуре, соответственно: Гибридные суперкомпьютерные технологии и Data science and big data analytics. Пройдя эти курсы, студенты получают навыки работы с большими объемами данных и приступают к исследованиям. По мере сил, стараюсь, чтобы у каждого моего дипломника и магистранта была хотя бы одна статья, индексируемая Scopus, что позволяет им увереннее чувствовать себя при поступлении в магистратуру и аспирантуру не только нашего, но и любого другого университета. Помимо этого, студенты участвуют в совместных с кафедрой заявках на гранты и конкурсы, проводимые РНФ, министерством образования РФ и прочими ведомствами.

 

• Гибридные суперкомпьютерные технологии. В чём их преимущество?

Прежде всего, стоит заметить, что под гибридностью понимается наличие в составе вычислительной системы сопроцессора, который работает параллельно с центральным процессором. Под суперкомпьютерами можно понимать такие вычислительные комплексы, которые на несколько порядков превосходят по производительности персональные компьютеры. Существуют различные виды суперкомпьютеров, но наибольшее распространение получили высокопроизводительные кластеры (HPC). В моей лаборатории как раз есть такой гибридный вычислительный кластер производительностью 6 триллионов операций в секунду, имеющий в своем составе сопроцессоры NVIDIA Tesla и Intel Xeon Phi. Кластер используется для обучения студентов в рамках курсов Гибридные суперкомпьютерные технологии и Data science and big data analytics, а также в научных исследованиях. Наибольший интерес в научном плане сейчас вызывают вопросы планирования вычислений в системах с гибридной архитектурой, а также ускорение существующих программ и систем хранения данных с применением гибридных вычислительных технологий. Так, например, используя гибридные сопроцессоры можно добавить функциональность сквозного шифрования данных в NoSQL систему Apache Cassandra, практически не замедлив ее работу или ускорить функцию сжатия данных в прикладной программе в несколько раз.

 

• Методы машинного обучения для оптимизации построения виртуальных контейнеризированных инфаструктур NFV. Что это такое? Какие перспективы этих технологий?

Еще одним перспективным направлением является развитие технологий виртуализации сетевых функций (NFV). Это достаточно сложная и новая технология из области телекоммуникаций. Проще всего рассказать об этом на примере. Допустим, есть провайдер «ЛинК ПРО», предоставляющий услуги IPTV. Прежде чем медиаконтент попадает к нам домой он проходит множество трансформаций, включающих стадии перекодирования, сжатия. Если раньше эти трансформации выполнялись специализированным оборудованием, то теперь они представляются в виде программ и размещаются на облачных серверах. Это уменьшает расходы на оборудование и упрощает поддержку. Каждый такой модуль, участвующий в предоставлении услуги, называется виртуальной сетевой функцией (VNF). А сама услуга выглядит как цепочка последовательных вызовов VNF. Наша группа занимается вопросами ускорения как самих VNF при помощи технологий гибридных вычислений, так и вопросами оптимизации размещения элементов цепочек VNF на узлах облачного сервиса (кластера) для повышения скорости работы системы в целом. Так, например, применяя методы машинного обучения (обучение с подкреплением) можно последовательными трансформациями размещения цепочки (по сути – методом проб и ошибок, на которых учится нейросеть) добиться лучшего размещения VNF по узлам кластера хостинг-провайдера. У данного подхода много ответвлений и дополнительных методов, поэтому есть большой потенциал для дальнейших исследований.

 

• Что бы вы посоветовали молодому выпускнику (абитуриенту) МИФИ, который хочет повторить ваш успех?

Вспоминая старую мудрость: «Дорогу осилит идущий», — можно пожелать абитуриентам, которые только выбирают университет и выпускникам МИФИ идти вперед и никогда не сдаваться. Пусть сначала что-то может не получаться и даже кто-то усомнится в ваших способностях, но, если это вам действительно интересно, вы освоите любые науки. А из более приземленных советов из относительно близких мне областей знаний могу порекомендовать чтение переводных книжек и просмотр курсов на русском языке. Когда разберетесь в основах можно переходить на документацию интересующих фреймворков и технологий на английском языке и чтение книжек в оригинале. Так получилось, что большинство технологий приходится перенимать, изучая их в оригинале. Однако ничего зазорного в этом нет. Возможно, именно у вас получится настолько хорошо изучить одну из них, что удастся занять лидирующие позиции. Успехов!