Опубликовано: 14.04.2026 | Источник: CNews (новости)

Умный видеомониторинг в дипломе: как сделать проект по ИБ и IoT актуальным и защищаемым

Компания МТС завершила третий этап внедрения системы умного видеомониторинга для обнаружения природных пожаров в Приморье. Проект использует ИИ-алгоритмы, видеокамеры с ИК-подсветкой и централизованную платформу анализа данных. Это не просто социальная инициатива — это технически сложный кейс, сочетающий IoT, edge-обработку, машинное обучение и системы реального времени. Для студентов IT-специальностей такой проект — готовый шаблон для ВКР: он демонстрирует, как современные архитектуры решают реальные задачи, а не просто "запускают Docker".

Почему это важно? Потому что вузовские требования к дипломам всё чаще включают не только теорию, но и доказательства эффективности. А эффективность — в метриках: время обнаружения угрозы, точность распознавания, отказоустойчивость. Такие проекты уже не экзотика — они становятся стандартом. Если ваш диплом не учитывает тренды вроде умного мониторинга, он рискует выглядеть устаревшим перед комиссией.

Темы ВКР на основе кейса МТС

1. Разработка архитектуры системы видеомониторинга с ИИ-анализом для лесных территорий

• Актуальность: Рост числа природных пожаров и задержки в их обнаружении делают автоматизированные системы критически важными. Кейс МТС показывает, что такие системы уже работают в продакшене.
• Цель: Спроектировать отказоустойчивую систему с минимальным временем реакции и высокой точностью детекции.
• Задачи:
  • Проанализировать существующие решения (включая кейс МТС).
  • Выбрать стек для edge-анализа видео (например, TensorFlow Lite + OpenCV).
  • Спроектировать архитектуру передачи данных (MQTT, WebRTC, RTSP).
  • Разработать прототип с модулем обнаружения дыма/огня.
• Структура:
  • Глава 1 — Анализ угроз и существующих систем мониторинга (сравнение с МТС, Рослесхозом, зарубежными аналогами).
  • Глава 2 — Проектирование архитектуры: схемы взаимодействия, выбор протоколов, обоснование отказа от облачной обработки всего потока.
  • Глава 3 — Тестирование: метрики точности (F1-score), задержки (latency), экономика внедрения (TCO).

2. Повышение отказоустойчивости систем видеомониторинга на основе микросервисной архитектуры

• Актуальность: Сбои в передаче данных или анализе могут привести к катастрофическим последствиям. Кейс МТС подчёркивает необходимость резервирования и автоматического восстановления.
• Цель: Обеспечить непрерывность работы системы при частичных отказах оборудования.
• Задачи:
  • Проанализировать точки отказа в системах видеомониторинга.
  • Разработать архитектуру на базе Kubernetes и Istio.
  • Настроить CI/CD-пайплайн с автоматическим развертыванием.
  • Измерить RTO и RPO в тестовых сценариях.
• Структура:
  • Глава 1 — Анализ требований к надёжности (ссылка на ГОСТ 34.602-89 и ISO/IEC 25010).
  • Глава 2 — Проектирование кластера: master-ноды, worker-ноды, ingress-контроллеры, service mesh.
  • Глава 3 — Тестирование отказоустойчивости: симуляция падения нод, измерение времени восстановления.

3. Экономическая эффективность внедрения ИИ-мониторинга лесов: расчёт TCO и ROI

• Актуальность: Внедрение технологий требует бюджета. Комиссия ВКР ожидает экономическое обоснование.
• Цель: Показать, что инвестиции в ИИ-мониторинг окупаются за счёт снижения ущерба от пожаров.
• Задачи:
  • Собрать статистику по ущербу от пожаров в Приморье.
  • Оценить стоимость оборудования, ПО, эксплуатации.
  • Рассчитать TCO (Total Cost of Ownership) за 5 лет.
  • Сравнить с затратами на ручной мониторинг и тушение.
• Структура:
  • Глава 1 — Нормативная база и методики расчёта эффективности (ГОСТ 34.602-89, методика Минэкономразвития).
  • Глава 2 — Проектирование системы: масштаб, состав оборудования, схема развёртывания.
  • Глава 3 — Экономический расчёт: таблицы, графики, выводы.

Аналитическая глава: как использовать кейс МТС

В первой главе диплома вы не просто описываете, что такое видеомониторинг. Вы сравниваете решения. Используйте кейс МТС как эталон для сравнения:

Такая таблица сразу показывает, что вы понимаете контекст и можете критически оценивать решения. Это повышает вес вашей работы.

Проектная часть: архитектура и интеграция

Во второй главе покажите, как ваша система устроена. Используйте UML-диаграммы, sequence-диаграммы и схемы развёртывания. Например:

Камера (edge) → MQTT-брокер (Mosquitto) → 
  → Микросервис анализа (Python + OpenCV) → 
    → Alert-сервис (Telegram/Email) → 
      → Центр мониторинга

Обоснуйте выбор каждого компонента:

• MQTT — легковесный протокол для IoT, поддерживается Mosquitto, Eclipse Hono.
• OpenCV + YOLOv8 — open-source, точность >90% при детекции дыма.
• Kubernetes — оркестрация, масштабирование, self-healing.

Ссылайтесь на стандарты: например, ISO/IEC 25010 требует учёта функциональной пригодности, производительности и надёжности. Покажите, как ваша архитектура соответствует этим критериям.

Тестирование и метрики: как доказать эффективность

Третья глава — не просто «мы запустили и всё работает». Это измерения. Вот какие метрики стоит включить:

• Latency — время от появления дыма до уведомления (цель: <10 мин).
• F1-score — баланс точности и полноты распознавания.
• RTO — время восстановления после отказа (цель: <2 мин).
• TCO — общая стоимость владения (аппаратура, ПО, энергопотребление, обслуживание).

Для нагрузочного тестирования используйте JMeter или k6. Для мониторинга — Prometheus + Grafana или OpenTelemetry. Это покажет, что вы владеете инструментами реального мира.

Чему вы научитесь

Работая над таким проектом, вы не просто напишете диплом — вы получите навыки, востребованные в IT:

• Проектирование архитектуры на основе реальных кейсов (не учебных).
• Работа с IoT-протоколами: MQTT, CoAP, LoRaWAN.
• Интеграция ИИ-моделей в edge-устройства.
• Оформление технической документации по ГОСТ 34.602-89.
• Обоснование выбора стека с учётом производительности, стоимости и надёжности.
• Работа с метриками и доказательство эффективности решения.

Типичные ошибки студентов

FAQ

Насколько сложно реализовать ИИ-анализ видео в дипломе?

Сложно, если писать модель с нуля. Проще — использовать предобученные модели (YOLOv8, EfficientDet). Задача — не создать ИИ, а интегрировать его в систему. Это реально за 2–3 месяца.

Обязательно ли писать код для ВКР?

Да, если вы на IT-специальности. Но код не должен быть «для галочки». Он должен решать конкретную задачу: например, обнаружение дыма на видео. Лучше 200 строк полезного кода, чем 2000 «мусорных».

Как правильно оформить UML-диаграммы?

Используйте стандарт UML 2.5. Диаграммы должны быть читаемыми: не более 7 элементов на схеме. Инструменты: draw.io, PlantUML, StarUML. Обязательно подпишите каждую диаграмму и упомяните её в тексте.

Где взять тестовые данные для видеомониторинга?

Открытые датасеты: Smoke and Fire Dataset (Kaggle), FLAME (UCI). Можно смонтировать собственные ролики с дымом (без реального огня!). Для тестирования отказов — симуляторы: Chaos Monkey, Gremlin.

Чек-лист «Что проверить перед сдачей»

Источник: МТС расширила систему мониторинга природных пожаров в Приморье (опубликовано 2026-03-31)