Современные инфосистемы: тренды, ИИ, кибербезопасность и импортозамещение (2025)

Мир информационных технологий меняется с головокружительной скоростью. Еще вчерашние инновации сегодня становятся стандартом, а завтра — устаревают. В этом постоянно эволюционирующем ландшафте, где 87% организаций, использующих искусственный интеллект и машинное обучение, сообщают об увеличении доходов, операционной эффективности и улучшении качества обслуживания клиентов, крайне важно не просто следовать за трендами, но и глубоко понимать их корни, последствия и перспективы. Традиционные рефераты по информационным системам, основанные на классических монолитных архитектурах и реляционных базах данных, уже не могут адекватно отразить эту динамичную реальность.

Цель данной работы — провести деконструкцию устаревших подходов к пониманию информационных систем и баз данных, предложив актуальный и углубленный взгляд на современные тенденции, технологии и вызовы. Мы стремимся создать не просто реферат, а всесторонний академический фундамент, который может стать основой для курсовой или дипломной работы. В процессе исследования мы проанализируем современные архитектурные модели, последние достижения в управлении базами данных, рассмотрим растущую сложность угроз кибербезопасности, оценим трансформирующую роль искусственного интеллекта и машинного обучения, а также изучим влияние методологии DevOps на жизненный цикл разработки. Отдельное внимание будет уделено процессам импортозамещения на российском рынке, что является критически важным аспектом для понимания текущей геополитической и технологической ситуации.

Наш подход будет основан на тщательном анализе фактов, статистики и примеров из реальной практики, чтобы обеспечить объективность, аналитичность и практическую применимость представленной информации.

Эволюция архитектур информационных систем: от монолита к распределенным моделям

Ландшафт информационных систем претерпел значительные изменения, отойдя от традиционных монолитных архитектур, где все компоненты приложения тесно связаны и развернуты как единое целое. Сегодня доминируют распределенные модели, предлагающие повышенную гибкость, масштабируемость и отказоустойчивость. Двумя ключевыми столпами этой эволюции стали микросервисная архитектура и бессерверные вычисления.

Микросервисная архитектура

Представьте себе сложный механизм, каждый винтик которого может быть заменен, отремонтирован или улучшен независимо от других частей, не нарушая работу всего устройства. Именно так работает микросервисная архитектура — метод организации систем, основанный на наборе слабосвязанных, независимо развертываемых служб. Каждая такая служба представляет собой отдельный, самодостаточный компонент, обладающий собственной бизнес-логикой и, зачастую, собственной базой данных, предназначенной для выполнения конкретной задачи.

Преимущества, меняющие парадигму разработки:

Независимое развертывание и масштабирование: Каждая служба может быть разработана, обновлена, развернута и масштабирована независимо от других, что означает: при пиковой нагрузке на один компонент нет необходимости масштабировать всю систему.
Повышенная надежность и отказоустойчивость: Отказ одной микрослужбы не приводит к краху всего приложения. Остальные сервисы продолжают функционировать, что значительно повышает общую стабильность системы. Теоретическая надежность системы, состоящей из нескольких микросервисов и промежуточного ПО, при определенных уровнях надежности компонентов (0,999, 0,95, 0,99) может достигать 0,9357975.
Сокращение циклов разработки: Небольшие, автономные команды могут работать параллельно над разными микросервисами, что существенно ускоряет процесс разработки. Опыт компании Datana в проектах экспертных систем для металлургии показал, что микросервисы могут ускорить разработку до пяти раз.
Гибкость в технологическом стеке: Каждая микрослужба может быть написана на своем языке программирования и использовать свою СУБД, что позволяет выбирать наиболее подходящие инструменты для конкретной задачи.

Обратная сторона медали: вызовы и сложности:

Несмотря на очевидные преимущества, переход на микросервисы сопряжен с серьезными вызовами:

Усложнение разработки и эксплуатации: Увеличение числа сервисов ведет к росту точек интеграции и значительно усложняет процессы непрерывной интеграции и доставки (CI/CD). Распределение мастер-данных между независимыми базами данных также создает новые задачи для обеспечения согласованности.
Сложность мониторинга и отладки: Отслеживание и отладка проблем в распределенной системе с множеством взаимодействующих компонентов становится гораздо более трудоемкой задачей, чем в монолите.
Повышенные требования к безопасности: Каждый микросервис представляет собой потенциальную точку уязвимости. Увеличение поверхности атаки требует более тщательного подхода к обеспечению безопасности на всех уровнях.

Бессерверные вычисления (Serverless)

Следующим шагом в эволюции распределенных архитектур стали бессерверные вычисления (Serverless). Это не означает отсутствие серверов в буквальном смысле, а лишь то, что управление ими полностью передается облачному провайдеру. Разработчики больше не заботятся о масштабировании, обновлении, патчинге или поддержке инфраструктуры. Они сосредоточены исключительно на бизнес-логике, а провайдер автоматически выделяет ресурсы по мере необходимости.

Экономия и скорость — главные драйверы:

Значительная экономия на инфраструктуре: Оплата производится только за фактическое использование ресурсов, без затрат на простаивающие серверы. Компании, такие как Netflix и Coca-Cola, заявляют о сокращении затрат на инфраструктуру на 30-40%. Исследование Yandex Cloud и Ipsos (2023 год) подтвердило, что 43% опрошенных считают Serverless экономически выгодным.
Автоматическое масштабирование и ускорение разработки: Ресурсы автоматически масштабируются под нагрузку, а разработчики могут полностью сосредоточиться на коде, что ускоряет запуск продуктов до двух раз. 49% респондентов Yandex Cloud/Ipsos отметили сокращение времени на поддержку инфраструктуры, а 46% — быстрое масштабирование.
Идеально для специфических задач: Бессерверная облачная среда прекрасно подходит для анализа данных в реальном времени, пакетной обработки и проектов с использованием AI-технологий, где нагрузка может быть спорадической или сильно варьироваться.

Подводные камни бессерверности:

Ограниченный контроль и «холодный старт»: Отсутствие прямого контроля над «железом» может быть недостатком для систем с очень специфическими требованиями к производительности. Проблема «холодного старта» — задержка при первом запуске функции после периода бездействия — может составлять от сотен миллисекунд до нескольких секунд. Например, для AWS Lambda на Node.js с 128 МБ ОЗУ «холодный старт» может достигать 1080 мс, хотя оптимизация и увеличение ОЗУ до 256 МБ могут снизить его до 1000 мс и менее 200 мс для оптимизированных функций. Для Aurora Serverless v2 восстановление после длительного простоя (24+ часов) занимает чуть более минуты, а после короткого — 1-10 секунд.
Сложность отладки и привязка к провайдеру: Отладка распределенных бессерверных функций может быть непростой, а высокая привязка к конкретному облачному провайдеру создает зависимость и усложняет миграцию.
Экономическая целесообразность: Для стабильно нагруженных систем аренда выделенных серверов может оказаться выгоднее в долгосрочной перспективе. В одном кейсе Serverless (Lambda + API Gateway) оказалось в 8 раз дороже (1350 $/месяц против 164 $/месяц для Elastic Beanstalk) для 10 миллионов запросов в день из-за высоких затрат на API Gateway. Выделенные серверы, как правило, более подходят для приложений с постоянным доступом и вычислениями, тогда как бессерверные решения эффективнее для больших периодических рабочих нагрузок с периодами бездействия.

Таблица 1: Сравнительный анализ архитектурных подходов

Характеристика	Монолитная архитектура	Микросервисная архитектура	Бессерверные вычисления (Serverless)
Развертывание	Единый блок	Независимые сервисы	Функции, управляемые провайдером
Масштабирование	Горизонтальное (всего приложения)	Независимое для каждого сервиса	Автоматическое, по требованию
Отказоустойчивость	Отказ компонента может привести к отказу всей системы	Отказ сервиса не влияет на другие	Отказ функции изолирован
Время разработки	Дольше, сложнее для больших команд	Короче, параллельная работа команд	Очень короткое, фокус на бизнес-логике
Надежность (пример)	Зависит от всей системы	До 0,9357975 для системы из компонентов	Высокая, обеспечивается провайдером
Затраты на инфраструктуру	Высокие, оплата простоя	Зависят от сложности системы, выше, чем у монолита	Оплата по факту, экономия 30-40%
Контроль над «железом»	Полный	Высокий	Ограниченный
Холодный старт	Отсутствует	Отсутствует (для сервисов)	От сотен мс до нескольких секунд (AWS Lambda до 1080 мс)
Сложность отладки	Ниже	Выше	Высокая для распределенных функций
Привязка к провайдеру	Низкая	Умеренная	Высокая
Применение	Небольшие/средние приложения	Сложные, масштабируемые, отказоустойчивые системы	Событийно-ориентированные, периодические, AI-задачи

Выбор архитектуры — это всегда компромисс между гибкостью, производительностью, стоимостью и сложностью управления. Понимание этих нюансов критически важно для проектирования современных информационных систем, способных выдерживать динамичные нагрузки и быстро адаптироваться к меняющимся требованиям бизнеса.

Актуальные тенденции в управлении базами данных: ответ на вызовы Big Data и ИИ

В условиях экспоненциального роста объемов данных (Big Data) и повсеместного внедрения технологий искусственного интеллекта, традиционные реляционные базы данных, построенные на жестких схемах и SQL-запросах, сталкиваются с серьезными ограничениями. На смену им или в дополнение к ним приходят новые типы СУБД, оптимизированные для различных сценариев использования. Это целая панорама решений, каждое из которых находит свою нишу.

NoSQL-СУБД: Гибкость для неструктурированных данных

Когда речь заходит об обработке колоссальных массивов неструктурированных, быстро меняющихся данных, NoSQL (Not Only SQL) базы данных выходят на первый план. Они отошли от жестких реляционных моделей, предлагая разработчикам невиданную ранее гибкость.

Ключевые особенности и типы:

Гибкость схемы: NoSQL-СУБД позволяют менять схемы данных и запросы «на лету», без предварительного проектирования, что ускоряет процесс разработки и адаптации к новым требованиям.
Высокая пропускная способность и низкая задержка: Эти базы данных спроектированы для быстрой обработки операций чтения и записи даже под экстремальной нагрузкой. Некоторые решения, такие как key-value базы данных (например, Aerospike), способны достигать почти миллиона операций в секунду при работе с данными в памяти, что критически важно для Big Data.
Разнообразие типов:
- Хранилища «ключ-значение» (Key-Value Stores): Простейший вид NoSQL, где данные хранятся как пары «ключ-значение». Пример: Redis, DynamoDB.
- Документоориентированные (Document-Oriented): Хранят данные в виде документов (часто JSON или BSON), что идеально подходит для каталогов, пользовательских профилей и систем управления контентом, где каждый документ уникален и изменяется со временем. Пример: MongoDB, Couchbase.
- Столбчатые (Column-Family Stores): Оптимизированы для обработки больших объемов разреженных данных, где доступ осуществляется по столбцам. Пример: Cassandra, HBase.
- Графовые (Graph Databases): Специализируются на хранении и анализе взаимосвязей между сущностями (подробнее ниже). Пример: Neo4j, ArangoDB.
Принципы BASE: В отличие от жестких требований ACID (Atomicity, Consistency, Isolation, Durability) реляционных баз, NoSQL часто придерживаются принципов BASE (Basically Available, Soft state, Eventually consistent), что означает базовую доступность, гибкое состояние и согласованность в конечном счете. Это позволяет жертвовать мгновенной согласованностью ради высокой доступности и масштабируемости.

NewSQL-СУБД: Сочетание масштабируемости и надежности

Появление NewSQL в начале 2010-х годов стало попыткой объединить лучшее из двух миров: масштабируемость и производительность NoSQL с транзакционной целостностью и соответствием ACID-требованиям традиционных SQL-баз.

Характеристики и сферы применения:

Гибридный подход: NewSQL системы поддерживают реляционную модель, используют язык SQL и обеспечивают полную транзакционность (ACID), при этом предлагая горизонтальную масштабируемость и производительность, характерную для NoSQL. Некоторые NewSQL СУБД, как VoltDB, используют in-memory архитектуру для обработки транзакций с очень низкой задержкой.
Современное ядро: Они спроектированы с учетом современных аппаратных и программных архитектур, что позволяет эффективно использовать многоядерные процессоры и распределенные системы.
Целостность данных в критических системах: NewSQL особенно ценны для финансовых систем, eCommerce, телекоммуникаций, Интернета вещей (IoT) и онлайн-игр, где гарантированная целостность данных и высокая производительность критически важны.
Примеры: ClustrixDB, Vitess, Citus, VoltDB, NuoDB, CockroachDB, TiDB, Google Spanner, SingleStore.

Графовые базы данных: Анализ сложных взаимосвязей

Когда данные представляют собой сложную сеть взаимосвязанных сущностей, графовые базы данных демонстрируют свою исключительную эффективность. Это нереляционные СУБД, которые определяют корреляции между объектами, обходя ограничения реляционных моделей, где запросы с большим количеством JOIN^* (объединений) становятся медленными и неэффективными.

^* Принцип JOIN — операция объединения данных из нескольких таблиц в реляционных базах данных по общим столбцам.

Преимущества для связанных данных:

Гибкая и адаптивная структура: Данные хранятся в виде узлов (сущностей) и рёбер (связей между ними), что позволяет четко представлять взаимосвязи.
Высокая скорость для сложных запросов: Производительность графовых СУБД зависит не от количества объединений таблиц, а от количества узлов и рёбер в обходимом графе. Это обеспечивает высокую скорость для запросов, подразумевающих поиск кратчайшего пути, связанных узлов или анализ глубоких цепочек отношений.
«Безиндексная смежность» (Index-Free Adjacency): Нативные графовые СУБД используют этот механизм, где каждый узел напрямую ссылается на свои связанные узлы. Это снижает сложность алгоритмов обхода графа, делая навигацию по связям значительно быстрее, чем в реляционных базах.

Базы данных временных рядов (TSDB): Управление динамическими данными

В эпоху IoT, мониторинга систем и финансовых рынков, где данные поступают непрерывным потоком и отражают изменения во времени, базы данных временных рядов (Time Series Databases, TSDB) стали незаменимым инструментом.

Архитектурные особенности и преимущества:

Оптимизация для данных с отметками времени: TSDB специально разработаны для эффективного хранения, индексации и запроса данных, которые имеют временную метку.
Высокая пропускная способность записи и сжатие: Они способны обрабатывать огромные объемы поступающих данных. Например, InfluxDB оптимизирована для высокой пропускной способности записи (миллионы точек данных в секунду) и эффективного сжатия данных. InfluxDB 3.0 на Parquet может снизить затраты на хранение до 90%.
Скорость запросов и агрегация по времени: TSDB предоставляют встроенные функции для быстрой агрегации данных по временным интервалам (например, среднее значение за час, максимум за день). Prometheus, популярная TSDB для мониторинга, отлично подходит для производительности чтения и способна обрабатывать 380 тысяч записей в секунду и 1,7 миллиона активных временных рядов на достаточно мощном сервере.
Управление жизненным циклом данных: Многие TSDB предлагают механизмы для автоматического устаревания и архивирования старых данных, что критически важно для экономии места и управления большими объемами информации.
Примеры: InfluxDB, Prometheus, TimescaleDB, Graphite, QuestDB, AWS Timestream и OpenTSDB.

Таблица 2: Сравнительный обзор современных типов СУБД

Тип СУБД	Основное назначение	Преимущества	Недостатки	Примеры
NoSQL	Неструктурированные/полуструктурированные данные, Big Data	Гибкая схема, высокая масштабируемость, низкая задержка, высокая пропускная способность	Отсутствие единого языка запросов, слабая согласованность (BASE)	MongoDB, Cassandra, Redis, DynamoDB
NewSQL	Масштабируемые транзакционные приложения	ACID-транзакции, SQL, горизонтальная масштабируемость, высокая производительность	Меньшее распространение, сложнее в миграции	CockroachDB, TiDB, VoltDB, Google Spanner
Графовые БД	Сложные взаимосвя��и, сетевые данные	Эффективный анализ связей, гибкая структура данных, «безиндексная смежность»	Не подходят для несвязанных данных, специализированные запросы	Neo4j, ArangoDB, Amazon Neptune
TSDB	Данные временных рядов (метрики, IoT, логи)	Высокая пропускная способность записи, эффективное сжатие, агрегация по времени, быстрые запросы	Специализированный характер, не для всех задач	InfluxDB, Prometheus, TimescaleDB, QuestDB

Выбор подходящей СУБД сегодня — это не просто выбор между SQL и NoSQL. Это стратегическое решение, которое определяет производительность, масштабируемость, надежность и стоимость всей информационной системы. Глубокое понимание нюансов каждого типа баз данных становится ключевым фактором успеха в современных ИТ-проектах.

Кибербезопасность в современных ИС: Угрозы, решения и роль ИИ

В условиях тотальной цифровизации и растущей сложности информационных систем, кибербезопасность перестает быть просто «дополнительной функцией» и становится фундаментальной необходимостью. Ландшафт угроз непрерывно эволюционирует, а злоумышленники активно используют новые технологии, включая искусственный интеллект, для проведения все более изощренных атак.

Растущий ландшафт киберугроз

Число и сложность кибератак растут с пугающей скоростью. В 2024 году в России было зафиксировано 1,8 млрд кибератак (без учета DDoS и фишинговых). Общее количество IT-атак на российские компании увеличилось в 2,5 раза в 2024 году по сравнению с 2023 годом, достигнув почти 130 тыс. случаев. В первом полугодии 2025 года этот показатель превысил 63 тыс., что на 27% больше, чем за аналогичный период 2024 года. Positive Technologies прогнозирует рост успешных кибератак в России на 20-45% к концу 2025 года и еще на 30-35% в 2026 году.

Глобальный ущерб от киберпреступности, по прогнозам Cybersecurity Ventures, достигнет 10,5 триллионов долларов ежегодно к 2025 году. Угрозы становятся все более изощренными и труднообнаруживаемыми. Среднее время обнаружения кибератак в России достигло 390 дней в 2024 году, увеличившись на 40% по сравнению с предыдущим годом. Это свидетельствует о том, что хакеры становятся продуманнее, обходя стандартные средства защиты, что вынуждает компании пересматривать свои стратегии обороны.

Основные векторы атак включают:

Вредоносное программное обеспечение: Вирусы, черви, трояны, шпионское ПО и шифровальщики остаются основной угрозой.
Фишинг и социальная инженерия: Человеческий фактор по-прежнему является самым слабым звеном. Случайные ошибки стали причиной 38% киберинцидентов за последние два года, а почти 80% инцидентов ИБ в первом полугодии 2024 года были связаны с человеческим фактором. Компрометация персональной техники сотрудников привела к росту кибератак на 30% в первом полугодии 2025 года, причем 20-25% утечек корпоративных данных происходят через личные устройства.
Сетевые атаки: DDoS-атаки продолжают выводить из строя онлайн-сервисы, а сложные APT-атаки (Advanced Persistent Threats) нацелены на долгосрочное проникновение и сбор данных.

Искусственный интеллект как инструмент кибератак

Парадоксально, но стремительное развитие искусственного интеллекта (ИИ) не только предлагает новые возможности для защиты, но и порождает новые, еще более опасные угрозы. В 2024 году 85% кибератак были связаны с ИИ.

Как злоумышленники используют ИИ:

Генерация фишинговых писем: ИИ способен создавать убедительные, персонализированные фишинговые сообщения, обходя традиционные спам-фильтры.
Обход биометрической аутентификации: С помощью технологий Deepfake ИИ может создавать поддельные биометрические данные, обманывая системы распознавания.
Взлом паролей: Инструменты, такие как PassGAN, способны взломать большинство распространенных паролей за считанные минуты.
Генерация новых эксплойтов: ИИ может автоматизировать поиск уязвимостей и создавать уникальные эксплойты, которые трудно обнаружить традиционными методами. Использование ИИ значительно снижает порог входа в киберпреступность.

Риски генеративного ИИ:

Генеративные модели ИИ, такие как ChatGPT или YandexGPT, подвержены специфическим атакам:

Создание вредоносного контента: Некоторые модели ИИ могут, при определенных промпт-атаках, предоставлять инструкции по созданию взрывных устройств, руководства по проведению терактов, способы доведения до самоубийства и списки пиратских ключей.
Манипулирование моделями и их отравление (Data Poisoning): Это одна из самых опасных форм атак, при которой злоумышленники вводят поврежденные или вводящие в заблуждение данные в обучающий набор модели, заставляя ее давать некорректные или вредоносные ответы.
- Backdoor-атаки: Введение скрытых триггеров, которые активируются при определенных условиях.
- Data Injection: Добавление вредоносных примеров в обучающий набор.
- Mislabeling: Подмена меток у данных, чтобы модель ошибочно классифицировала информацию.
- Data Manipulation: Изменение или удаление данных, приводящее к сбою обучения.
Состязательные атаки (Adversarial Attacks): Незначительные изменения входных данных, незаметные для человека, могут полностью изменить вывод модели.
Нарушения конфиденциальности: Генеративные модели могут непреднамеренно раскрывать конфиденциальную информацию, на которой они обучались.
Создание глубоких подделок (Deepfakes): ИИ может генерировать высококачественные поддельные изображения, аудио и видео, используемые для мошенничества и дезинформации.
Хищение интеллектуальной собственности: Использование генеративных моделей для копирования или создания контента, нарушающего авторские права.

Интеллектуальная киберзащита на базе ИИ

К счастью, ИИ является не только источником новых угроз, но и мощным инструментом для их отражения. Искусственный интеллект и аналитика данных позволяют обнаруживать аномалии и предсказывать потенциальные угрозы на ранних стадиях.

Как ИИ усиливает киберзащиту:

Обнаружение угроз и скорость реагирования: ИИ может обнаруживать угрозы в 98% случаев и реагировать на кибератаки на 70% быстрее. Системы на базе ИИ способны прогнозировать потенциальные атаки на основе анализа исторических данных, выявляя скрытые закономерности.
Автоматическое сканирование уязвимостей: ИИ-инструменты, такие как Checkmarx, демонстрируют до 90% более быстрое обнаружение уязвимостей и сокращение ложных срабатываний на 80%. Google’s Severa AI Club, например, выявил 20 критических уязвимостей за несколько недель, превосходя по скорости человеческие команды.
Предиктивная аналитика: ИИ идентифицирует попытки несанкционированного доступа и инициирует превентивные действия, анализируя поведенческие шаблоны и сетевой трафик.

Облачная безопасность и защита данных в РФ

Стремительный рост использования облачных сервисов делает облачную безопасность ключевой тенденцией. В 2024 году более 95% крупных российских компаний полностью или частично перешли на использование облачных сервисов, а объем потребления облачных услуг в России достиг 392 млрд рублей. Однако этот переход создает и новые уязвимости: атаки на облачные хранилища затронули 21% российских компаний в первом квартале 2025 года, по сравнению с 11% в первом квартале 2024 года.

Важно отметить, что отечественные решения в области ИИ также демонстрируют высокую устойчивость. Так, российская YandexGPT показала более высокую устойчивость к промпт-атакам по сравнению с некоторыми зарубежными аналогами, отказываясь генерировать вредоносный контент.

Дефицит квалифицированных кадров

Серьезным вызовом для обеспечения кибербезопасности остается глобальный дефицит квалифицированных специалистов. По оценкам, мировая нехватка кадров составляет 3,4 миллиона человек, что создает огромную нагрузку на существующие команды и затрудняет внедрение передовых защитных мер.

Таблица 3: Обзор ключевых киберугроз и методов защиты

Категория угроз	Типичные примеры	Статистика (РФ, 2024-2025)	Методы защиты (в т.ч. с ИИ)
Вредоносное ПО	Вирусы, шифровальщики, трояны	1,8 млрд атак (без DDoS/фишинга)	Антивирусы (ИИ-основанные), EDR, SIEM системы
Фишинг/Социальная инженерия	Поддельные письма, обман	70-80% инцидентов из-за человеч. фактора	Обучение сотрудников, ИИ для обнаружения аномалий
Сетевые атаки	DDoS, APT-атаки	130 тыс. атак на компании в 2024 г.	Системы предотвращения вторжений (IPS), WAF, ИИ-мониторинг трафика
ИИ как инструмент атак	Генерация фишинга, взлом паролей (PassGAN), генерация эксплойтов	85% кибератак связаны с ИИ	ИИ-анализ поведения, поведенческая аналитика, ИИ-детекторы угроз
Атаки на генеративный ИИ	Отравление данных, промпт-атаки, Deepfakes	Растущая угроза, YandexGPT устойчивее	Аудит данных, adversarial training, ИИ-мониторинг вывода
Облачная безопасность	Атаки на облачные хранилища	21% компаний РФ затронуты (Q1 2025)	Облачные решения безопасности, шифрование, ИИ-мониторинг облаков

Кибербезопасность — это непрерывная гонка вооружений. Понимание угроз, их источников и эффективных методов противодействия, особенно с учетом использования ИИ как атакующими, так и защищающимися, является обязательным условием для устойчивого развития любых информационных систем.

Роль искусственного интеллекта и машинного обучения в развитии информационных систем

Искусственный интеллект (ИИ) и машинное обучение (МО) перестали быть футуристическими концепциями и прочно вошли в повседневную практику, трансформируя информационные системы (ИС) на фундаментальном уровне. Они делают ИС более интеллектуальными, адаптивными и способными принимать решения, значительно расширяя их функциональные возможности и экономическую эффективность.

Оптимизация бизнес-процессов и повышение эффективности

Интеграция ИИ в информационные системы приводит к ощутимым экономическим выгодам и росту операционной эффективности. Статистика говорит сама за себя:

Увеличение доходов и эффективности: 87% организаций, активно использующих ИИ и МО, сообщают об увеличении доходов, операционной эффективности и улучшении качества обслуживания клиентов.
Сокращение затрат и рост производительности: Компании, внедрившие ИИ, отмечают сокращение операционных затрат на 15-35% и повышение производительности труда на 25-40%. В России 94% компаний, внедривших ИИ, назвали сокращение затрат основным эффектом.
Потенциальная экономия: К 2030 году потенциальная ежегодная экономия от внедрения генеративного ИИ в российской экономике может достичь колоссальных 10,8 трлн рублей.
Влияние на рабочие процессы: По данным Всемирного экономического форума, ИИ повлияет на 99% существующих рабочих процессов в IT-индустрии, а также значительно изменит финансовый сектор и сферу продаж.

Автоматизация рутинных задач

Одним из наиболее очевидных и значимых преимуществ ИИ является его способность автоматизировать рутинные, повторяющиеся задачи, высвобождая человеческие ресурсы для более сложной и творческой работы.

Сокращение ручного труда и ошибок: ИИ способен автоматизировать до 40% среднестатистического рабочего дня и высвободить до 40% рабочего времени сотрудников. Это приводит к резкому сокращению операционных ошибок, поскольку ИИ-системы могут обрабатывать данные с гораздо большей точностью и скоростью.
Примеры автоматизации:
- Обработка документов: ИИ-системы могут обрабатывать и классифицировать документы в 15-20 раз быстрее человека.
- Бухгалтерия: Автоматизация бухгалтерии с помощью ИИ может сократить время на подготовку финансовой отчетности на 40%.
- Обслуживание клиентов: Чат-боты на базе ИИ способны закрывать до 70% клиентских запросов, предоставляя мгновенные ответы и снимая нагрузку с операторов.

Глубокий анализ данных и предиктивные модели

ИИ предоставляет беспрецедентные возможности для анализа огромных объемов данных, позволяя выявлять скрытые закономерности, строить точные предиктивные модели и принимать обоснованные решения.

Выявление скрытых закономерностей: ИИ-алгоритмы могут находить корреляции и аномалии в данных, которые остаются незамеченными для человеческого глаза или традиционных статистических методов.
Улучшение точности прогнозирования: Компании, внедрившие ИИ для прогнозирования, увеличивают точность своих прогнозов на 25-50%. ИИ может сократить ошибки прогнозирования на 30-45%.
- Прогнозирование спроса и управление запасами: В ритейле ИИ помогает сократить избыточные запасы на 20% благодаря точному прогнозу спроса. Производственные компании снижают расходы на хранение на 30%.
- Прогнозирование продаж: Аналитики продаж, использующие ИИ, повышают точность прогнозов с 60% до 94% и сокращают время на подготовку отчетов на 75%.
Персонализация: ИИ позволяет создавать высоко персонализированные предложения и услуги, точно определяя потребности пользователя на основе его поведения и предпочтений.

Практические примеры применения ИИ в ИС

Применение ИИ в информационных системах охватывает широкий спектр отраслей:

Управление цепочками поставок: Прогнозирование спроса, оптимизация логистики и маршрутизации.
Ритейл: Управление запасами, персонализированные рекомендации продуктов, оптимизация цен.
Образование: Адаптивные образовательные платформы, которые подстраиваются под индивидуальные потребности и темп обучения студентов.
Финансовый сектор: Оценка кредитоспособности клиентов, обнаружение мошенничества, сравнение курсов валют, высокочастотный трейдинг.
Здравоохранение: Диагностика заболеваний, персонализированные планы лечения, управление медицинскими записями.

Таблица 4: Экономические эффекты от внедрения ИИ в ИС

Показатель	Средний эффект от внедрения ИИ	Примеры сфер применения
Увеличение доходов	Отмечают 87% компаний	Продажи, маркетинг
Сокращение операционных затрат	15-35% (до 10,8 трлн руб. к 2030 в РФ)	Бухгалтерия, логистика, клиентская поддержка
Повышение производительности	25-40% (до 40% рабочего времени)	Обработка документов, поддержка клиентов
Снижение операционных ошибок	Значительное, до 45% в прогнозах	Все рутинные операции, предиктивные модели
Точность прогнозирования	Увеличение на 25-50%	Спрос, продажи, запасы
Оптимизация запасов	До 25% (20% в ритейле, 30% на производстве)	Ритейл, производство
Скорость обработки данных	В 15-20 раз быстрее человека	Анализ документов
Закрытие клиентских запросов чат-ботами	До 70%	Клиентская поддержка

Искусственный интеллект — это не просто инструмент, это катализатор, который меняет саму суть информационных систем, превращая их из пассивных хранилищ данных в активные, интеллектуальные помощники, способные к обучению, прогнозированию и оптимизации. Его роль будет только возрастать, открывая новые горизонты для инноваций и эффективности.

Современные методологии проектирования и разработки информационных систем: DevOps

В условиях, когда бизнес требует всё более быстрой итерации продуктов, повышения качества и непрерывной адаптации к меняющимся условиям рынка, традиционные «водопадные» модели разработки уступают место более гибким и интегрированным подходам. Одной из таких методологий, совершившей революцию в сфере разработки и эксплуатации информационных систем, является DevOps.

Принципы и преимущества DevOps

DevOps – это не просто набор инструментов, а философия, объединяющая разработку программного обеспечения (development) и его эксплуатацию (operations) в единый, непрерывный процесс. Цель DevOps — создать культуру сотрудничества, где разработка, тестирование, развертывание и мониторинг происходят быстрее, с меньшим количеством ошибок и с максимальной эффективностью.

Ключевые преимущества DevOps:

Ускорение релизов: Методология значительно сокращает циклы разработки и доставки ПО, позволяя компаниям быстрее выводить новые продукты и функции на рынок. Организации, внедрившие практики CI/CD (непрерывной интеграции/непрерывной доставки), могут выпускать код в 2 раза быстрее.
Сокращение ошибок и повышение качества: Автоматизация тестирования и развертывания минимизирует человеческий фактор и вероятность ошибок. Непрерывное тестирование позволяет выявлять проблемы на ранних стадиях.
Культура сотрудничества: DevOps способствует более тесному взаимодействию между командами разработки и эксплуатации, устраняя «колодезную» структуру и улучшая коммуникацию.
Автоматизация всех этапов: От компиляции кода до развертывания и мониторинга – все процессы максимально автоматизированы.
Постоянный мониторинг и обратная связь: Системы постоянно отслеживаются, что позволяет оперативно выявлять и устранять проблемы, а также собирать данные для улучшения продукта.

Роль DevOps-инженера:

DevOps-инженеры играют ключевую роль в реализации этой методологии. Они настраивают CI/CD-цепочки, автоматизируют тестирование и развертывание, управляют облачной инфраструктурой, а также обеспечивают безопасность и отказоустойчивость систем.

DevOps в контексте микросервисной архитектуры

DevOps и микросервисная архитектура являются идеальным дополнением друг для друга. Разбиение монолитного приложения на небольшие, независимые сервисы значительно упрощает реализацию принципов DevOps. Каждый микросервис может иметь свой собственный CI/CD-пайплайн, что позволяет командам работать автономно и выпускать обновления намного быстрее.

Инфраструктура как Код (IaC):

Ключевой практикой DevOps, особенно в облачных и микросервисных средах, является «Инфраструктура как Код» (IaC). Этот подход позволяет управлять иProvisioning^* серверной инфраструктурой с помощью программного кода (например, с использованием Terraform, Ansible), что устраняет необходимость ручной настройки серверов, снижает вероятность ошибок и обеспечивает повторяемость развертываний.

^* Provisioning (провижининг) — процесс выделения, подготовки и управления инфраструктурными ресурсами (серверами, сетями, хранилищами) для использования приложениями.

Тенденции и инструменты DevOps

Рынок DevOps продолжает стремительно расти. Он вырос с 10,56 млрд долларов в 2023 году до 12,8 млрд долларов в 2024 году, с прогнозом роста до 29,79 млрд долларов к 2028 году (CAGR 21,2%). Более 80% организаций в настоящее время используют практики DevOps, и ожидается, что этот показатель вырастет до 94%. В Q1 2024 года 83% разработчиков так или иначе использовали DevOps.

ИИ в DevOps:

Искусственный интеллект активно проникает в DevOps-процессы. В России 44% опрошенных компаний уже применяют ИИ для оптимизации ПО и DevOps-процессов, используя его для автоматизации тестирования, мониторинга и прогнозирования проблем.

Популярные инструменты DevOps:

Оркестрация контейнеров: Kubernetes (лидер для управления контейнеризированными приложениями).
Управление исходным кодом и CI/CD: GitLab, GitHub Actions, Jenkins.
Автоматизация конфигурации: Ansible, Puppet, Chef.
Скрипты автоматизации: Python.
Мониторинг: Prometheus, Grafana, ELK Stack.

Разграничение Agile и DevOps

Хотя Agile и DevOps часто упоминаются вместе и имеют сходства (способствуют быстрому реагированию на отзывы и изменения рынка), они представляют собой разные, но взаимодополняющие концепции:

Agile: Это методология управления проектами, сосредоточенная на производственном процессе разработки ПО. Она предлагает принципы и практики для организации работы команд, такие как Scrum или Kanban, чтобы быстро создавать и доставлять ценность клиенту через короткие итерации.
DevOps: Это комплексный процесс, который охватывает весь жизненный цикл ПО, от производства (разработка, тестирование) до предпроизводственной подготовки, выпуска и поддержки. DevOps расширяет принципы Agile за пределы разработки, распространяя их на операции, инфраструктуру и безопасность.

Таким образом, Agile помогает создать «что» и «как» разрабатывать, а DevOps обеспечивает «как» это «что» доставлять и эксплуатировать быстро, надежно и безопасно. Их совместное применение позволяет достигать максимальной эффективности и адаптивности в современном мире ИТ.

Таблица 5: Ключевые аспекты методологии DevOps

Аспект	Описание	Преимущества	Инструменты/Технологии
Культура сотрудничества	Объединение команд Dev и Ops, обмен знаниями и ответственностью	Улучшенная коммуникация, быстрое разрешение проблем	Общие платформы, чаты, видеоконференции
Непрерывная интеграция (CI)	Автоматическое слияние изменений кода в общую ветку и тестирование	Раннее обнаружение ошибок, стабильная кодовая база	GitLab CI, Jenkins, GitHub Actions
Непрерывная доставка (CD)	Автоматизация доставки кода в тестовые и продакшн-среды	Ускоренные релизы, снижение рисков развертывания	Spinnaker, Octopus Deploy, Argo CD
Инфраструктура как Код (IaC)	Управление инфраструктурой через код (конфигурации, развертывания)	Повторяемость, масштабируемость, снижение ручных ошибок	Terraform, Ansible, Puppet, Chef
Мониторинг и логирование	Постоянный сбор данных о работе системы и приложений	Быстрое обнаружение проблем, проактивное управление	Prometheus, Grafana, ELK Stack, Splunk
Безопасность (DevSecOps)	Встраивание практик безопасности на всех этапах жизненного цикла	Раннее обнаружение уязвимостей, снижение рисков безопасности	SAST/DAST инструменты, сканеры уязвимостей, ИИ в ИБ
Автоматизация тестирования	Автоматизированное выполнение тестов (юнит, интеграционные, нагрузочные)	Повышение качества, ускорение тестирования, снижение трудозатрат	Selenium, JUnit, TestComplete

DevOps — это не просто тренд, это необходимая эволюция в подходе к разработке и эксплуатации информационных систем, которая позволяет компаниям оставаться конкурентоспособными в условиях постоянных изменений и высоких требований к качеству и скорости.

Импортозамещение информационных систем и СУБД в Российской Федерации: Вызовы и перспективы

На фоне геополитических изменений и ухода ряда зарубежных поставщиков программного обеспечения, процесс импортозамещения в сфере информационных систем и систем управления базами данных (СУБД) в Российской Федерации приобрел стратегическое значение. Правительство и бизнес активно работают над созданием и внедрением отечественных решений для обеспечения технологического суверенитета.

Законодательная база и стратегические цели

Политика импортозамещения закреплена на высоком уровне:

Указ Президента РФ № 250 от 1 мая 2022 года: Требует к 2025 году сформировать действенные системы информационной безопасности на базе отечественных решений.
Запрет на иностранное ПО на КИИ: С 1 января 2025 года в РФ действует прямой запрет на использование иностранного программного обеспечения на значимых объектах критической информационной инфраструктуры (КИИ).
Доля российского ПО: Правительство предписывает организациям с госучастием достичь доли расходов на закупку российского ПО в 70% к 2024 году.

Эти меры призваны не только снизить зависимость от зарубежных технологий, но и стимулировать развитие отечественной ИТ-индустрии, что является ключевым элементом национальной безопасности.

Текущее состояние и динамика рынка

Несмотря на амбициозные цели, процесс импортозамещения идет неравномерно:

Достижения: В 2024 году Россия достигла примерно 50% импортозамещения в основных программных продуктах. Российский рынок СУБД в 2024 году вырос до 89,5 млрд рублей, что на 30% больше, чем годом ранее. Доля российских разработчиков на рынке систем управления и обработки данных выросла с 66% до 82% в 2023 году. По прогнозам, к 2030 году отечественные разработки займут до 93% российского рынка СУБД.
Вызовы: К началу осени 2024 года ИТ-инфраструктура российских компаний состояла из зарубежных решений на 75%, и лишь 25% занимали российские разработки. На объектах КИИ доля иностранного ПО составляет от 30 до 40%. 59% средних и крупных компаний с КИИ в России не успеют полностью перейти на отечественные решения по кибербезопасности до конца 2024 года.

Секторальный прогресс и примеры миграции

Активнее всего процесс импортозамещения развивается в госсекторе и на предприятиях критической инфраструктуры:

Госсектор: В региональных системах КИИ отечественное ПО уже замещено на 90%. В 2024 году владельцы объектов КИИ направили более половины своих IT-бюджетов (1,785 трлн рублей из 3,5 трлн) на отечественные решения. Однако в госсекторе лишь 43% инфраструктурных ИТ-решений разработаны российскими компаниями.
Финансовый сектор: Крупные системно значимые банки достигли доли российских решений в 80-90% для прикладных систем.
Промышленность: Около 50% ключевых промышленных предприятий уже применяют российские СУБД, часто совмещая их с зарубежными решениями.
Пример миграции: Федеральное казначейство РФ успешно мигрировало с СУБД Oracle на Postgres Pro, что стало знаковым событием в процессе импортозамещения.

Ключевые вызовы и барьеры

Процесс импортозамещения сталкивается с рядом серьезных проблем:

Финансовые затраты: Высокие расходы на научно-исследовательские и опытно-конструкторские работы (НИОКР), а также на саму миграцию.
Временные ограничения: Зачастую сроки, отведенные на переход, слишком сжаты. Для прикладного ПО и решений в сфере кибербезопасности полное импортозамещение может занять около 5 лет, для оборудования и отраслевых решений — 10–15 лет.
Зависимость от импортных комплектующих: Даже отечественное ПО часто работает на импортном «железе».
Законодательные пробелы: Недостаточно четкое регулирование некоторых аспектов.
Дефицит квалифицированных кадров: Острая нехватка специалистов, способных работать с новыми отечественными решениями и осуществлять миграцию.
Претензии к качеству и интеграции: 64% респондентов высказывают претензии к качеству отечественных ИТ-решений, а 43% отмечают сложности их интеграции с существующей инфраструктурой.

Инсорсинг как ответ на вызовы рынка

В ответ на эти вызовы, многие крупные компании, особенно с государственным участием, активно переходят к стратегии инсорсинга – самостоятельной разработке ПО для собственных нужд. Это часто оказывается проще, чем интегрировать рыночные решения. Государственная поддержка развития ПО часто направляется клиентам, а не разработчикам, что дополнительно стимулирует инсорсинг. Например, Россельхозбанк планирует увеличить уровень собственной разработки ключевых ИТ-систем с 56% в 2022 году до 70% к 2024 году.

Ведущие отечественные СУБД и успешные кейсы

Российский рынок СУБД активно развивается, предлагая ряд конкурентоспособных решений:

Postgres Pro: Лидер рынка, сертифицирован ФСТЭК, является одной из основных альтернатив для миграции с Oracle.
Tantor: Разработка ГК «Астра», активно развивается.
ProximaDB, Ред БД: Другие перспективные отечественные СУБД.
Особенности отечественных вендоров: Уделяют существенное внимание безопасности, поддержке, легкости внедрения и обучению. Половина компаний придерживается политики открытого (или частично открытого) кода.

Успешные проекты импортозамещения в других ИТ-сферах:

Офисные пакеты: «МойОфис».
Облачные хранилища: Яндекс Диск.
Магазины приложений: RuStore.
Операционные системы: Astra Linux, «Аврора» (мобильная ОС).
Комплексные ERP-системы: Решения на платформе «1С», такие как «1С:ERP», «1С:ЗУП», «1С:WMS».

Особенности и этапы миграции

Переход на российские СУБД — это сложный и многоэтапный процесс, требующий тщательной подготовки:

Комплексный аудит: Анализ текущей ИТ-инфраструктуры, данных и зависимостей.
Оценка совместимости: Проверка совместимости существующих приложений с новой СУБД.
Выявление узких мест: Идентификация потенциальных проблем и рисков.
Разработка стратегии миграции: Пошаговый план перехода, включая перенос данных и адаптацию приложений.
Тестирование: Тщательное тестирование новой системы в условиях, приближенных к реальным.

Этот процесс может занять от нескольких месяцев до двух лет, в зависимости от масштаба и сложности системы.

Драйверы импортозамещения СУБД в 2024-2025 годах:

Усиление господдержки.
Повышение осведомленности бизнеса о преимуществах российских решений.
Появление новых услуг (DBaaS, программно-аппаратные комплексы).
Продолжение санкционной политики.

Таблица 6: Прогресс импортозамещения ПО в РФ (2024)

Категория	Доля отечественного ПО (2024)	Прогноз к 2030 (СУБД)	Секторальный прогресс (примеры)	Вызовы
Основные программные продукты	~50%	—	—	Финансовые затраты, временные рамки
ИТ-инфраструктура компаний	25%	—	Госсектор (КИИ): 90% замещения в региональных системах	Зависимость от импорта, качество ПО, дефицит кадров
СУБД	58-82%	До 93%	Финсектор: 80-90%, Промышленность: ~50%, ФК: миграция с Oracle на Postgres Pro	Сложность интеграции, инсорсинг
КИИ (объекты)	60-70% (иностранное ПО 30-40%)	—	—	59% компаний не успеют до конца 2024
ИТ-бюджеты на отечественные решения	50% (для КИИ)	—	—	—

Импортозамещение в России — это не просто вынужденная мера, а стратегическая задача, направленная на создание устойчивой и независимой цифровой экономики. Несмотря на значительные вызовы, прогресс в ряде областей очевиден, и дальнейшее развитие отечественных ИТ-решений будет ключевым фактором успеха.

Заключение: Перспективы развития информационных систем и роль академических исследований

Информационные системы находятся на пороге новой эры, определяемой экспоненциальным ростом данных, повсеместным распространением искусственного интеллекта и постоянно меняющимся геополитическим ландшафтом. Деконструкция устаревших представлений показала, что монолитные архитектуры и классические реляционные базы данных, некогда бывшие основой ИТ, уступают место более гибким, масштабируемым и интеллектуальным моделям.

Мы стали свидетелями перехода к микросервисным архитектурам и бессерверным вычислениям, которые, несмотря на свои вызовы, предлагают беспрецедентную скорость разработки, отказоустойчивость и экономическую эффективность. В сфере управления базами данных доминируют NoSQL, NewSQL, графовые и временные базы данных, каждая из которых оптимизирована для специфических задач, будь то обработка неструктурированных данных, анализ сложных взаимосвязей или управление потоками временных рядов.

Кибербезопасность стала критически важной областью, где борьба с угрозами усложняется активным использованием ИИ злоумышленниками. Однако и защита эволюционирует, внедряя интеллектуальные системы на базе ИИ для обнаружения и предотвращения атак. Роль искусственного интеллекта и машинного обучения в самих информационных системах трансформирует бизнес-процессы, автоматизирует рутину, обеспечивает глубокий анализ данных и позволяет строить точные предиктивные модели, что приводит к значительной экономии затрат и росту производительности. Наконец, методология DevOps стала неотъемлемой частью жизненного цикла разработки, обеспечивая непрерывную интеграцию, доставку и мониторинг, что позволяет компаниям быстро адаптироваться к изменениям рынка.

Особое внимание уделено импортозамещению в Российской Федерации, которое, будучи стратегической задачей, стимулирует развитие отечественных ИТ-решений и требует значительных усилий по преодолению технологических и кадровых барьеров. Прогресс в этой области, подкрепленный законодательными инициативами и инвестициями, обещает снижение зависимости от зарубежных технологий и усиление технологического суверенитета.

Перспективы развития информационных систем неразрывно связаны с дальнейшей интеграцией ИИ, развитием периферийных вычислений (Edge Computing), квантовых технологий и усилением акцента на этичной и безопасной разработке. Будущее ИС — это не только технологическая гонка, но и выработка комплексных подходов к управлению, безопасности и кадровому обеспечению.

В этом динамичном мире роль академических исследований остается важнейшей. Они служат мостом между фундаментальными открытиями и практическими инновациями, обеспечивая критический анализ, систематизацию знаний и разработку новых методологий. Только через непрерывное исследование, критическое осмысление и адаптацию к новым вызовам мы сможем не просто следовать за технологическим прогрессом, но и активно формировать будущее информационных систем.

Список использованной литературы

Астахова И. Ф., Толстобров А. П., Мельников В. М. SQL в примерах и задачах. Воронеж: ВГУ, 1999. 104 с.
Дейт К. Дж. Введение в системы баз данных. 6-е изд. Киев: Диалектика, 1998. 784 с.
Конноллин Т., Бегг К., Страчан А. Базы данных: проектирование, реализация и сопровождение, теория и практика. 2-е изд. Москва: Изд. Дом «Вильямс», 2000. 1120 с.
Герсиа-Молина Г., Ульман Дж. Д., Уидом Д. Системы баз данных. Полный курс. Москва: Изд. Дом «Вильямс», 2003. 1088 с.
Петербург2. Российские СУБД вытесняют зарубежные решения на рынке хранения данных. URL: https://peterburg2.ru/news/it-i-tehnologii/rossiyskie-subd-vytesnyayut-zarubezhnye-resheniya-na-rynke-hraneniya-dannyh-47867.html (дата обращения: 12.10.2025).
Академия доступного IT образования. Что такое базы данных временных рядов. URL: https://academy.top-it.ru/blog/chto-takoe-bazy-dannykh-vremennykh-ryadov (дата обращения: 12.10.2025).
Институт Информационных Систем ГУУ. Безопасность информационных технологий: Вызовы и тенденции. URL: https://iit.guu.ru/blog/bezopasnost-informacionnyx-texnologij-vyzovy-i-tendencii/ (дата обращения: 12.10.2025).
Академия доступного IT образования. Что такое графовая база данных? URL: https://academy.top-it.ru/blog/chto-takoe-grafovaya-baza-dannykh/ (дата обращения: 12.10.2025).
СУБД Pangolin. TimescaleDB. База данных для хранения данных временного ряда. URL: https://pangolin.pro/docs/db/timescaledb/ (дата обращения: 12.10.2025).
Microsoft Azure. Что такое базы данных NoSQL? URL: https://azure.microsoft.com/ru-ru/resources/cloud-computing-dictionary/what-is-a-nosql-database/ (дата обращения: 12.10.2025).
ESET. 10 вызовов кибербезопасности: к чему готовиться пользователям и компаниям. URL: https://www.eset.com/ru/about/news/blog/10-vyzovov-kiberbezopasnosti-k-chemu-gotovitsya-polzovatelyam-i-kompaniyam/ (дата обращения: 12.10.2025).
Sber Developer. Искусственный интеллект в информационных системах. URL: https://developers.sber.ru/portal/blogs/iskusstvennyy-intellekt-v-informatsionnykh-sistemakh (дата обращения: 12.10.2025).
Школа Больших Данных. Что такое базы данных временных рядов: обзор TSDB-СУБД. URL: https://bigdataschool.ru/blog/time-series-database-overview.html (дата обращения: 12.10.2025).
IT-World.ru. Атаки на генеративные модели ИИ. Обзор угроз и меры защиты. URL: https://it-world.ru/security/ai/197170.html (дата обращения: 12.10.2025).
Yandex Cloud. NoSQL: виды, особенности и применение. URL: https://cloud.yandex.ru/docs/tutorials/analytics/nosql-databases (дата обращения: 12.10.2025).
Академия доступного IT образования. 7 мощных баз данных временных рядов. URL: https://academy.top-it.ru/blog/7-moshchnykh-baz-dannykh-vremennykh-ryadov (дата обращения: 12.10.2025).
Школа Больших Данных. Как на самом деле устроены графовые базы данных? URL: https://bigdataschool.ru/blog/how-graph-databases-work.html (дата обращения: 12.10.2025).
Data-Science.ru. Что такое NoSQL СУБД: история, виды, примеры, применение Big Data. URL: https://data-science.ru/blog/chto-takoe-nosql-subd/ (дата обращения: 12.10.2025).
Atlassian. Сравнение микросервисной и монолитной архитектур. URL: https://www.atlassian.com/ru/microservices/microservices-vs-monolith (дата обращения: 12.10.2025).
Yugabyte. NewSQL. URL: https://www.yugabyte.com/newsql/ (дата обращения: 12.10.2025).
КиберЛенинка. Вызовы и решения в области кибербезопасности в эпоху цифровой трансформации. URL: https://cyberleninka.ru/article/n/vyzovy-i-resheniya-v-oblasti-kiberbezopasnosti-v-epohu-tsifrovoy-transformatsii (дата обращения: 12.10.2025).
PAT RESEARCH: B2B Reviews, Buying Guides & Best Practices. Top 13 NewSQL Databases in 2024. URL: https://www.patresearch.com/top-13-newsql-databases-in-2024-reviews-features-pricing-comparison/ (дата обращения: 12.10.2025).
Карта ума Mindomo. NewSQL базы данных. URL: https://www.mindomo.com/ru/mindmap/newsql—d2d140e6717a41409f83656c0716cfb4 (дата обращения: 12.10.2025).
Евразийский научный журнал. NewSQL – новый шаг в развитие BigData. URL: https://journal-science.ru/article/view/174 (дата обращения: 12.10.2025).
NCache — Alachisoft. Что такое база данных временных рядов. URL: https://www.alachisoft.com/ncache/what-is-time-series-database.html (дата обращения: 12.10.2025).
Colobridge.net. Что такое бессерверные вычисления (serverless computing). URL: https://blog.colobridge.net/ru/chto-takoe-besservernye-vychisleniya-serverless-computing/ (дата обращения: 12.10.2025).
PowerDMARC. Риски кибербезопасности генеративного искусственного интеллекта. URL: https://powerdmarc.com/ru/generative-ai-cybersecurity-risks/ (дата обращения: 12.10.2025).
SecurityLab.ru. Опасные возможности ИИ: как уязвимости генеративных моделей становятся инструментом угроз. URL: https://www.securitylab.ru/analytics/542566.php (дата обращения: 12.10.2025).
Макхост. Методология DevOps: что это и чем занимается девопс-инженер. URL: https://mchost.ru/blog/devops-metodologiya-chto-eto-i-chem-zanimaetsya-devops-inzhener/ (дата обращения: 12.10.2025).
Unity. Методология DevOps: Agile vs DevOps. URL: https://unity.com/ru/resources/devops/devops-methodology-agile-vs-devops (дата обращения: 12.10.2025).
TAdviser. DevOps Методология. URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:DevOps_%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F (дата обращения: 12.10.2025).
Sky.pro. Что такое методология DevOps: зачем она нужна, принципы и инструменты. URL: https://sky.pro/media/chto-takoe-metodologiya-devops/ (дата обращения: 12.10.2025).
Axoft. Миграция без головной боли: выбираем отечественную СУБД. URL: https://www.axoft.ru/news/migraciya-bez-golovnoy-boli-vybiraem-otechestvennuyu-subd (дата обращения: 12.10.2025).
Habr. Альтернатива есть! Обзор 6 российских СУБД для миграции. URL: https://habr.com/ru/companies/k2t/articles/741892/ (дата обращения: 12.10.2025).
CNews. Обзор: Импортозамещение 2023 — СУБД от СберТеха: рассматриваем отечественный аналог зарубежных решений. URL: https://www.cnews.ru/reviews/importozameshchenie_2023_subd_ot_sberteha_rassmatrivaem_otechestvennyj_analog_zarubezhnyh_reshenij (дата обращения: 12.10.2025).
Совет Федерации. Пять самых успешных проектов импортозамещения в России. URL: http://council.gov.ru/events/news/157252/ (дата обращения: 12.10.2025).
Агентство РСТ. Импортозамещение в России: итоги-2025, проблемы, перспективы. URL: https://www.russian-trade.com/articles/importozameshchenie-v-rossii-itogi-2025-problemy-perspektivy/ (дата обращения: 12.10.2025).
TAdviser. Рынок СУБД-2025: какие решения доступны и как подготовиться к миграции. URL: https://pro.tadviser.ru/article/2025-07-04_rynok_subd-2025_kakie_resheniya_dostupny_i_kak_podgotovitsya_k_migratsii (дата обращения: 12.10.2025).
Право.ру. Импортозамещение в IT: как переходят на отечественные разработки. URL: https://pravo.ru/story/252934/ (дата обращения: 12.10.2025).
CNews. Импортозамещение ИТ-продуктов в российском бизнесе идет черепашьими темпами. 75% решений иностранные, вместо отечественных покупают китайские. URL: https://www.cnews.ru/news/top/2024-09-04_importozameshchenie_it-produktov (дата обращения: 12.10.2025).
TAdviser. Российские СУБД в 2025 году: полный обзор рынка и стратегии перехода. URL: https://pro.tadviser.ru/article/2025-07-22_rossijskie_subd_v_2025_godu_polnyj_obzor_rynka_i_strategii_perehoda (дата обращения: 12.10.2025).
GMCS. Импортозамещение в сфере ИТ — переход на российские ИТ-решения. URL: https://www.gmcs.ru/services/importozameshchenie-it-resheniy/ (дата обращения: 12.10.2025).
TAdviser. СУБД (рынок России). URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%A1%D0%A3%D0%91%D0%94_(%D1%80%D1%8B%D0%BD%D0%BE%D0%BA_%D0%A0%D0%BE%D1%81%D1%81%D0%B8%D0%B8) (дата обращения: 12.10.2025).
TAdviser. Российский рынок СУБД: достижения, драйверы и перспективы. Обзор TAdviser 2024. URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%A0%D0%BE%D1%81%D1%81%D0%B8%D0%B9%D1%81%D0%BA%D0%B8%D0%B9_%D1%80%D1%8B%D0%BD%D0%BE%D0%BA_%D0%A1%D0%A3%D0%91%D0%94:_%D0%B4%D0%BE%D1%81%D1%82%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F,_%D0%B4%D1%80%D0%B0%D0%B9%D0%B2%D0%B5%D1%80%D1%8B_%D0%B8_%D0%BF%D0%B5%D1%80%D1%81%D0%BF%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D1%8B._%D0%9E%D0%B1%D0%B7%D0%BE%D1%80_TAdviser_2024 (дата обращения: 12.10.2025).
CNews. Импортозамещение 2024. URL: https://www.cnews.ru/reviews/importozameshchenie_2024 (дата обращения: 12.10.2025).
TAdviser. Импортозамещение информационных технологий в промышленности. URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%98%D0%BC%D0%BF%D0%BE%D1%80%D1%82%D0%BE%D0%B7%D0%B0%D0%BC%D0%B5%D1%89%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D1%85_%D1%82%D0%B5%D0%BB%D0%BB%D0%BE%D0%B3%D0%B8%D0%B9_%D0%B2_%D0%BF%D1%80%D0%BE%D0%BC%D1%8B%D1%88%D0%BB%D0%B5%D0%BD%D0%BD%D0%BE%D1%81%D1%82%D0%B8 (дата обращения: 12.10.2025).
Время бухгалтера. Импортозамещение в России в 2025 году. URL: https://glavkniga.ru/elver/2025/1/10893 (дата обращения: 12.10.2025).