Дополнительные сведения:
Выпускник магистратуры с практическим опытом в области DevOps: контейнеризация, настройка серверов. Владею Docker, Docker Compose, Nginx, Linux. Имею опыт развертывания и поддержки комплексных приложений, включая VPN-сервис с многоуровневой архитектурой. Успешно реализовал проекты с полным циклом DevOps: от проектирования инфраструктуры до мониторинга и поддержки.
Навыки:
Языки программирования:
Python - основной язык
Так же знаком с: C, C++, Java, C#
Фреймворки / Библиотеки / Технологии:
Data Analysis: Pandas, NumPy
Web Servers: Nginx (базовое администрирование, конфигурирование)
Containerization: Docker, Docker Compose Кроссплатформенная разработка
Мои проекты:
1) Пет-проект: Разработка собственного vpn-сервиса. (Текущий активный проект)
В состав проекта входят следующие микросервисы:
Admin-panel - (flask)
Xray api - fastapi
Xray - (ядро впн)
Nginx - reverse-proxy
Postgressql
Telegram bot
Контейнеризировал приложения и его зависимости с использованием Docker и Docker Compose для обеспечения переносимости и упрощения развертывания.
Настроил Nginx в качестве reverse proxy и веб-сервера.
Стек: Python, flask, fastapi xray, Docker, Docker Compose, Nginx, aiogram.
2) Пет-проект: Telegram bot для vpn-сервиса (2025)
Разработал телеграмм бота для продажи услуг впн.
Стек: Python, aiogram, sqlAlchemy, alembic, postgresql.
3) Магистерская Диссертация: "Обнаружение сетевых атак с использованием анализа сетевого трафика методами машинного обучения" 2025 год
Разработал и реализовал программный клиент-серверный модуль для обнаружения сетевых атак с использованием метода машинного обучения RandomForestClassifier.
Применил библиотеки Python: Pandas - для обработки и анализа сетевых данных CIC-IDS2017, NumPy - для численных операций и работы с массивами данных.
Исследовал эффективность различных алгоритмов ML (logistic Regression, Decision tree, Random forest - default Params, Random Forest - Optimized Params, Gradient Boosting, XGBoost, LightGBM, SVM, KNN, Naive Bayes) для задачи классификации сетевого трафика.
Была достигнута точность 98% используемого метода машинного обучения Random Forest. 10 видов атак + обычный трафик
Стек: Python, fastapi, Pandas, NumPy, CIC-IDS2017, PyQt6.
4) Пет-проект: Мобильное приложение для генерации картинок на .NET MAUI (2023)
Разработал кроссплатформенное мобильное/десктопное приложение для генерации картинок с помощью известных нейронных сетей.
Реализовал скелет мобильного приложения и частично api.
Стек: C#, .NET MAUI.
DevOps, PostgreSQL, Linux, Python, Docker, Git, Администрирование серверов Linux, xray, API