Степан СергеевЗапрос «курсовая по информационным системам и технологиям в МФТИ» нужно использовать аккуратно. В базовом наборе МФТИ на 2026 год отдельное направление 09.03.02 «Информационные системы и технологии» не указано. При этом разработка информационных систем является реальной частью программ по информатике и вычислительной технике, программной инженерии, прикладной математике и системному анализу.
Поэтому в титульном листе и в самой курсовой нужно писать точное название программы, а поисковую формулировку воспринимать как описание предметной области.
Официальные страницы:
https://pk.mipt.ru/bachelor/2026_places/
https://hsse.mipt.ru/bachelor/software-systems
Сначала уточните образовательный контекст
В 2026 году в МФТИ есть:
- 09.03.01 «Информатика и вычислительная техника»;
- 09.03.04 «Программная инженерия»;
- 01.03.02 «Прикладная математика и информатика»;
- 27.03.03 «Системный анализ и управление».
Тема информационной системы может быть частью любой из этих программ, но требования будут разными.
Выберите систему, а не технологию
Плохо:
«Разработка веб-системы на React».
Сильнее:
«Разработка системы обработки экспериментальных данных лаборатории с контролем версий и воспроизводимостью анализа».
Сначала задача, потом стек.
Пользователь
Определите, кто работает с системой:
- исследователь;
- инженер;
- оператор;
- аналитик;
- администратор.
У каждого сценарий и права.
Не проектируйте одного абстрактного «пользователя».
Use case
Например:
Исследователь загружает экспериментальный набор, запускает обработку и получает отчёт с параметрами запуска.
Это лучше списка функций без логики.
Требования
Разделите:
- functional;
- performance;
- reliability;
- security;
- reproducibility.
В научной информационной системе воспроизводимость может быть важнее красивого UI.
Data model
Определите:
- experiment;
- dataset;
- run;
- model;
- result;
- user.
Система должна хранить связи.
Не складывайте всё в один JSON без необходимости.
Версия данных
Если dataset изменился, старый результат должен оставаться воспроизводимым.
Сохраняйте:
- dataset version;
- timestamp;
- hash;
- parameters.
Иначе невозможно понять, на чём был получен график.
Provenance
Для научных данных полезно знать:
source -> preprocessing -> computation -> result.
Это data lineage.
Курсовая становится сильнее, если цепочку можно восстановить.
Metadata
Для файла недостаточно имени `data.csv`.
Сохраняйте:
- источник;
- единицы;
- эксперимент;
- дату;
- прибор;
- автора.
Без metadata информационная система превращается в файловое хранилище.
Database
Выбор SQL/NoSQL должен иметь причину.
SQL хорошо подходит для:
- связей;
- integrity;
- transactions.
NoSQL может быть полезен для гибкой структуры.
Не выбирайте MongoDB только потому, что JSON удобно.
Transaction
Если операция меняет несколько таблиц, решите, должна ли она быть атомарной.
Например:
создать experiment + dataset + permissions.
Половина сохранённой операции может нарушить целостность.
Индексы
Для больших данных индекс должен соответствовать запросу.
Покажите:
- query;
- time before;
- index;
- time after.
Так оптимизация доказана.
API
Для программного интерфейса опишите несколько ключевых методов.
Например:
POST /datasets
POST /runs
GET /runs/{id}
Для каждого:
- request;
- response;
- error.
Async job
Научный расчёт может длиться минуты или часы.
Не держите HTTP connection.
Используйте:
- queue;
- worker;
- status.
Пользователь должен видеть прогресс.
Idempotency
Повторный запрос не должен случайно запускать дорогое вычисление дважды, если это запрещено логикой.
Для таких операций можно использовать idempotency key.
Это хороший инженерный нюанс.
Storage
Большие файлы лучше хранить отдельно от основной relational DB.
В БД:
- metadata;
- path;
- hash.
В object storage:
- binary.
Но для маленькой курсовой локальное файловое хранилище тоже допустимо.
Integrity
Hash позволяет проверить, что файл не изменился.
Например:
SHA-256.
Но hash не является шифрованием.
Не смешивайте эти задачи.