DSA Faculty
API
← к списку преподавателей

Карпов Максим Евгеньевич

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: 27240
Публикаций
123
Языков
2
Наград
8
Конференций
1
Профиль Публикации (123) Курсы (31)

Профессиональные интересы

машинное обучениеанализ данныхглубинное обучение

Должности

  • Старший преподаватель — Факультет компьютерных наук, Департамент больших данных и информационного поиска

Био

  • · Начал работать в НИУ ВШЭ в 2017 году.
  • · Научно-педагогический стаж: 7 лет.

Образование

  • 2022 · Аспирантура: Национальный исследовательский университет "Высшая школа экономики", специальность «Информатика и вычислительная техника», квалификация «Исследователь. Преподаватель-исследователь»
  • 2020 · Магистратура: Национальный исследовательский университет "Высшая школа экономики", факультет: компьютерных наук, специальность «Прикладная математика и информатика», квалификация «Магистр»
  • 2014 · Специалитет: Московский государственный университет им. М.В. Ломоносова, факультет: глобальных процессов, специальность «Международные отношения», квалификация «Специалист в области международных отношений»

Опыт работы

  • · 09.2021: наст.время старший преподаватель Департамента больших данных и информационного поиска ФКН
  • · 04.2019 – 08.2021: преподаватель Департамента больших данных и информационного поиска ФКН
  • · 03.2021 – 08.2024: младший научный сотрудник лаборатории LAMBDA
  • · 10.2017 – 03.2021: стажер-исследователь лаборатории LAMBDA

Награды и поощрения

  • · Благодарность первого проректора НИУ ВШЭ (август 2024)
  • · Благодарность старшего директора по основным образовательным программам НИУ ВШЭ (май 2023)
  • · Благодарственное письмо проректора НИУ ВШЭ (сентябрь 2022)
  • · Надбавка за публикацию в журнале из Списка А (и приравненном к нему научном издании) (2023–2024)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2022–2023, 2021–2022)
  • · Надбавка за регулярные публикации в международных рецензируемых научных изданиях (2025–2030, 2024–2029)
  • · Лучший преподаватель — 2025
  • · Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)Категория "Новые исследователи" (2019)

Гранты и проекты

  • 2022 · Исполнитель по гранту РФФИ «‎Проекты фундаментальных научных исследований, выполняемые молодыми учеными, обучающимися в аспирантуре» № заявки 20-37-90136, тема проекта: «‎Разработка методов обработки естественного языка для обнаружения аномалий в журналах событий систем хранения больших данных» (2020 - 2022 гг.) под руководством заведующего лабораторией Устюжанина Андрея Евгеньевича.

Конференции (1)

Показать все
  • · 2022: 46-я школа-конференция ИППИ РАН «Информационные технологии и системы» (ИТиС-2022) (Огниково Московской области). Доклад: Predicting a Next Activity in Event Logs: an Approach based on LSTMs and Gradient Boosting

Идентификаторы исследователя

Публикации (123)

SANgo: a storage infrastructure simulator with reinforcement learning support

2020 · ARTICLE · en

We introduce SANgo (Storage Area Network in the Go language)—a Go-based package for simulating the behavior of modern storage infrastructure. The software is based on the discrete-event modeling paradigm and captures the structure and dynamics of high-level storage system building blocks. The flexible structure of the package allows us to create a model of a real storage system with a configurable number of components. The granularity of the simulated system can be defined depending on the replicated patterns of actual system behavior. Accurate replication enables us to reach the primary goal of our simulator—to explore the stability boundaries of real storage systems. To meet this goal, SANgo offers a variety of interfaces for easy monitoring and tuning of the simulated model. These interfaces allow us to track the number of metrics of such components as storage controllers, network connections, and hard- drives. Other interfaces allow altering the parameter values of the simulated system effectively in real-time, thus providing the possibility for training a realistic digital twin using, for example, the reinforcement learning (RL) approach. One can train an RL model to reduce discrepancies between simulated and real SAN data. The external control algorithm can adjust the simulator parameters to make the difference as small as possible. SANgo supports the standard OpenAI gym interface; thus, the software can serve as a benchmark for comparison of different learning algorithms.

DOI ↗ PDF ↗

Tuning hybrid distributed storage system digital twins by reinforcement learning

2018 · ARTICLE · en

In this paper, we consider the problem of fine-tuning a discrete event simulator of distributed storage system by a neural network trained with reinforcement learning algorithms on real data. The simulator has a set of control parameters that affect its behaviour and can be tuned during the simulation. Variation of these parameters influences how realistic the simulation is. The problem of simulator tuning is equivalent to the discovery of an optimal control strategy that leads to sensible results. We investigate different optimization metrics and demonstrate the viability of the approach.

DOI ↗ PDF ↗

Hybrid approach to design of storage attached network simulation systems

2018 · ARTICLE · en

Simulators of real-world IT systems are gaining popularity today. However, as it often happens in the early stages of technological readiness, the same term can be understood as different things - from visualisation systems to multi-level multi-agent models. The critical feature of the simulation technology is the degree of trust, or proximity of resemblance of their behaviour to the objects of simulation from the real world. The article presents for the first time an overview of a hybrid approach to modelling Storage attached networks (SAN), in which the parameters of an approximate simulator are dynamically adjusted using machine learning methods, i.e. reinforcement learning. Particular attention is paid to the analysis of the strengths and weaknesses of the existing approaches of simulation and comparison the hybrid approach presented in the article.

PDF ↗

Курсы (31)