Опубликовано: 14.08.2026 | Источник: CNews (новости)

```html

Факт. Nvidia возобновила производство чипов H200 — компании удалось получить недостающие экспортные лицензии, и теперь китайские клиенты снова получают поставки. Казалось бы, новость из разряда «бизнес-обзоров», но для студента ИТ-специальности это готовый кейс для диплома. Вместо абстрактной темы «Разработка системы выбора GPU» вы можете привязать работу к реальной геополитической ситуации, показать, как ограничения влияют на архитектуру ИИ-инфраструктуры, на стоимость владения и на проектные решения. Это делает ВКР живой, актуальной и выгодно выделяет её на защите.

Темы ВКР на базе кейса Nvidia H200: актуальность, цель, задачи, структура

Ниже — три проработанные темы. Каждая разбита по главам, чтобы вы сразу понимали, что писать. Подстройте формулировки под требования вашего вуза.

Как использовать материал статьи в главах диплома

Статья из CNews — не просто «пруф» для введения. На её основе можно сделать полноценное исследование. Для каждой главы покажу, что добавить, какие инструменты и диаграммы использовать.

Глава 1: Теория и анализ

Возьмите факт возобновления производства H200 как отправную точку анализа. В первом разделе опишите эволюцию GPU-платформ Nvidia: A100 → H100 → H200 → (упомяните B200). Используйте диаграмму C4-Context, чтобы показать окружение системы, где работает GPU (дата-центр, облачные провайдеры, потребители ИИ-сервисов). Для описания требований к оборудованию примените стандарт ISO/IEC 25010 — выделите характеристики производительности, совместимости, надёжности. Обязательно укажите, что H200 получил лицензию на экспорт в Китай — это влияет на доступность и цену глобально.

Глава 2: Проектирование

Если ваша тема связана с архитектурой, спроектируйте систему автоматизации выбора GPU или кластер. Для моделирования используйте C4-диаграммы (контейнеры, компоненты) и UML (диаграммы последовательности для сценария «запрос на GPU → выбор по критериям → выделение ресурсов»). Для Kubernetes-инфраструктуры добавьте конфигурацию device-plugin для NVIDIA GPU:

apiVersion: apps/v1
kind: DaemonSet
metadata:
  name: nvidia-device-plugin-daemonset
  namespace: kube-system
spec:
  template:
    spec:
      containers:
      - name: nvidia-device-plugin-ctr
        image: nvidia/k8s-device-plugin:v0.14.1
        securityContext:
          allowPrivilegeEscalation: false
        volumeMounts:
        - mountPath: /var/lib/kubelet/device-plugins
          name: device-plugin
      volumes:
      - name: device-plugin
        hostPath:
          path: /var/lib/kubelet/device-plugins

Этот код демонстрирует, как интегрировать GPU в кластер — пригодится для глав о реализации. Не забудьте в пояснительной записке указать, что H200 работает на архитектуре Hopper, и его можно использовать также в связке с NVLink для увеличения объёма памяти (141 ГБ HBM3e).

Глава 3: Тестирование и метрики

Классическая проблема студентов — пустые разделы «тестирования». Сделайте их измеримыми. Для оценки GPU используйте метрики:

• Throughput — сколько инференсов в секунду (для LLM — tokens/s);
• Latency — задержка одного запроса;
• Utilization — процент загрузки GPU при различных batch-размерах;
• TCO — Total Cost of Ownership (цена оборудования + энергопотребление + обслуживание за жизненный цикл).

Пример скрипта для расчёта TCO (Python):

class GPU:
    def __init__(self, name, capex, tdp, pue=1.3):
        self.name = name
        self.capex = capex          # стоимость, руб
        self.tdp = tdp              # Вт
        self.pue = pue              # PUE дата-центра

    def annual_energy_cost(self, hours=8760, rub_per_kwh=6):
        power_kw = self.tdp * self.pue / 1000
        return power_kw * hours * rub_per_kwh

    def tco_3y(self):
        energy = self.annual_energy_cost() * 3
        return self.capex + energy

h200 = GPU("H200", capex=2_500_000, tdp=700)
a100 = GPU("A100 80GB", capex=1_200_000, tdp=400)
print(f"H200 TCO за 3 года: {h200.tco_3y():,.0f} руб.")
print(f"A100 TCO за 3 года: {a100.tco_3y():,.0f} руб.")

В третьей главе также можно применить имитационное моделирование в Python (SimPy) или AnyLogic, чтобы показать поведение кластера при выходе из строя части GPU.

Чему вы научитесь после реализации такой ВКР

• Анализировать сложные технические объекты и оформлять это по ГОСТ 34.602 (техническое задание, если проект системный).
• Строить архитектурные диаграммы C4/UML, которые пригодятся и в реальной работе.
• Считать экономическую эффективность ИТ-инфраструктуры: TCO, ROI, срок окупаемости.
• Работать с Kubernetes и GPU-плагинами — навык, востребованный в DevOps и MLOps.
• Писать выпускную работу, которая не стыдно показать на защите и которую можно превратить в статью/кейс в портфолио.

FAQ: Вопросы, которые чаще всего задают студенты

Как обосновать актуальность темы, связанной с GPU и H200, если в моём вузе нет GPU-кластера?

Актуальность — это не то, какая у вас техника. Покажите во введении, что проблема выбора и доступности ИИ-оборудования стоит остро: H200, производство которого зависело от лицензий, — яркий пример. В теории ссылайтесь на отчёты Gartner, судебные иски, статьи профильных СМИ. А для практической части можно использовать аренду облачных GPU (по часам) или симуляцию. На защите вы честно скажете, что расчёты приближены к реальным данным, а в выводах — перспективы доступа к кластеру.

Где брать достоверные данные для сравнения GPU?

Официальные сайты Nvidia и AMD (таблицы характеристик), независимые бенчмарки MLPerf, публичные отчёты Lambda Lab и CloudHarmony. Для цен — прайсы дистрибьюторов (Индия, Китай, Европа) — так вы покажете географическое ценообразование. Обязательно указывайте дату обращения к источнику.

Как оформить схемы и код по ГОСТу?

Согласно ГОСТ 7.32-2017, рисунки подписываются снизу («Рисунок 1 — Архитектура кластера»), код — в листинги («Листинг 2 — Расчёт TCO»). Многие вузы разрешают диаграммы C4 и UML, если они согласованы с руководителем. Главное — единообразие: где использовали UML, не вставляйте бездумно картинки из интернета.

Какие метрики выбрать, чтобы руководитель не сказал «это просто данные»?

Помимо производительности, покажите эффективность с учётом затрат: метрика Tokens/$ (сколько токенов вы получаете на доллар стоимости оборудования), Latency/косвенные издержки, а также Availability — доступность сервиса при отказах харда. Это сразу поднимает уровень работы до инженерного.

Источник: Nvidia возобновила производство чипов H200 для китайского рынка (опубликовано 2026-03-18)

```