IoT Parking Service - это сервис, который собирает данные о свободных местах на парковках с помощью IoT-устройств и предоставляет эту информацию автономным автомобилям для бронирования мест и построения маршрутов.

• Обработка данных от IoT-устройств (эмулируемых через Data Simulator) и обновление информации о парковках в базе данных.
• Передача данных о свободных местах на парковках автономным автомобилям в реальном времени.
• Валидация поступающих данных через IoT Controller.
• Проверка данных на соответствие мгновенным и длительным правилам через Rule Engine.
• Хранение событий и состояний парковок для последующего анализа.
• Предоставление возможности автомобилям запросить ближайшую свободную парковку.

• InfluxDB — для хранения временных рядов (состояние парковок с метками времени).
• PostgreSQL — для хранения метаданных (информация о парковках).
  • Шардирование — реализована физическая репликация PostgreSQL с несколькими репликами для распределения нагрузки.
  • Реплики — настроены слоты репликации для надежного распространения данных между master и replica узлами.
  • PgBouncer — реализовано управление пулом соединений для оптимизации использования ресурсов БД.

• Nginx — для распределения запросов между микросервисами.
  • Используется метод Least Connections
  • Настройка проверок здоровья сервисов для отказоустойчивости

• Mosquitto — для передачи данных от IoT-устройств к другим компонентам системы.

• Redis — для быстрого доступа к часто используемым данным:
  • Кэширование текущего состояния парковок (device_id, free_spots, timestamp)
  • Снижение нагрузки на базы данных для часто запрашиваемой информации
  • Настроенное время жизни (TTL) для разных типов данных
  • Поддержка частичного обновления кэша для оптимизации производительности
  • Реализована стратегия "write-through" для обеспечения консистентности данных

• Promtail и Loki — для сбора и анализа логов системы.

• Grafana и Prometheus — для визуализации метрик и мониторинга производительности.

Настроены базовые алерты для мониторинга инфраструктуры:

• HighCpuUsage — использование процессора превышает 80% в течение 5 минут
• HighMemoryUsage — объем оперативной памяти превышает 75% в течение 5 минут
• ServiceDown — сервисы недоступны более 30 секунд

Алерты обрабатываются через AlertManager и доступны по адресу:

• Prometheus алерты: http://localhost:9090/alerts
• AlertManager: http://localhost:9093

В проекте учитываются два типа "пользователей": IoT-устройства, передающие данные, и автономные автомобили, запрашивающие информацию.

• Максимальное количество IoT-устройств: На старте сервис рассчитан на 150 устройств, каждое из которых отправляет данные каждые 4 секунды. В перспективе возможно масштабирование до 1000 устройств для обслуживания крупных городов или сети парковок.

• Максимальное количество автомобилей: Предполагается поддержка 500-1000 автономных автомобилей в часы пик, каждый с возможностью до 2 активных сессий (например, запрос состояния и бронирование). Итого максимум 1000-2000 сессий.

• Время отклика на запросы автомобилей: Целевое время — 200 мс для большей части запросов, допустимый диапазон — 200-500 мс, чтобы обеспечить быструю реакцию для навигации.

• Время обработки внутренних операций: Простые операции (например, валидация данных в IoT Controller, запись в InfluxDB) — 50 мс. Сложные операции (проверка правил в Rule Engine) — 50-100 мс.

• Прогнозируемый объём данных на старте: С 150 устройствами, отправляющими данные каждые 4 секунды (сообщение ~65 байт), объём составляет: 150 × (86400 ÷ 4) × 65 = ~200.8 МБ/день. С учётом логов (Loki) и метрик (Prometheus) — ~250 МБ/день. Данные в PostgreSQL (данные парковок, бронирования) добавляют незначительный объём (~1-5 МБ на старте).

• Возможный рост объёма данных: При масштабировании до 1000 устройств: 1000 × (86400 ÷ 4) × 65 = ~1.34 ГБ/день. С учётом логов и метрик — до 1.5-2 ГБ/день. Рост числа автомобилей добавит данные о бронированиях (~10-20 МБ ежегодно).

• Docker и Docker Compose
• .NET 9.0 SDK (для разработки)

docker-compose -f docker-compose.yml -f docker-compose.scale.yml -f docker-compose.monitoring.yml up -d

docker-compose -f docker-compose.yml -f docker-compose.monitoring.yml up -d

API_REPLICAS=3 PG_MAX_CONNECTIONS=200 docker-compose -f docker-compose.yml -f docker-compose.scale.yml up -d

docker-compose -f docker-compose.tests.yml up -d

После запуска системы будут доступны следующие интерфейсы:

• ParkingApi: http://localhost:8080
• Grafana: http://localhost:3000 (admin/admin)
• Prometheus: http://localhost:9090
• InfluxDB: http://localhost:8086
• PostgreSQL: localhost:5432
• Redis: localhost:6379
• Mosquitto MQTT: localhost:1883

Проект содержит следующие тесты:

• ParkingApi/tests/ - Unit-тесты для API контроллеров и сервисов, интеграционные тесты для проверки взаимодействие между компонентами системы.
• data_simulator/tests/ - Тесты симулятора данных IoT
• rule_engine/tests/ - Тесты движка правил
• vehicle_simulator/tests/ - Тесты симулятора автомобилей

# Тесты ParkingApi
cd ParkingApi
dotnet test

# Тесты всего решения
dotnet test highload-2025.sln

# Запуск тестового окружения
docker-compose -f docker-compose.tests.yml up -d

# Запуск интеграционных тестов
docker-compose -f docker-compose.tests.yml exec test-runner dotnet test

# Вертикальное масштабирование
./tsung/scripts/vertical-scaling-test.sh

# Горизонтальное масштабирование
./tsung/scripts/horizontal-scaling-test.sh

# Анализ результатов масштабирования
./tsung/scripts/analyze-scaling-results.sh

• ControllerTests - Тестирование API контроллеров
• ServiceTests - Тестирование бизнес-логики сервисов
• DatabaseTests - Тестирование работы с PostgreSQL и InfluxDB
• ValidationTests - Тестирование валидации входных данных

• IoT Data Flow Tests - Проверка потока данных от IoT устройств через MQTT до баз данных
• Vehicle API Tests - Тестирование API для автомобилей
• Rule Engine Tests - Проверка работы движка правил
• Load Tests - Нагрузочные тесты системы

• Проверка соответствия требованиям по времени отклика (200-500 мс)
• Тестирование пропускной способности для 1000+ устройств
• Проверка масштабируемости до 2000 сессий
• Тесты эффективности кэширования и шардирования данных

После запуска с мониторингом доступны дашборды:

• System Overview - Общая производительность системы
• API Performance - Метрики API (время отклика, throughput)
• Database Metrics - Производительность PostgreSQL и InfluxDB
• IoT Data Flow - Метрики потока данных от IoT устройств
• Cache Performance - Эффективность кэширования и hit/miss rate
• DB Sharding - Метрики распределения нагрузки между репликами

Логи всех сервисов собираются через Promtail и доступны в Grafana через Loki datasource.

• ParkingApi/ - Основное API на .NET 9
• iot_controller/ - Контроллер IoT устройств
• rule_engine/ - Движок обработки правил
• data_simulator/ - Симулятор IoT устройств
• vehicle_simulator/ - Симулятор автомобилей
• monitoring/ - Конфигурации мониторинга
• postgresql/ - Скрипты базы данных
• mosquitto/ - MQTT брокер конфигурация

Основные переменные окружения настраиваются в docker-compose.yml:

• POSTGRES_CONNECTION - строка подключения к PostgreSQL
• INFLUXDB_URL - URL InfluxDB
• MQTT_BROKER_URL - URL MQTT брокера
• REDIS_CONNECTION - строка подключения к Redis
• API_REPLICAS - количество экземпляров API для горизонтального масштабирования
• PG_MAX_CONNECTIONS - максимальное количество соединений PostgreSQL
• POSTGRES_REPLICATION_USER - пользователь для репликации PostgreSQL
• CACHE_TTL_SECONDS - время жизни объектов в кэше Redis

• nginx.conf - Конфигурация балансировщика нагрузки
• loki-config.yaml - Настройки Loki для сбора логов
• promtail-config.yaml - Конфигурация Promtail
• postgres/replica.conf - Конфигурация PostgreSQL для реплик
• postgres/pg_hba.conf - Настройки доступа к PostgreSQL