Как в MWS Cloud построили сетевой балансировщик с минимальными потерями производительности На первый взгляд у балансировщика довольно простая работа: принять трафик, распределить его между виртуалками и следить, чтобы запросы не уходили на упавшие серверы. Всё выглядит прекрасно, пока дело не доходит до реальных пакетов, маршрутизации и отказоустойчивости. В MWS Cloud построили собственный NLB и получили разницу всего в 1-2% между прямым обменом виртуальных машин и обменом через балансировщик. Правда, ради этого пришлось пойти на архитектурные компромиссы. Первую схему проверки доступности серверов выбрали за простоту, хотя заранее понимали, что она плохо масштабируется. Следующая избавила от одних проблем, зато принесла другие. Узнаем, как инженеры выстраивали маршруты пакетов, выбирали между производительностью и гибкостью и почему даже удачные решения приходится пересматривать.

Как в MWS Cloud тестировали отказоустойчивость платформы и при чём тут швейцарский сыр Облако проектировали так, чтобы оно пережило потерю целого дата-центра: диски и сетевые карты отваливаются только в путь, площадки склонны отмирать, а над двумя линиями оптики в десяти километрах друг от друга идут две независимые стройки, где операторы экскаваторов начинают рабочий день в одно и то же время. Всё это заложено в архитектуру. И прежде чем сказать рынку «у нас теперь тоже облако», решили проверить честно — погасить зону доступности прямо на проде. Неделя подготовки, сорок инженеров в чате, отдельный логотип для координации. День X: гасят внешние линки одной зоны. По ощущениям — легло всё. Консоль недоступна целиком, объектное хранилище тоже. В системе, которую с фундамента строили ровно под этот сценарий. А дальше — чуть больше двух недель разбора, как в такой конструкции дырки на всех слоях защиты умудрились выстроиться в одну линию.

MWS Cloud первой в России развернула GLM 5.2 в собственном облаке MWS Cloud расширила каталог сервиса MWS GPT Model Hub до 17 больших языковых моделей. Главным обновлением стала GLM 5.2 — опенсорс-модель от Z.AI, которую компания первой в России развернула на собственной облачной инфраструктуре. Модель ориентирована на сценарии, где важны качество рассуждений, глубокий анализ текстов и обработка многошаговых запросов. Теперь все запросы к GLM 5.2 обрабатываются на серверах MWS Cloud внутри страны. Это означает, что данные и вычисления не покидают юрисдикцию РФ и не зависят от зарубежных провайдеров. Помимо GLM 5.2, в каталоге появились Kimi K2.6 от Moonshot AI. Модель подходит для обработки сложных пользовательских запросов, анализа документов, генерации развёрнутых ответов и построения AI-ассистентов. Кроме того, в MWS GPT Model Hub появились Qwen3.6, Gemma 4, GPT OSS и другие модели. Сервис получил поддержку распознавания и синтеза речи, а также реранкеров, которые улучшают качество поиска и RAG-сценариев. Все 17 моделей доступны через единый OpenAI-совместимый API, что позволяет разработчикам быстрее тестировать и внедрять AI-функции в свои продукты без развёртывания собственной инфраструктуры. @ai_machinelearning_big_data #news

MWS Cloud вошла в топ-3 GPU Cloud 2026 по версии CNews Market Облачная инфраструктура MWS Cloud на базе VMware заняла одно из лидирующих мест в рейтинге провайдеров GPU Cloud — сервисов с графическими ускорителями для ИИ, ML, LLM и других тяжелых вычислительных задач. В инфраструктуре MWS более 30 видов производительных процессоров и 13 современных видов GPU-ускорителей под задачи разной сложности. Для быстрого старта доступны 60+ готовых фиксированных конфигураций серверов: можно не собирать инфраструктуру с нуля, а выбрать подходящий вариант под проект. Форматы работы тоже разные: аренда оборудования в собственных ЦОД MWS, on-premise-размещение на площадке заказчика, мгновенный запуск без ожидания, стандартные заявки, долгосрочное бронирование ресурсов и предзаказ мощностей. Для ИИ-проектов есть готовая среда: MWS GPT Models Hub для работы с открытыми LLM, Inference Valve, U-Speech Analytics для речевой аналитики в облаке и ML-платформа. Производительность обеспечивают технологии высокоскоростного обмена данными, шины межчипового соединения и быстрые локальные NVMe-диски. SLA — 99,95%. Параллельно компания развивает собственную MWS Cloud Platform, где уже доступно preview виртуальной инфраструктуры с GPU.

📌 MWS Cloud запустила новый класс S3-хранилища для AI и ML-задач. Это «теплое» объектное хранилище на NVMe-дисках, которое рассчитано на сценарии, где критичны скорость чтения и минимальные задержки. Сервис является частью MWS Cloud Platform. Скорость передачи данных составляет до 1,8 ГиБ/с и TTFB около 20 мс. Хранилище подходит для обучения нейросетей, аналитики, медиа сервисов и высоконагруженных веб-приложений, есть совместимость с AWS S3 API, поэтому можно мигрировать в MWS Cloud Platform без переписывания сервисов; Помимо этого, у хранилища есть шифрование, репликация между дата-центрами, версионирование и IAM-права. Оплата проходит по модели pay-as-you-go. MWS Cloud опубликовали методологию и результаты внутреннего тестирования, показавшего, что это самое быстрое S3-совместимое объектное хранилище среди крупных российских облачных провайдеров. @ai_machinelearning_big_data