Open Source

Открытые проекты для сетевых технологий и инструменты разработчиков

Технологии в фокусе

QUIC
BBRv3
MASQUE
Linux
eBPF
Docker
Open Source
Rust
Go

Наши проекты

Открытые образовательные материалы и инструменты для изучения сетевых протоколов. Предназначены для студентов бакалавриата и магистратуры, аспирантов, исследователей и разработчиков сетевых технологий

quic-test

v2.0.0 Активно Интеграция

Комплексная платформа для тестирования и анализа сетевых протоколов: QUIC, MASQUE, ICE/STUN/TURN с профессиональной TUI визуализацией. Включает real-time мониторинг, сетевые симуляции, тестирование безопасности и cloud интеграцию.

GitHub

Комплексная платформа для тестирования и анализа сетевых протоколов: QUIC, MASQUE, ICE/STUN/TURN с профессиональной TUI визуализацией. Включает real-time мониторинг, сетевые симуляции, тестирование безопасности и cloud интеграцию.

Лицензия: Apache 2.0

Технологии

Go Rust QUIC MASQUE ICE/STUN/TURN TLS 1.3 Prometheus Monitoring

Основные возможности

  • BBRv2/BBRv3
  • QUIC Bottom TUI
  • Network Simulation
  • Security Testing
  • Cloud Deployment
  • TCP-over-QUIC Research
Посмотреть на GitHub Документация

AI Routing Lab

v2.0.0 Активно Интеграция

Исследовательский проект для прогнозирования оптимальных маршрутов с использованием машинного обучения. Достигает точности >92% в прогнозировании задержки и джиттера для оптимизации маршрутизации в сетевой инфраструктуре CloudBridge.

GitHub

Исследовательский проект для прогнозирования оптимальных маршрутов с использованием машинного обучения. Достигает точности >92% в прогнозировании задержки и джиттера для оптимизации маршрутизации в сетевой инфраструктуре CloudBridge.

Лицензия: MIT

Технологии

Python Machine Learning scikit-learn Random Forest LSTM MLflow Prometheus CAI Framework

Основные возможности

  • Latency Prediction
  • Jitter Prediction
  • Route Selection Optimization
  • ML Model Training
  • Real-time Inference
  • AI Agents Integration
  • Security Testing
Посмотреть на GitHub Документация

MASQUE VPN

Development Активно Интеграция

VPN реализация на основе протокола MASQUE CONNECT-IP (RFC 9484) с использованием QUIC транспорта. Проект предназначен для образовательных целей и исследований сетевых технологий, включая интеграцию с курсами НИУ МЭИ по современным сетевым протоколам для автономных систем (БАС). Включает веб-интерфейс управления (Vue 3), взаимную TLS аутентификацию, Prometheus/Grafana мониторинг, FEC поддержку и кроссплатформенные клиенты.

GitHub

VPN реализация на основе протокола MASQUE CONNECT-IP (RFC 9484) с использованием QUIC транспорта. Проект предназначен для образовательных целей и исследований сетевых технологий, включая интеграцию с курсами НИУ МЭИ по современным сетевым протоколам для автономных систем (БАС). Включает веб-интерфейс управления (Vue 3), взаимную TLS аутентификацию, Prometheus/Grafana мониторинг, FEC поддержку и кроссплатформенные клиенты.

Лицензия: MIT

Технологии

Go QUIC MASQUE CONNECT-IP RFC 9484 HTTP/3 TLS 1.3 Vue 3 TypeScript Prometheus Grafana FEC Cross-Platform

Основные возможности

  • MASQUE CONNECT-IP (RFC 9484)
  • Mutual TLS Authentication
  • Web Management UI (Vue 3)
  • Cross-Platform Support (Windows/Linux/macOS)
  • IP Pool Management
  • Real-time Monitoring
  • Prometheus Metrics & Grafana Dashboards
  • FEC (Forward Error Correction)
  • Educational Materials for MPEI
  • Multi-language UI (RU/EN/ZH)
Посмотреть на GitHub Документация

Интеграция проектов

Наши проекты работают вместе для создания комплексных решений

quic-test ↔ AI Routing Lab

Интеграция для интеллектуальной маршрутизации

quic-test и AI Routing Lab работают вместе для создания системы интеллектуальной маршрутизации на основе машинного обучения. quic-test генерирует метрики производительности сети (задержка, джиттер, потеря пакетов) через Prometheus, которые собираются AI Routing Lab для обучения моделей машинного обучения. Обученные модели предсказывают оптимальные маршруты с точностью >92%, что позволяет CloudBridge Relay выбирать лучшие пути для трафика.

Поток данных

quic-test
Prometheus
AI Routing Lab
ML Models
Route Selection

Ключевые преимущества

  • Точность предсказания задержки >92%
  • Автоматическая оптимизация маршрутов на основе реальных данных
  • Интеграция через стандартные протоколы (Prometheus)

Как внести свой вклад

Мы приветствуем вклад всех разработчиков. Следуйте этим рекомендациям при отправке pull request

Лицензия

Все проекты распространяются под MIT или Apache 2.0. Убедитесь, что вы согласны с условиями лицензии перед контрибьютингом.

Pull Requests

Отправляйте PR в соответствующий репозиторий. Все PR должны включать описание, тесты и документацию. Мы рассмотрим PR в течение 1-2 недель.

Код и стиль

Следуйте существующему коду и используйте стандартные инструменты форматирования (gofmt для Go, rustfmt для Rust). Все коммиты должны быть атомарными.

Тестирование

Добавляйте тесты для всех новых функций. Минимальное покрытие 80% для критичного кода. Используйте unit и integration тесты.

Документация

Обновляйте README и документацию при добавлении новых функций. Все API должны быть хорошо задокументированы.

Обсуждение

Для больших изменений открывайте issue и обсудите дизайн перед разработкой. Мы хотим услышать вашу точку зрения.

Давайте создавать вместе

CloudBridge Research стремится создать активное сообщество разработчиков и исследователей. Присоединяйтесь к нам на GitHub, обсуждайте идеи и помогайте улучшать наши проекты.

GitHub Profile Связаться с нами