Деветата чешма. Един ден на колибите

Post Syndicated from Капка Касабова original https://toest.bg/devetata-cheshma/

Дни преди настъпването на новата 2022 година решихме да изненадаме читателите си с това бавно четиво – по-дълго дори от обичайното за нашите стандарти. Текст, който е на ръба на художествената литература и публицистиката, но достойно заема своето място и в двете полета на словото. Това е най-новият разказ на Капка Касабова, публикуван преди месец в 157-мия брой на британското литературно списаниe Granta. На български език излиза за първи път в „Тоест“ в превод на Мария Змийчарова и на самата авторка. 

Капка Касабова ни отвежда на границата между две планини, в една сякаш непроходима бездна от време. Разказва ни за най-обикновени хора, чиято необикновеност е в куража, отдадеността и… съдбата да бъдат пазители на древна традиция. Но и производители на най-чистата храна. И макар да го правят тихо, невидимо и някак напук на всичко, измерението на техния труд е огромно – не само за природата, но и за историята. Нашата обща човешка история. Защото в крачките им са хилядолетните крачки на нашите предци.

Приемете този текст като нашия специален новогодишен подарък за вас, читателите на „Тоест“. За много години и пазете жив огъня на колибите си!


На картата планините от двете страни на Горна Места са обсипани с колиби. Всичките си имат имена: Пиронкови колиби, Мангови, Панови, Лешови, Еврови, Манови, стотици колиби. Колиба – древна дума, древен начин на живот. До колибите на картата има мандри, също носещи имената на стопаните си. Всяка махала, дере, чукар, възвишение и ливада из тези планини е одушевена, кръстена на човек или на цяла етническа група: Юруково, Юрукова могила. Понякога имената са на животни или на растения, на занаяти и емоции, породени от далечни събития: Бикови колиби, Конарско, Нунин гроб, Брѐза, Калята, Мусанов чал, Петков връх, Карамандра, Аврамово, Старина, Райчеви поляни, Валявиците, Налбант, връх Грънчар, Злата усойка. По високото има и много кантони – рилски термин, това са бази за дърводобивни работници. Някои топоними са неясни, изгубени като хората, които са знаели значението им: Лееве, Фанос, Нехтеница, Ро̀палица. Вероятно са останки от изчезналия тракийски език. Някои казват, че старото име на Места е Нехта, „бушуващата река“. Най-старите обитатели на Рило-Родопския масив, за които знаем, са бесите – тракийско планинско племе, известно със съпротивата си срещу римската колонизация и с кастата си от жреци, допринесли за възхода на орфизма.

Във всеки квадратен сантиметър на тези планини са кодирани истории. Погълната от картата, си представих какво би било, ако топонимите още бяха живи, ако планините още ехтяха от крави и овце, кози и хора, млади и стари, коне и водопои, налбанти и разказвачи, седнали край огньовете.

Но по здрач планините мълчаха. Мълчаха и когато зората пукваше златна над синьо-зелените гънки.

 

© Ерол Ходжов

Река Места пътува през сърцето на Южните Балкани, на равно разстояние от Адриатическо и Черно море. Притисната между планините, Горна Места е тъмна като родилен канал. Минаваш по разлома, без да виждаш нито края, нито началото.

Места започва 230-километровото си пътешествие под най-високото и най-студено място на Балканите – връх Мусала. Докато го катериш, а и само да го гледаш отдалече, разбираш защо се нарича „мус-Аллах“. „Близо до Господ“ на арабски.

Множество малки притоци пълнят Места, но сега бях близо до двата най-големи, с поетично симетричните имена Бела Места и Черна Места. Според местните имената се дължат на белите камъни в коритото на единия приток и черните – в другия. Ерол каза, че не е виждал изворите им, защото, колкото по-нагоре срещу течението се качваш, толкова по-мрачни стават просеките и по-внезапни инцидентите. Както каза един гъбар, Бела Места не е много за ходене, защото там живее Баба Меца. Хора и животни са били пометени през годините от разбушувалата се Бела Места, в чието стръмно корито няма къде да избягаш.

– Бела Места извира от Джеенем дере. Това вече ти казва достатъчно – каза Ерол. Чувала съм, че на турски „джеенем“ значи „адски“.

Ерол беше първият ми контакт в Якоруда, където не познавах никого. Бях го издирила чрез снимките му. Якоруда е красиво планинско градче, известно със съботния си пазар, джамията и църквата, чиито камбани навремето пеели с човешки гласове. Името му вероятно означава „голяма руда“, защото в тази част на Родопите се е добивала руда още в древността. През 50-те години на ХХ в. геолози откриват в запечатаните тунели непокътнати сечива и дори плетени кошове и дървени стълби отпреди римската колонизация, съхранени благодарение на липсата на кислород. На пазара човек може да си купи ръчно изработена тризъба вила от леска, стоманени ножове с дървени дръжки, шалвари от полиестер, произведени в Китай, килими, килимчета и дантелени пердета от „Хиляда и една нощ“, мехлеми, ядки, меден чан за пръч и стрит на прах тамян за нерви. Якоруда сякаш е възседнала планинския масив: на север пред нея е Рила, на юг зад гърба ѝ – Родопите. Якорудските села са в Родопите, а якорудските езера, реки и пасища са в Рила. „Ние се водим повече родопчани – казваха ми якорудчани, – но като се качваме в балкана, сме в Рила.“

Пътят следва реката. Якоруда е изцяло от южната ѝ страна и в града се влиза по няколко моста, което придава някаква тържественост на всяко пристигане дори когато живееш тук. По залез плитката Места блестеше в укрепеното си корито, пълна с боклуци. Трудно ми беше да си представя, че при последното голямо наводнение притоците я изпълнили толкова, че заляла пътища и къщи. Но следващата зима при един пороен дъжд на юг по течението ѝ с очите си видях как се изправя като разбудена ламя и отнася мост.

 

© Ерол Ходжов

Якоруда и цялото поречие на Места са дом на пъстра помашка общност, чиято уникална синкретична култура е капсулирала вековни социални, духовни, екологични и етнографски традиции. Много от жените на Места носят типичните многоцветни шалвари, забрадки с рисувани цветя и ръчно плетени елеци и жилетки, а някои по-възрастни мъже носят малка плетена шапка на темето – или каква да е шапка, понякога и през лятото.

Ерол и семейството му държаха хранителен магазин, но истинската му страст беше пейзажната фотография. По-точно казано, истинската му страст беше Рила. Бе слаб, фин човек и носеше пухено яке, сякаш все му беше студено. Но летните вечери тук наистина са като зимни. Ерол бе израснал през комунизма, десетина години преди мен.

Бях помолила Ерол да ми покаже любимото си място, където ходел, като го стегнела шапката – още от дете. Семейството му е от най-видните в Якоруда. По време на държавния терор срещу българските мюсюлмани, цинично наречен „Възродителен процес“, чийто пик е през 1972–1973 г., родителите му отказали да си сменят имената. Пътят по Места бил черен от военни камиони – срещу мирно, невъоръжено население. От всички страни на Якоруда се разположила войска. Някои от мъжете, сред които бащата на Ерол, се криели нагоре по деретата на Бела Места. Един ден пред къщата им се появили войници и с ритници изкъртили вратата. Единият овесил пушка през рамото на Ерол и го сложил пред себе си като щит, с дулото на пищов в гърба му. „Айде сега, момче, да видим къде е баща ти.“ Накарали го да отвори всички гардероби – ако баща му е въоръжен, да застреля първо него. След това Ерол онемял. Една година отварял уста и нищо не излизало. Чак след като го завели при една жена да му лее куршум за уплах, проговорил. По това време започнал да идва на Окото.

Гувнища

Окото е в местността Гувнища. Пътят се вие през ливади и малки борови гори, издига се и се спуска като планинска песен успоредно на Бела Места и свършва в местността Ропалица. Гувнища е на средата на този път, тучна котловина сред прекрасно оформени хълмчета. За да стигнем до нея, оставихме колата на пътя и тръгнахме по едно гористо хълмче – Райна могила.

– Като деца идвахме да търсим жълтици – каза Ерол. – Сега това го правят иманярите.

Дупки в земята и купчини пръст показваха скорошното им посещение.

– Радвам се, че като деца така и не открихме нищо. Така ми остана поне вярата.

Насреща се разстилаха безкрайните Родопи.

– Виждаме Родопите, но сме в Рила. На мен в Рила ми е най-уютно.

Чувах това от много якорудчани, бабечани, хора от родопските села на Места – гъбари, берачи на билки, планинари: „Обичам Рила, Родопите са ми сухи.“

Пътеката навлезе в тунел от дървета. Точно него Ерол наричаше Окото, защото по няколко пъти на ден – например сега, в късния следобед – човек сякаш се взираше в огромен зелен ирис със зеница като светлинен тунел.

 

Окото © Ерол Ходжов

Едро влакнесто куче размахваше опашка срещу нас. Лявото му ухо беше отрязано. Зад кучето вървеше кобила, яздена от изпит мъж с плетена шапка. Опеченото му от слънцето лице се сепна, като на човек, който отдавна не е виждал чужди хора. С Ерол се разпознаха от Якоруда и той ни покани да пием кафе в колибата му.

Тогава за пръв път видях отблизо тези къщи с човешки имена. Някои имаха чардаци. Рушащи се сгради от камък, пръст и дърво с размерите на голяма двуетажна селска къща, но тук приземният етаж е бил за животните. Сега са почти напълно скрити сред избуялата растителност. Неопитното око като нищо можеше да се увлече от пищната зеленина на пейзажа и да не ги забележи.

– Като бяхме деца, беше пълно с народ – каза Ерол. – Това тука бяха обработваеми ниви.

Баба му и дядо му имали пасище наблизо, сега изоставено.

Изкачихме се до единствената колиба, от чийто комин излизаше пушек. Синът и майката на изпития мъж, който се казваше Мехмед, пиеха кафе, седнали на два пъна. Всички в семейството имаха остри, орлови черти. Снахата също беше там, гълчеше овцете и Мехмед отиде да затвори външната кошара. Четири кучета, всичките с отрязани уши, скочиха на крака.

– Тия са лоши – каза синът, името му беше Емин. – Нахапаха жребчето. Не го познаха, че е от наш’те, понеже е още ново.

Кученца с умни очи се гушеха под една уазка. И те бяха с по едно отрязано ухо. На женските – лявото, на мъжките – дясното.

– Колкото по-малки, толко по-добре да се режат – каза Мехмед. – Да забравят бързо.

Такава била традицията – хем кутретата да станат „люти“, хем слухът им да стане по-остър, обясни ми той. И преди го бях чувала това и освен жестока, логиката ми се струваше всъщност нелогична.

„Щото като дойде вълка, к’во правиш“, редовно добавяха към обяснението. Кутретата под уазката изглеждаха травмирани. Практиката все още беше често срещана. Животните нямат права на място, където и хората са били лишени от тях.

Каракачанките са интелигентни, силни, верни и независими, така бях чувала от хората.

– Ти как ще се чувстваш, ако ти отрежат ухото? – не се сдържах.

Мехмед се усмихна и вдигна рамене. Половината му зъби ги нямаше, макар че беше само на 52 години.

– То така е по-добре. По-грозни са с уши.

Гледах осакатените кутрета и ми идеше да си тръгна. Ако не беше пандемията, така щях да направя. Бях планирала да пропътувам цялата Места до Беломорието, но затвориха българо-гръцката граница. Географията на пътешествието ми изведнъж се сви. Така оставах на по-малко места за по-дълго време. Катерех планини, говорех с хора, без да си водя бележки, спях по следобедни ливади и ме хапеха отровни паяци, каквито не знаех, че има.

– Как се живее тук? – попитах малкото семейство.

– Тука вече не се живее – каза Емин с цигара в уста. Беше слаб като баща си, но по-напрегнат. – Нищо не остана̀, било каквото било.

Баба му Баде, дребна жена с каменно лице, не каза нищо, но ми се поусмихна. Мехмед си сви цигара, доволен, че има компания. Леко дръпнати ми се струваха Османови, а отдолу сякаш криеха нещо заровено, неизказано. Попитах може ли да им погостувам за един ден – изненадах и тях, и себе си. Досега не бях се интересувала от пастирския бит. По хълмовете на Шотландия, където живея, този начин на живот отдавна е изчезнал. Животновъдството е прозаичен, механизиран равнинен бизнес, овцете пасат по цяла година без надзор, понеже няма хищници, кравите са зад огради, почти нищо диво не е останало, „свободно отгледано“ е единственото напомнящо на диво, а последните следи от пастирския живот са обраслите пътища, по които някога са карали добитъка на пазара.

На връщане пак минахме през Окото, този път затворено, защото планината се готвеше за сън, и Ерол каза:

– Това семейство го сполетя трагедия, като сменяха имената. Не знам подробности, само, че Емин е кръстен на дядо си.

Каракачанката, която ни беше посрещнала, ни изпрати до колата, а после остана да ни гледа от Райна могила как се спускаме към светлините на Якоруда.

– И на нея ѝ е самотно – каза Ерол.

С това „и“ не знам себе си ли имаше предвид, или семейството овчари, или мен, или общото състояние на човешкия род. Тук, където планинският здрач свежда нещата до очертанията им, самата земя въплъщаваше думите му.

*

В седем сутринта Емин ме взе от града „с джипо“, тоест уазката, която купил, след като се скапал немският му джип, понеже западните джипове не издържат на тия пътища, само руските. Този беше даже съветски и военен, от 70-те години.

Черните пътища бяха изровени като пропасти след дъждовното лято. „Такива дъждове не помня“, каза Емин. Летата тук са сухи. „Много секат гората, става ерозия и от това са така пътищата.“

Емин завършил екология, жена му – право. Те са „смесен брак“ – той е помак, а тя е християнка от друг град. Запознали се в университета в Благоевград. Но в Якоруда не се намерила работа по специалността им. Ето как хора като Емин и жена му са принудени да емигрират или да берат ягоди в Англия през лятото, а есента да режат коледни клонки в Германия. Това правеха много от по-младите в тоя край и се връщаха за по няколко месеца в годината.

– Да, можехме да заминем навън. Обаче ние тука искаме да живеем. Детето да расте с баба си и дядо си и да е сред природата.

Инвестирал в петнайсет овце. После купил още.

– Бащата само това чакаше. А баба тука се е родила, на колибите, така че и тя беше доволна.

В момента имаха 130 овце. Семейството открай време гледало животни, но въпреки това да решиш да се препитаваш от биоживотновъдство е доста смел ход. Още повече че преди това Емин имал добре платена работа, бил дясната ръка на местен предприемач. Ядосан, че Емин го оставя, шефът му го изпратил с думите „Ти с тия о̀вце доникъде нема да стигнеш“. Жената на Емин работеше като администратор в шивашки цех, собственост на гърци, където се прави на ишлеме скъпо бельо за Франция. Понякога идваше да помага за овцете след работа. Шивашките цехове с гръцки собственици започват да никнат като гъби в Южна България в края на 90-те, но условията на труд и заплащането в тях са били „робски“, по думите на местни хора. Сега условията са много по-добри, заплащането – също, но недостатъчно. Ако месецът е добър, в тези анонимни халета жените, които не искат да емигрират и остават да шият дрехи за Hugo Boss, ASOS и други известни марки, взимат по 600 лева – работейки и в събота. През лятото шивачките масово заминават „навън“ да берат плодове и да садят фиданки.

Освен заплатата на жена му в цеха, семейството на Емин, включително баща му и баба му, сега се изхранваше от овцете. Но мляко има само през топлите месеци, през зимата Емин и баща му прибираха стадото от „лювадите“ в по-ниска кошара близо до града и им носеха да хрупат любимата им борѝка – елхови клони.

– Мине ли август, почват сланите – каза Мехмед. Тая година обаче само вали.

От десет литра мляко стават пет килограма сирене. Килограм сирене се продава за 10 лева. В разгара на сезона Емин издоява по четирийсет литра мляко на ден.

– Ай, че мекиците ше изстинат – посрещна ни Баде Османова. Каракачанките ме познаха и размахаха опашки.

– Внимавай с тия кучета, че са понякога боклуци и хапят – предупреди ме Емин. – Не правѝ резки движения.

Събух се и прекрачих прага на колибата. Всичко беше различно от предната вечер. Днес бях гостенка, поканена от наследниците на три стари рилски рода – Османови, Църънкови, Пиронкови. Имената им ги пише на картата. Имената им са самата карта.

– Османови се женели помежду си – Емин се усмихна, дъвчейки. – Да държат имането. То какво имане е било, не знам… До нас нищо не е стигна̀ло!

Седях до горещата чугунена печка и ядях пухкавите мекици на Баде с овче сирене. От три стаи се ползваха две. Уютни, варосани, с легла и килими и даже гоблени и стари плакати по стените; скромен дом, който дебелите стени държат топъл през зимата и хладен през лятото.

 

© Ерол Ходжов

Денят тук се движи по разписание. Първо Емин издоява овцете и няколкото козички, които Мехмед вкарва една по една в плевнята. Това отнема около час. На Емин от доенето преди му се схващала ръката, но свикнал. Доенето не беше време за приказки – изтикани в ръцете му, между коленете му, животните внасяха суровата си енергия. Докато ги гледах, започнах да забелязвам разликите в израженията и породите.

– Тая е праменка, румънска порода.

Беше с къдрава козина и с рога.

– Тая е асаф, от Израел. Кръстоска между аваси и източнофризийска.

Имена като полъх от Изтока.

– Тая е маришка.

Порода от коритото на Марица, създадена с кръстоски в Пазарджишкия район.

– Алинка, ела тука, миличка – каза Емин на една от овцете. Любимките му си имаха имена.

– Айде бе, боклук! – викна на друга, която се дърпаше. – Тая е много твърдомъза. Със зор ѝ изкарвам млекото от цицките.

В погледа ѝ наистина имаше упорство. „Да не съм ви машина за мляко!“

Емин търсеше различни породи за стадото си. Намерил трийсетина глави от ценната шарпланинска праменка в Северна Македония, директно от един стар овчар, но заради еврорегулации по границата не успял да ги вкара. Умрял от мъка.

Няколкото останали агнета ги държаха настрана, а доенето почва чак след като те са се набозали. Някои от майките нямат достатъчно мляко – и тях ги оставят на мира.

– Тая е вакла маришка. – Емин се бореше с последната овца, която също му се дърпаше. – И тая е лоша.

Тази сутрин в кофата имаше пет литра. Беше краят на лятото и вечерта не ги бяха доили. Баде и Емин прецедиха млякото през тензух в друга кофа и в стерилизирана пластмасова туба. Тук всичко се изпира, измива и ползва отново. Нищо не се хвърля. После млякото веднага се сваля в града и се продава в мандрата.

Сега Емин и Мехмед трябваше да изведат овцете на паша, за да хванат най-хубавите часове от деня, преди следобедните жеги.

– Ний с тебе ше поодим – каза Баде и си обу гумените ботуши. – Ше ти по̀кажа мойто училище и една убава во̀да. Обувки имаш ли да одиш?

В планината не се ходи със сандали заради трънаците и змиите. Късите панталони и сандалите са за градски туристи и деца. Когато Емин си нави крачола, видях колко е бял прасецът му в сравнение с опечените ръце и лице – като на човек, съшит от различни части.

Баде

– Ей на тава̀ место видях пепелянката – Баде удари тоягата си в земята. – Смаза̀х ѝ главата.

Разказа ми и за други срещи с влечуги – цял живот все намирам змии и гущери, каза, и други нещастия. Като дете стъпила на бръснарско ножче и раната се инфектирала. На колибите е нямало медицинска помощ и родителите ѝ налагали раната с паяжини, лапѝ от сдъвкан тютюн и прясно одрани овчи кожи. Стара народна медицина за спиране на кървене.

Баде намери тояга и за мен. Това е част от ритуала – като тръгнеш по балкана, ако не си носиш тояга, се оглеждаш да си намериш. Тоягата е хем практична, хем символична: тоягата на номада, на пътешественика, на „магешницата“, както казват тук. С нея брулиш дървета, пресичаш реки, сочиш посоката, смазваш змийски глави и се защитаваш от овчарски кучета.

– Не искам да ода на доктор за коляното – каза Баде и си нави крачола на шалварите под пъстрата рокля, за да ми покаже силно подутото си коляно. – Налагам го с оцет.

Болеше я много, ама „ако спра да одя, ше у̀мра о̀вден“. Затова не спираше. И сега крачеше бързо.

Час-два бродихме из високопланинските лювади, току спирахме да берем червен риган, плодчетата на трънливата хвойна, нещо, което ми приличаше на ценния див кимион от Родопите (Не, тава не е чимон, каза Баде) и едно подобно на лайка жълто цвете на име вратига.

– Преди го браа̀ме и препродаваа̀ме – каза Баде, – ама веке никой не доа̀гя да бере. Вратиката гони змейовето.

Въпреки широкото си приложение в народната медицина, вратигата явно не е на мода. Продължихме нататък с пълни джобове с билки.

– Тава тука е кучешки сакъз, за разстройство и гадене.

Синя жлъчка, тя е навсякъде.

Оставихме зад гърба си смесената иглолистна гора и навлязохме в царството на клека. На места клекът е станал инвазивен заради ерозията на почвите, обезлесяването на склоновете и климатичните промени, предизвикани от всичката човешка дейност през последните 70 години. До края на 40-те години на ХХ в., когато държавата започва да експлоатира планината, Рило-Родопският масив е бил недокоснат. Даже днес в някаква степен е запазил прединдустриалния си облик, но каменните кариери в Родопите и безогледното сечене на гори без залесяване заплашват да смалят планината до неузнаваемост.

 

Баде © Ерол Ходжов

Въздухът изтъняваше, колкото по-нагоре се изкачвахме. Проследихме стъпки на лисица и видяхме вълчи изпражнения. Вълците открай време са напаст за овчарите – глутниците нападат кошарите, особено нощем или когато е паднала мъгла, и затова овчарите не държат „слаби кучета“. Старата каракачанка на Баде била толкова добра, че „чува 300 о̀вци“. Баде говореше за нея без емоции, както говореше и за себе си.

– Едно време тава сичко беше нива, орнѝче – каза. – Овес, картофи, есеница. Пшеница тука не зрее. А глей ся. Глей тая го̀ра, дамла̀та да я удари дано.

„Дамлата да те удари дано!“ – старо проклятие, пожелаващо чума и болести, свързани с водата, защото „дамла“ е „капка вода“ на турски. Завръщането на природата се смята за нещо хубаво, но за Баде триумфът на дивото над питомното в жилищните лювади на нейното детство и младост, където е имало „живот“, беше тежка загуба – толкова тежка, че нямаше думи да я назове, освен дамла̀. А какво е есеница?

– Ръж – каза Баде. – Оти го сеем есента.

Стигнахме до едно високо плато, из което тук-там се виждаха полуизоставени къщи. През лятото някои още се използваха от наследниците, които сееха овес и картофи и обираха плодовите дръвчета за компоти. Баде забрули клоните на една огромна стара слива с тоягата си и обрахме падналите плодове.

– Я съм голема сливарка – каза. „Голлема“, така се говори на якорудски, с удебелено „л“.

През лятото ги сушала като петмез върху дървени дъски, да има да си дъвче през зимата; това го научила от баба си. Преди няколко седмици, докато била на паша с овцете, точно тук я хванала силна градушка. „Такъв град паднà, да пискаш. Ама и да пискаш, нема кой да те чуе.“

С овцете се свили под сливата, докато отмине.

– Овцете и те обичат сливи. Мащерка и риган не щат. И те кат мен пасат, къде аз паса.

Надгробен камък до едната от къщите бележеше къде почива роднината на име Сабрия, който открил купчината жълтици в Бела Места – част от изчезналото семейно имане. Сабрия е бил мидже на Баде, което значи брат на баща ѝ. Всъщност Сабрия е бил сираче, осиновен от семейството и неочаквано донесъл му късмет. Обичал е да живее тук, в най-високата обитаема част на Южна Рила, затова тук са го погребали.

– Обаче некъде у некой требе да е останал наниз жълтици – подсмихна се Баде.

Спряхме до една чешма – всъщност чучур над стара вана. Как са докарали вана тук изобщо? „На самарь, как“, каза Баде.

– Пийни си – каза Баде.

Водата беше студена и безплътна. Изворите на Рила са безброй и всичките са вкусни.

– Требва ми от девет чѐшми во̀да – продължи Баде. – Я съм зела от шес, остават още три.

– За какво ти е вода от девет чешми? – попитах.

– За уплах – каза и продължи нататък без повече обяснения. – Ей тава е училището.

Двуетажна къща, изоставена. В нея били, освен класните стаи, и стаите на учителите. Баде ги помнеше всичките.

– Сандре от Якоруда. Баба Рада от София, тя много ни переше (биеше), и като рукнеше (викнеше)… И Ленчето от Бачѐво.

Децата идвали на групички от колибите, крачели през снегове и бури, с часове. Баде отиде до една полусъборена пристройка – фурната. Големите глинени тепсии още стояха – една за хляб, друга за баница. Ставаше ли хубав хлябът?

– Ехее. Не беше много бял, ама беше благ.

На един пирон висеше кръгло огледалце, в което се отразяваше стръмната ливада.

Баде нагласи бялата си забрадка за селфито, доближихме лицата си. Тоягата ми беше останала някъде.

– Ела на сенкя – каза. – И аз кат овцете на сенкя одя.

Седнахме на стълбите на някогашното ѝ училище, преди да тръгнем надолу за обяд, а под краката ни се ширна смайващата панорама на Рила и Родопите във всички оттенъци на синьото и зеленото.

Векове наред огромни стада прехвърляли баирите като бели юргани. Богатите семейства гледали по няколко хиляди глави. Тук, в най-високите планини на Южните Балкани, са били големите подвижни градове на животните, чийто часовник е месечината. Животни и хора следвали хода на сезоните, кръговрата на годината, от слънцестоене до равноденствие, от зимна към лятна паша, нагоре и надолу, правели си колиби за през лятото, за през нощта, раздухвали миналогодишната жар, за да стъкнат новия огън.

 

Баде © Капка Касабова

Пастирството има дълги традиции в тези планини. Сред планинските овчари най-известни и до днес са каракачаните, дали името си на породи коне, магарета и овце, и разбира се, на кучетата. Тук казват „кучета̀та“. Каракачаните говорят гръцки и често български. На турски „кара качан“ значи „черен беглец“ и наистина жените са носели по няколко ката черни вълнени дрехи и шамии. Но това е екзоним, външно название. Самите те се наричат влахи (Βλάχοι). Най-общо казано, влахите са пътуващите пастири на Южните Балкани, които лете се качвали със стадата си на високото, а зимите изкарвали в егейските равнини. Те са и последните номади на Европа. Не притежавали земи, а разменяли висококачествените си животински продукти за други стоки, докато минавали със сезонните си кервани през постоянните селища.

Отделно са власите, които говорят румънски и пазят стара пастирска култура и които се срещат из целите Южни Балкани, но сега са претопени – особено тези в Гърция. Власите на Рила и Родопите са прочути сред местните хора с това, че разбират от коне, лесовъдство и пренасяне на дърва за огрев през техния роден терен, най-труднопроходимия в Европа.

Както подсказват и много от топонимите, тук някога е имало големи общности юруци – на турски yürük значи „който ходи“. Оттам е и изразът „на юруш“. Юруците, тюркски пастирски общности с характерна полуномадска култура и известни с тъканите си черги, са дошли от Азия с османците. От техните общности днес не е останало почти нищо.

Предците на Баде вероятно са наследници на далечните беси и на следващите планински общности. Романизирани, покръстени, ислямизирани, деислямизирани, европеизирани, експлоатирани, емигрирали и по чудо неемигрирали – хора, платили висока цена за това, че са се родили тук. Но същината им си остава – това са хората на планината. Последните колибари, в най-достойния смисъл. Нейният род вероятно открай време е бил от по-уседналите пастири. Качвали животните си в по-тесен периметър – от Якоруда и родопските села до постоянните колиби на Рила и нагоре. Брутално надрасканите на картата граници между България, Гърция, Турция и Югославия преди сто години прекъсват мащабното сезонно скотовъдство в Европа. Пастирският начин на живот е оцелял – но по-близо до дома и в умален вид.

Както бяхме седнали на сянката, нямаше как да не питам Баде за мъжа ѝ Емин.

Била на 25 години, когато останала вдовица. „Метката“ бил на пет, сестра му – на три.

– Ние с него се водихме шест години, на седмата го убѝа.

По време на „Възродителния процес“ Емин отказал да си смени името. Един ден работел на кантон Ропалица и бил зверски пребит. От колеги. Починал в болницата. На Ропалица има чешма с посвещение на загинал лесничей. Но не на Емин. На Нехтеница има чешма, посветена на момче от Якоруда, починало в чужбина. Там пих най-вкусната вода в Рила. „От седем капки е събрана“, пише – но не за Емин.

Семейството никога не е получило компенсация или извинение от държавата.

– Леле, пак съм жива – довърши краткия си разказ Баде. Тя не беше по дългите разкази. – И да ща да у̀мра, не мога.

На връщане пихме от друга чешма.

– Остават още две – каза Баде и ми подаде тоягата ми. Беше я намерила до сливата.

По-късно следобед си говорех с Мехмед пред колибата и забелязах, че Баде я няма. Къде е майка ти?

– За во̀да, от деветото дере. От смъртта му се тавà прави. И кат намери девет чѐшми, почва пак.

В Рила чешми да искаш.

Мехмед

Овцете си почиваха в сенчестата кошара, Емин беше слязъл до града да продаде млякото, Баде я нямаше. Мехмед беше сварил картофи.

– Ще си ги ям довечера студени – каза.

Седяхме на пънчета под сянката на една ябълка и пиехме чай от риган. Лицето на Мехмед беше небръснато, някак стопено – лице на човек, който неведнъж се е взирал в пропастта, но не говори за това. Изглеждаше износен от трудности, но искрата, която гаснеше в тялото му, още блестеше в топлите тъмни очи.

Четвърт век Мехмед работил в якорудския завод за дървообработващи машини. „После дойде демокрацията, руснаците го купѝха и му е*аха майката.“ Като спрели да плащат на работниците, напуснал и станал „измекярин“, наемен работник на хора със стада. И без това все го теглело към балкана. И то не къде да е, а в най-високата част на Рила, на 2500 метра надморска височина.

– Сичко за субсидията. Требе да се кàчат животните на високото, иначе нeма да дадат субсидията.

Което значело да изкарва целия сезон сам – с двеста крави. Тези места са достъпни само пеша и на „самарь“.

– С кобилката и с кучето… нагоре. На самоход.

Изкарал една зима в района на ледниковите Казански езера, над Бела Места, над Джеенем дере.

– Беше насекаде скàли, само скàли. Там има много говеда. Лàни беха 1200. Има тука пасища в Рила.

Един път в снежна виелица излязъл от колибата да събере дърва за огъня, паднала мъгла, загубил се и решил, че е дотук. Обаче кобилата намерила пътя обратно до колибата. Цак-цак, стъпка по стъпка, прибрала го.

За цялата зима единствената му компания били двойка германци, които правели преход, но се изгубили, та трябвало да прекарат нощта в колибата му – за негова изненада „по карта“ се водела туристически заслон.

– Летото и есента имаше други овчари, говедари, ама зимата…

Една зима на Белмекен с месеци не видял жив човек. Един ден тръгнал в снежната виелица за хижа „Христо Смирненски“, където знаел, че има човек.

По-добре да умреш в снега с кобилата, отколкото да откачиш сам в колибата.

– Хижарят и той беше почнàл да откача… Пихме по едно кафе, само двата, и се върнах. Цак-цак, с кобилката… Колко спомени! Веднъж лежах с говедата на Ибър. Шест месеца.

Ибър е суров връх, метаморфна скала източно от Мусала, висок 2666 метра и известен с обширните пасища в подножието си. Ами мечките и вълците?

Вечер дори тук на колибите каракачанките и особено кутретата вият по цяла нощ заради лисиците и вълците. Не можеш да мигнеш, каза ми Емин. Той не можеше да спи тук, но Мехмед и Баде са свикнали със среднощните концерти.

– Я не ме е страх от вълци и мечки. От човека ме е страх. Всичко живо бега от човека.

Спомените се изливаха от него – как се буди, а палатката е затрупана под снега и трябва да прокопае тунел, как се бори с всякакви стихии. Най-критичните мигове в живота му. Ами явно ти харесва да живееш така, викам му.

– Не че ми харесва, ама свикнàх сам. И сега не мога да живея в грàдо. Нагоре си ме тегли.

Под една скала в подножието на връх Ибър имало тетрадка в найлоново пликче – „и който мине, се разписва“. Но не и Мехмед. Той никога не се е разписал в тетрадката.

В Шотландия се говори за покоряване на върхове, за колекциониране на хилядници. Това е, защото в Шотландия вече няма планинци. Хората на планината не ползват грандиозни думи и жестове.

– Планината е много хубава и много лоша. Като е хубаво времето, е хубаво. Като е лошо, нямаш работа там. Нямаш ли заслон – край, отиваш.

Тръгнахме по обраслите пътеки на Гувнища и сякаш вървяхме сред руините на древен град, а Мехмед ми разказваше за всяка къща – кой е живял там и кога си е тръгнал, някои едва преди двайсетина години.

– Във всяка къща – по две семейства. Тука беше село.

Имало е харман, житото се вършеело с коне.

– По-рано сичко се ко̀сеше, а сега вече – го̀ра, борѝка, шипо̀ци…

На една ливада пасяха кобила и жребче – на комшията. Идвал веднъж седмично от Якоруда да ги нагледа.

– Конят е най-умното животно – каза Мехмед. – От всичко ша се откажа, преди да се откажа от кобилката.

Качихме се до Райна могила. В очите му светна весела искра. Сякаш младостта и детството се събуждаха в него. Все повече виждах тази искра, колкото повече ми разказваше и ми показваше.

– В Райна могила уж има златен кон и златна каруца. От римляните. Ама за какво ти е златен кон? Конят жив ти трябва.

 

Мехмед и Баде © Ерол Ходжов

В годините на „Възродителния процес“ травмирани якорудски семейства търсели убежище на Гувнища. След убийството на Емин Баде се вдигнала от града и се преместила тук, при родителите си. Всичко, което им трябвало, си го изкарвали сами – от нивите и животните. И така оцелели. Колибата е изхранила децата ѝ. Мехмед не помни баща си.

– Аз тия картофи, като ги сваря сега, до довечера ше изстинат – повтори, по този начин ме канеше да остана за вечеря. – Сам ше си ги ядà.

После седяхме на пънчета̀та и мълчахме заедно с кучета̀та.

– Усеща се, че е краят на лятото. Самата миризма е друга – каза Мехмед.

Поех си дълбоко въздух.

Емин

– Айде! – Емин отвори кошарата.

Беше време за вечерната паша. Отпред вървеше Емин с една каракачанка, Мехмед беше отзад, а останалите кучета вървяха отстрани. Сред тях беше и едно сиво кученце с човешки очи, някак по-пораснало от другите.

– Щото вече много е видяло – каза Емин. – Първо видя как майка му хваща брат му, като се роди, и му прегриза гръкляна, без да иска. После тава с ухото. После ваксините. От малко знае, че животът е ко̀рав.

Извеждането на паша не беше време за разговори. Трая близо два часа и беше неспирно, като преселение. Вървяхме с широки крачки през поляни, локви, не спирахме – чак като стигахме пасище с добра трева, после пак. Емин запали цигара. Носеше галоши и плетени чорапи. От двете му страни вървяха две каракачанки. Зад него слизаше слънцето. Походката за паша го преобрази. От неспокоен младеж стана планинец в стихията си. Имаше цел, знаеше пътя, беше на мястото си. Без стадото си, без каракачанките нямаше да е така. Те му даваха сила. Навремето баща му е крачил така, но сега му бе предал походката заедно с овчарската си тояга и вече само го следваше като сянка.

В крачката на Емин бяха хилядолетните крачки на всичките ни предци. Вечно нагоре, после надолу, по балкана, по баирите, по гората, вика и псува по стадото, пали цигара, до него кучета и зад него кучета, загорялото му лице вече набраздено от грижи, зъбите му вече на път да се развалят, балкански каубой, мълчалив герой от филм, който е смътно познат, но не сме го гледали наскоро – или поне не на живо.

Хората и добитъкът са живели заедно, еволюирали заедно, разчитали едни на други и тази пъпна връв е прерязана едва вчера. Виждах стадата пасящи животни като градове под звездите, виждах мъжете и жените, които ги водят нагоре и още по-нагоре, които изхранват и обличат целия Балкански полуостров и цялата Османска империя с месо, мляко, кожи и вълна. Виждах истината в приказката, че планината ражда хора, а равнината – тикви. И в другата приказка, каракачанската – че тоя, който оре нивата, е превил робски гръб, а този, който крачи със стадата, е прав и свободен.

Колибите днес са руини, но сред тези руини все пак има живот. В походката на Емин видях това, което не можеше да се изрази с думи – той знаеше, че не е само дребен животновъд, а нещо повече. Че пази жив огъня на колибите. Цялото семейство бяха такива – упорити, мълчаливи, горди. Такъв трябва да си, за да живееш сред руините и пак да има искра в очите ти.

Емин © Капка Касабова

Стръмно изкачване по следващия баир, после слизане през ливади до един от притоците на Бела Места. Спирахме, но за кратко. Ходене и спиране се редуваха като мелодии. Овцете също имаха цел. Скубеха бясно тревата с дългите си зъби, като за последно. Знаеха, че им остава малко време до залез.

– Откàчено животно е овцата – каза Емин, очите му блестяха от ходенето. – Яде като ненормална, търчи като ненормална. Покрай тях и аз съм като ненормален. Купувам овце, продавам овце, доя овце, карам овце. Въртя се в някакъв кръг… Връщай се тука, боклук! – викна на една овца, която беше свърнала между дърветата. После: – Опаа, ейеееее, боклуци, тука, тука, мамицата ви да е*а!

Викаше като всички овчари, но не удряше овцете или кучетата с тоягата си. Най-дълго стояхме край притока, защото там тревата беше най-вкусна. Даже за кратко поседнахме.

– Иначе работата не е тежка – Емин плю насред дивите цветчета. На мен ми се виждаше доста тежка. – Само дето за овцете няма почивни дни. Аз обаче искам да докажа, че може така да се живее.

Имаше и изненади. Пролетта заклали една овца и какво да видят – мъртво агне в корема ѝ, носила го два месеца.

– Като не роди, разбрахме, че агнето е умряло. Отслабнà, после се поправѝ и станà много дебела. Като я заклахме, извадихме агнето калцирано, обвито в лой.

Мехмед изчезваше и пак се появяваше из долината, с кобилата и жребчето до нея или с някое куче. Някой ден, когато него вече го няма, редките гости на колибите ще го мяркат с кобилката му, която цак-цака сред мъглата. А Баде ще я виждат по пълнолуние как пие от деветата чешма.

Емин ми даде кило прясно сирене и буркан кисело мляко, най-чистата храна. Гълташ въздуха, водата, тревата и дивите сливи на Рила. Прибрахме се с джипо в града по тъмно, оставихме Мехмед и Баде в стаичката с печката и трите единични легла, и студените картофи. Високо над нас Гувнища се превърна в силует на погребан град, в огромна древна могила. Само една панделка от дим го свързваше с небето. Чух как Рила се затвори зад нас като порта.

Превод от английски: Мария Змийчарова и авторката
Заглавна снимка: © Ерол Ходжов

Източник

Биволъ с ексклузивни документи и видеа: Институциите са потулвали безобразията на Емилиян Гебрев в Синеморец

Post Syndicated from Екип на Биволъ original https://bivol.bg/%D0%B8%D0%BD%D1%81%D1%82%D0%B8%D1%82%D1%83%D1%86%D0%B8%D0%B8%D1%82%D0%B5-%D1%81%D0%B0-%D0%BF%D0%BE%D1%82%D1%83%D0%BB%D0%B2%D0%B0%D0%BB%D0%B8-%D0%B1%D0%B5%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B7%D0%B8.html

събота 25 декември 2021


Казусът със строежа на оръжейния търговец Емилиян Гебрев е потулван от местните и националните власти около 2 години, става ясно от документите, които намери и проучи Сайтът за разследваща журналистика…

Jami “Taranis” released

Post Syndicated from original https://lwn.net/Articles/879792/rss

The Jami communication tool has released a major new stable version called “Taranis”; the blog post announcement explains: “Taranis, the Gallic and Celtic god of the sky, lightning and thunder, will be the baptismal name of this new version of Jami.” The mailing-list announcement describes the tool this way:

Jami is a GNU package for universal communication that respects the
freedom and privacy of its users. Jami is an end-to-end encrypted
secure and distributed voice, video, and chat communication platform
that requires no central server, and leaves the power of privacy and
freedom in the hands of users.

Another recent blog post gives an overview of Jami for video conferences. The new release has improvements throughout the system, including the first phase of Swarm support, which are “fully distributed, peer-to-peer chats with conversation
histories synchronized across your devices, and the potential to
be expanded into group chats in upcoming future releases of Jami
“.

Security updates for Friday

Post Syndicated from original https://lwn.net/Articles/879791/rss

Security updates have been issued by Debian (webkit2gtk and wpewebkit), Fedora (httpd and singularity), Mageia (ldns, netcdf, php, ruby, thrift/golang-github-apache-thrift, thunderbird, and webkit2), openSUSE (go1.16, go1.17, libaom, and p11-kit), and SUSE (go1.16, go1.17, htmldoc, libaom, libvpx, logstash, openssh-openssl1, python3, and runc).

Darktable 3.8.0 released

Post Syndicated from original https://lwn.net/Articles/879765/rss

Version
3.8.0
of the Darktable photo-processing application has been released.
Significant changes include a new keyboard shortcut system, a new
diffuse-or-sharpen module, a new “scene-referred” blurs module “to
synthesize motion and lens blurs in a parametric and physically accurate
way
“, support for the Canon CR3 raw format, and more.

How fEMR Delivers Cryptographically Secure and Verifiable Medical Data with Amazon QLDB

Post Syndicated from Patrick Gryczka original https://aws.amazon.com/blogs/architecture/how-femr-delivers-cryptographically-secure-and-verifiable-emr-medical-data-with-amazon-qldb/

This post was co-written by Team fEMR’s President & Co-founder, Sarah Draugelis; CTO, Andy Mastie; Core Team Engineer & Fennel Labs Co-founder, Sean Batzel; Patrick Gryczka, AWS Solutions Architect; Mithil Prasad, AWS Senior Customer Solutions Manager.

Team fEMR is a non-profit organization that created a free, open-source Electronic Medical Records system for transient medical teams.  Their system has helped bring aid and drive data driven communication in disaster relief scenarios and low resource settings around the world since 2014.  In the past year, Team fEMR integrated Amazon Quantum Ledger Database (QLDB) as their HIPAA compliant database solution to address their need for data integrity and verifiability.

When delivering aid to at risk communities and within challenging social and political environments, data veracity is a critical issue.  Patients need to trust that their data is confidential and following an appropriate chain of ownership.  Aid organizations meanwhile need to trust the demographic data provided to them to appropriately understand the scope of disasters and verify the usage of funds. Amazon QLDB is backed by an immutable append-only journal.  This journal is verifiable, making it easier for Team fEMR to engage in external audits and deliver a trusted and verifiable EMR solution. The teams that use the new fEMR system are typically working or volunteering in post-disaster environments, refugee camps, or in other mobile clinics that offer pre-hospital care.

In this blog post, we explore how Team fEMR leveraged Amazon QLDB and other AWS Managed Services to enable their relief efforts.

Background

Before the use of an electronic record keeping system, these teams often had to use paper records, which would easily be lost or destroyed. The new fEMR system allows the clinician to look up the patient’s history of illness, in order to provide the patient with a seamless continuity of care between clinic visits. Additionally, the collection of health data on a more macroscopic level allows researchers and data scientists to monitor for disease. This is- an especially important aspect of mobile medicine in a pandemic world.

The fEMR system has been deployed worldwide since 2014. In the original design, the system functioned solely in an on-premises environment. Clinicians were able to attach their own devices to the system, and have access to the EMR functionality and medical records. While the need for a standalone solution continues to exist for environments without data coverage and connectivity, demand for fEMR has increased rapidly and outpaced deployment capabilities as well as hardware availability. To solve for real-time deployment and scalability needs, Team fEMR migrated fEMR to the cloud and developed a HIPAA-compliant and secure architecture using Amazon QLDB.

As part of their cloud adoption strategy, Team fEMR decided to procure more managed services, to automate operational tasks and to optimize their resources.

Architecture showing how How fEMR Delivers Cryptographically Secure and Verifiable EMR Medical Data with Amazon QLDB

Figure 1 – Architecture showing How fEMR Delivers Cryptographically Secure and Verifiable EMR Medical Data with Amazon QLDB

The team built the preceding architecture using a combination of the following AWS managed services:

1. Amazon Quantum Ledger Database (QLDB) – By using QLDB, Team fEMR were able to build an unfalsifiable, HIPAA compliant, and cryptographically verifiable record of medical histories, as well as for clinic pharmacy usage and stocking.

2. AWS Elastic Beanstalk – Team fEMR uses Elastic Beanstalk to deploy and run their Django front end and application logic.  It allows their agile development team to focus on development and feature delivery, by offloading the operational work of deployment, patching, and scaling.

3. Amazon Relational Database Service (RDS) – Team fEMR uses RDS for ad-hoc search, reporting, and analytics, whereas QLDB is not optimized for the specific requirement.

4. Amazon ElastiCache – Team fEMR uses Amazon ElastiCache to cache user session data to provide near real-time response times.

Data Security considerations

Data Security was a key consideration when building the fEMR EHR solution. End users of the solution are often working in environments with at-risk populations. That is, patients who may be fleeing persecution from their home country, or may be at risk due to discriminatory treatment. It is therefore imperative to secure their data. QLDB as a data storage mechanism provides a cryptographically secure history of all changes to data. This has the benefit of improved visibility and auditability and is invaluable in situations where medical data needs to be as tamper-evident as possible.

Using Auto Scaling to minimize operational effort

When Team fEMR engages with disaster relief, they deal with ambiguity around both when events may occur and at what scale their effects may be felt.  By leveraging managed services like QLDB, RDS, and Elastic Beanstalk, Team fEMR was able to minimize the time their technical team spent on systems operations.  Instead, they can focus optimizing and improving their technology architectures.

Use of Infrastructure as Code to enable fast global deployment

With Infrastructure as Code, Team fEMR was able to create repeatable deployments. They utilized AWS CloudFormation to deploy their Elasticache, RDS, QLDB, and Elastic Beanstalk environment.  Elastic Beanstalk was used to further automate the deployment of infrastructure for their Django stack. Repeatability of deployment enables the team to have the flexibility they need to deploy in certain regions due to geographic and data sovereignty requirements.

Optimizing the architecture

The team found that simultaneous writing into two databases could cause inconsistencies if a write succeeds in one database and fails in the other. In addition, it puts the burden of identifying errors and rolling back updates on the application. Therefore, an improvement planned for this architecture is to stream successful transactions from Amazon QLDB to Amazon RDS using Amazon Kinesis Data Streams. This service provides them a way to replicate data from Amazon QLDB to Amazon RDS, and any other databases or dashboards. QLDB remains as as their System of Record.

Figure 2 - Optimized Architecture using Amazon Kinesis Data Streams

Figure 2 – Optimized Architecture using Amazon Kinesis Data Streams

Conclusion

As a result of migrating their system to the cloud, Team fEMR was able to deliver their EMR system with less operational overhead and instead focus on bringing their solution to the communities that need it.  By using Amazon QLDB, Team fEMR was able to make their solution easier to audit and enabled more trust in their work with at-risk populations.

To learn more about Team fEMR, you can read about their efforts on their organization’s website, and explore their Open Source contributions on GitHub.

For hands on experience with Amazon QLDB you can reference our QLDB Workshops and explore our QLDB Developer Guide.

Systemd 250 released

Post Syndicated from original https://lwn.net/Articles/879739/rss

Systemd 250 has been released. To say that the list of new features is
long would be a severe understatement; the developers have clearly been
busy.

systemd-homed now makes use of UID mapped mounts for the home areas.
If the kernel and used file system support it, files are now
internally owned by the “nobody” user (i.e. the user typically used
for indicating “this ownership is not mapped”), and dynamically
mapped to the UID used locally on the system via the UID mapping
mount logic of recent kernels. This makes migrating home areas
between different systems cheaper because recursively chown()ing file
system trees is no longer necessary.

(See this article for a description of
ID-mapped mounts).

Deep dive into NitroTPM and UEFI Secure Boot support in Amazon EC2

Post Syndicated from Neelay Thaker original https://aws.amazon.com/blogs/compute/deep-dive-into-nitrotpm-and-uefi-secure-boot-support-in-amazon-ec2/

Contributed by Samartha Chandrashekar, Principal Product Manager Amazon EC2

At re:Invent 2021, we announced NitroTPM, a Trusted Platform Module (TPM) 2.0 and Unified Extensible Firmware Interface (UEFI) Secure Boot support in Amazon EC2. In this blog post, we’ll share additional details on how these capabilities can help further raise the security bar of EC2 deployments.

A TPM is a security device to gather and attest system state, store and generate cryptographic data, and prove platform identity. Although TPMs are traditionally discrete chips or firmware modules, their adaptation on AWS as NitroTPM preserves their security properties without affecting the agility and scalability of EC2. NitroTPM makes it possible to use TPM-dependent applications and Operating System (OS) capabilities in EC2 instances. It conforms to the TPM 2.0 specification, which makes it easy to migrate existing on-premises workloads that use TPM functionalities to EC2.

Unified Extensible Firmware Interface (UEFI) Secure Boot is a feature of UEFI that builds on EC2’s long-standing secure boot process and provides additional defense-in-depth that helps you secure software from threats that persist across reboots. It ensures that EC2 instances run authentic software by verifying the digital signature of all boot components, and halts the boot process if signature verification fails. When used with UEFI Secure Boot, NitroTPM can verify the integrity of software that boots and runs in the EC2 instance. It can measure instance properties and components as evidence that unaltered software in the correct order was used during boot. Features such as “Measured Boot” in Windows, Linux Unified Key Setup (LUKS) and dm-verity in popular Linux distributions can use NitroTPM to further secure OS launches from malware with administrative that attempt to persist across reboots.

NitroTPM derives its root-of-trust from the Nitro Security Chip and performs the same functions as a physical/discrete TPM. Similar to discrete TPMs, an immutable private and public Endorsement Key (EK) is set up inside the NitroTPM by AWS during instance creation. NitroTPM can serve as a “root-of-trust” to verify the provenance of software in the instance (e.g., NitroTPM’s EKCert as the basis for SSL certificates). Sensitive information protected by NitroTPM is made available only if the OS has booted correctly (i.e., boot measurements match expected values). If the system is tampered, keys are not released since the TPM state is different, thereby ensuring protection from malware attempting to hijack the boot process. NitroTPM can protect volume encryption keys used by full-disk encryption utilities (such as dm-crypt and BitLocker) or private keys for certificates.

NitroTPM can be used for attestation, a process to demonstrate that an EC2 instance meets pre-defined criteria, thereby allowing you to gain confidence in its integrity. It can be used to authenticate an instance requesting access to a resource (such as a service or a database) to be contingent on its health state (e.g., patching level, presence of mandated agents, etc.). For example, a private key can be “sealed” to a list of measurements of specific programs allowed to “unseal”. This makes it suited for use cases such as digital rights management to gate LDAP login, and database access on attestation. Access to AWS Key Management Service (KMS) keys to encrypt/decrypt data accessed by the instance can be made to require affirmative attestation of instance health. Anti-malware software (e.g., Windows Defender) can initiate remediation actions if attestation fails.

NitroTPM uses Platform Configuration Registers (PCR) to store system measurements. These do not change until the next boot of the instance. PCR measurements are computed during the boot process before malware can modify system state or tamper with the measuring process. These values are compared with pre-calculated known-good values, and secrets protected by NitroTPM are released only if the sequences match. PCRs are recalculated after each reboot, which ensures protection against malware aiming to hijack the boot process or persist across reboots. For example, if malware overwrites part of the kernel, measurements change, and disk decryption keys sealed to NitroTPM are not unsealed. Trust decisions can also be made based on additional criteria such as boot integrity, patching level, etc.

The workflow below shows how UEFI Secure Boot and NitroTPM work to ensure system integrity during OS startup.

workflow

To get started, you’ll need to register an Amazon Machine Image (AMI) of an Operating System that supports TPM 2.0 and UEFI Secure Boot using the register-image primitive via the CLI, API, or console. Alternatively, you can use pre-configured AMIs from AWS for both Windows and Linux to launch EC2 instances with TPM and Secure Boot. The screenshot below shows a Windows Server 2019 instance on EC2 launched with NitroTPM using its inbox TPM 2.0 drivers to recognize a TPM device.

NitroTPM and UEFI Secure Boot enables you to further raise the bar in running their workloads in a secure and trustworthy manner. We’re excited for you to try out NitroTPM when it becomes publicly available in 2022. Contact [email protected] for additional information.

Enrich datasets for descriptive analytics with AWS Glue DataBrew

Post Syndicated from Daniel Rozo original https://aws.amazon.com/blogs/big-data/enrich-datasets-for-descriptive-analytics-with-aws-glue-databrew/

Data analytics remains a constantly hot topic. More and more businesses are beginning to understand the potential their data has to allow them to serve customers more effectively and give them a competitive advantage. However, for many small to medium businesses, gaining insight from their data can be challenging because they often lack in-house data engineering skills and knowledge.

Data enrichment is another challenge. Businesses that focus on analytics using only their internal datasets miss the opportunity to gain better insights by using reliable and credible public datasets. Small to medium businesses are no exception to this shortcoming, where obstacles such as not having sufficient data diminish their ability to make well-informed decisions based on accurate analytical insights.

In this post, we demonstrate how AWS Glue DataBrew enables businesses of all sizes to get started with data analytics with no prior coding knowledge. DataBrew is a visual data preparation tool that makes it easy for data analysts and scientists to clean and normalize data in preparation for analytics or machine learning. It includes more than 350 pre-built transformations for common data preparation use cases, enabling you to get started with cleaning, preparing, and combining your datasets without writing code.

For this post, we assume the role of a fictitious small Dutch solar panel distribution and installation company named OurCompany. We demonstrate how this company can prepare, combine, and enrich an internal dataset with publicly available data from the Dutch public entity, the Centraal Bureau voor de Statistiek (CBS), or in English, Statistics Netherlands. Ultimately, OurCompany desires to know how well they’re performing compared to the official reported values by the CBS across two important key performance indicators (KPIs): the amount of solar panel installations, and total energy capacity in kilowatt (kW) per region.

Solution overview

The architecture uses DataBrew for data preparation and transformation, Amazon Simple Storage Service (Amazon S3) as the storage layer of the entire data pipeline, and the AWS Glue Data Catalog for storing the dataset’s business and technical metadata. Following the modern data architecture best practices, this solution adheres to foundational logical layers of the Lake House Architecture.

The solution includes the following steps:

  1. We set up the storage layer using Amazon S3 by creating the following folders: raw-data, transformed-data, and curated-data. We use these folders to track the different stages of our data pipeline consumption readiness.
  2. Three CSV raw data files containing unprocessed data of solar panels as well as the external datasets from the CBS are ingested into the raw-data S3 folder.
  3. This part of the architecture incorporates both processing and cataloging capabilities:
    1. We use AWS Glue crawlers to populate the initial schema definition tables for the raw dataset automatically. For the remaining two stages of the data pipeline (transformed-data and curated-data), we utilize the functionality in DataBrew to directly create schema definition tables into the Data Catalog. Each table provides an up-to-date schema definition of the datasets we store on Amazon S3.
    2. We work with DataBrew projects as the centerpiece of our data analysis and transformation efforts. In here, we set up no-code data preparation and transformation steps, and visualize them through a highly interactive, intuitive user interface. Finally, we define DataBrew jobs to apply these steps and store transformation outputs on Amazon S3.
  4. To gain the benefits of granular access control and easily visualize data from Amazon S3, we take advantage of the seamless integration between Amazon Athena and Amazon QuickSight. This provides a SQL interface to query all the information we need from the curated dataset stored on Amazon S3 without the need to create and maintain manifest files.
  5. Finally, we construct an interactive dashboard with QuickSight to depict the final curated dataset alongside our two critical KPIs.

Prerequisites

Before beginning this tutorial, make sure you have the required Identity and Access Management (IAM) permissions to create the resources required as part of the solution. Your AWS account should also have an active subscription to QuickSight to create the visualization on processed data. If you don’t have a QuickSight account, you can sign up for an account.

The following sections provide a step-by-step guide to create and deploy the entire data pipeline for OurCompany without the use of code.

Data preparation steps

We work with the following files:

  • CBS Dutch municipalities and provinces (Gemeentelijke indeling op 1 januari 2021) – Holds all the municipalities and provinces names and codes of the Netherlands. Download the file gemeenten alfabetisch 2021. Open the file and save it as cbs_regions_nl.csv. Remember to change the format to CSV (comma-delimited).
  • CBS Solar power dataset (Zonnestroom; vermogen bedrijven en woningen, regio, 2012-2018) – This file contains the installed capacity in kilowatts and total number of installations for businesses and private homes across the Netherlands from 2012–2018. To download the file, go to the dataset page, choose the Onbewerkte dataset, and download the CSV file. Rename the file to cbs_sp_cap_nl.csv.
  • OurCompany’s solar panel historical data – Contains the reported energy capacity from all solar panel installations of OurCompany across the Netherlands from 2012 until 2018. Download the file.

As a result, the following are the expected input files we use to work with the data analytics pipeline:

  • cbs_regions_nl.csv
  • cbs_sp_cap_nl.csv
  • sp_data.csv

Set up the storage Layer

We first need to create the storage layer for our solution to store all raw, transformed, and curated datasets. We use Amazon S3 as the storage layer of our entire data pipeline.

  1. Create an S3 bucket in the AWS Region where you want to build this solution. In our case, the bucket is named cbs-solar-panel-data. You can use the same name followed by a unique identifier.
  2. Create the following three prefixes (folders) in your S3 bucket by choosing Create folder:
    1. curated-data/
    2. raw-data/
    3. transformed-data/

  3. Upload the three raw files to the raw-data/ prefix.
  4. Create two prefixes within the transformed-data/ prefix named cbs_data/ and sp_data/.

Create a Data Catalog database

After we set up the storage layer of our data pipeline, we need to create the Data Catalog to store all the metadata of the datasets hosted in Amazon S3. To do so, follow these steps:

  1. Open the AWS Glue console in the same Region of your newly created S3 bucket.
  2. In the navigation pane, choose Databases.
  3. Choose Add database.
  4. Enter the name for the Data Catalog to store all the dataset’s metadata.
  5. Name the database sp_catalog_db.

Create AWS Glue data crawlers

Now that we created the catalog database, it’s time to crawl the raw data prefix to automatically retrieve the metadata associated to each input file.

  1. On the AWS Glue console, choose Crawlers in the navigation pane.
  2. Add a crawler with the name crawler_raw and choose Next.
  3. For S3 path, select the raw-data folder of the cbs-solar-panel-data prefix.
  4. Create an IAM role and name it AWSGlueServiceRole-cbsdata.
  5. Leave the frequency as Run on demand.
  6. Choose the sp_catalog_db database created in the previous section, and enter the prefix raw_ to identify the tables that belong to the raw data folder.
  7. Review the parameters of the crawler and then choose Finish.
  8. After the crawler is created, select it and choose Run crawler.

After successful deployment of the crawler, your three tables are created in the sp_catalog_db database: raw_sp_data_csv, raw_cbs_regions_nl_csv, and raw_cbs_sp_cap_nl_csv.

Create DataBrew raw datasets

To utilize the power of DataBrew, we need to connect datasets that point to the Data Catalog S3 tables we just created. Follow these steps to connect the datasets:

  1. On the DataBrew console, choose Datasets in the navigation pane.
  2. Choose Connect new dataset.
  3. Name the dataset cbs-sp-cap-nl-dataset.
  4. For Connect to new dataset, choose Data Catalog S3 tables.
  5. Select the sp_catalog_db database and the raw_cbs_sp_cap_nl_csv table.
  6. Choose Create dataset.

We need to create to two more datasets following the same process. The following table summarizes the names and tables of the catalog required for the new datasets.

Dataset name Data catalog table
sp-dataset raw_sp_data_csv
cbs-regions-nl-dataset raw_cbs_regions_nl_csv

Import DataBrew recipes

A recipe is a set of data transformation steps. These transformations are applied to one or multiple datasets of your DataBrew project. For more information about recipes, see Creating and using AWS Glue DataBrew recipes.

We have prepared three DataBrew recipes, which contain the set of data transformation steps we need for this data pipeline. Some of these transformation steps include: renaming columns (from Dutch to English), removing null or missing values, aggregating rows based on specific attributes, and combining datasets in the transformation stage.

To import the recipes, follow these instructions:

  1. On the DataBrew console, choose Recipes in the navigation pane.
  2. Choose Upload recipe.
  3. Enter the name of the recipe: recipe-1-transform-cbs-data.
  4. Upload the following JSON recipe.
  5. Choose Create recipe.

Now we need to upload two more recipes that we use for transformation and aggregation projects in DataBrew.

  1. Follow the same procedure to import the following recipes:
Recipe name Recipe source file
recipe-2-transform-sp-data Download
recipe-3-curate-sp-cbs-data Download
  1. Make sure the recipes are listed in the Recipes section filtered by All recipes.

Set up DataBrew projects and jobs

After we successfully create the Data Catalog database, crawlers, DataBrew datasets, and import the DataBrew recipes, we need to create the first transformation project.

CBS external data transformation project

The first project takes care of transforming, cleaning, and preparing cbs-sp-cap-nl-dataset. To create the project, follow these steps:

  1. On the DataBrew console, choose Projects in the navigation pane.
  2. Create a new project with the name 1-transform-cbs-data.
  3. In the Recipe details section, choose Edit existing recipe and choose the recipe recipe-1-transform-cbs-data.
  4. Select the newly created cbs-sp-cap-nl-dataset under Select a dataset.
  5. In the Permissions section, choose Create a new IAM role.
  6. As suffix, enter sp-project.
  7. Choose Create project.

After you create the project, a preview dataset is displayed as a result of applying the selected recipe. When you choose 10 more recipe steps, the service shows the entire set of transformation steps.

After you create the project, you need to grant put and delete S3 object permissions to the created role AWSGlueDataBrewServiceRole-sp-project on IAM. Add an inline policy using the following JSON and replace the resource with your S3 bucket name:

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "VisualEditor0",
            "Effect": "Allow",
            "Action": [
                "s3:PutObject",
                "s3:DeleteObject"
            ],
            "Resource": "arn:aws:s3:::<your-S3-bucket-name>/*"
        }
    ]
}

This role also needs permissions to access the Data Catalog. To grant these permissions, add the managed policy AWSGlueServiceRole to the role.

CBS external data transformation job

After we define the project, we need to configure and run a job to apply the transformation across the entire raw dataset stored in the Raw-data folder of your S3 bucket. To do so, you need to do the following:

  1. On the DataBrew project page, choose Create job.
  2. For Job name, enter 1-transform-cbs-data-job.
  3. For Output to, choose Data Catalog S3 tables.
  4. For File type¸ choose Parquet.
  5. For Database name, choose sp_catalog_db.
  6. For Table name, choose Create new table.
  7. For Catalog table name, enter transformed_cbs_data.
  8. For S3 location, enter s3://<your-S3-bucket-name>/transformed-data/cbs_data/.
  9. In the job output settings section, choose Settings.
  10. Select Replace output files for each job run and then choose Save.
  11. In the permissions section, choose the automatically created role with the sp-project suffix; for example, AWSGlueDataBrewServiceRole-sp-project.
  12. Review the job details once more and then choose Create and run job.
  13. Back in the main project view, choose Job details.

After a few minutes, the job status changes from Running to Successful. Choose the output to go to the S3 location where all the generated Parquet files are stored.

Solar panels data transformation stage

We now create the second phase of the data pipeline. We create a project and a job using the same procedure described in the previous section.

  1. Create a DataBrew project with the following parameters:
    1. Project name – 2-transform-sp-data
    2. Imported recipe – recipe-2-transform-sp-data
    3. Dataset – sp_dataset
    4. Permissions role – AWSGlueDataBrewServiceRole-sp-project
  2. Create and run another DataBrew job with the following parameters:
    1. Job name – 2-transform-sp-data-job
    2. Output to – Data Catalog S3 tables
    3. File type – Parquet
    4. Database name – sp_catalog_db
    5. Create new table with table name – transformed_sp_data
    6. S3 location – s3://<your-S3-bucket-name>/transformed-data/sp_data/
    7. Settings – Replace output files for each job run.
    8. Permissions role – AWSGlueDataBrewServiceRole-sp-project
  3. After the job is complete, create the DataBrew datasets with the following parameters:
Dataset name Data catalog table
transformed-cbs-dataset awsgluedatabrew_transformed_cbs_data
transformed-sp-dataset awsgluedatabrew_transformed_sp_data

You should now see five items as part of your DataBrew dataset.

Data curation and aggregation stage

We now create the final DataBrew project and job.

  1. Create a DataBrew project with the following parameters:
    1. Project name – 3-curate-sp-cbs-data
    2. Imported recipe – recipe-3-curate-sp-cbs-data
    3. Dataset – transformed_sp_dataset
    4. Permissions role – AWSGlueDataBrewServiceRole-sp-project
  2. Create a DataBrew job with the following parameters:
    1. Job name – 3-curate-sp-cbs-data-job
    2. Output to – Data Catalog S3 tables
    3. File type – Parquet
    4. Database name – sp_catalog_db
    5. Create new table with table name – curated_data
    6. S3 location – s3://<your-S3-bucket-name>/curated-data/
    7. Settings – Replace output files for each job run
    8. Permissions role – AWSGlueDataBrewServiceRole-sp-project

The last project defines a single transformation step; the join between the transformed-cbs-dataset and the transformed-sp-dataset based on the municipality code and the year.

The DataBrew job should take a few minutes to complete.

Next, check your sp_catalog_db database. You should now have raw, transformed, and curated tables in your database. DataBrew automatically adds the prefix awsgluedatabrew_ to both the transformed and curated tables in the catalog.

Consume curated datasets for descriptive analytics

We’re now ready to build the consumption layer for descriptive analytics with QuickSight. In this section, we build a business intelligence dashboard that reflects OurCompany’s solar panel energy capacity and installations participation in contrast to the reported values by the CBS from 2012–2018.

To complete this section, you need to have the default primary workgroup already set up on Athena in the same Region where you implemented the data pipeline. If it’s your first time setting up workgroups on Athena, follow the instructions in Setting up Workgroups.

Also make sure that QuickSight has the right permissions to access Athena and your S3 bucket. Then complete the following steps:

  1. On the QuickSight console, choose Datasets in the navigation pane.
  2. Choose Create a new dataset.
  3. Select Athena as the data source.
  4. For Data source name, enter sp_data_source.
  5. Choose Create data source.
  6. Choose AWSDataCatalog as the catalog and sp_catalog_db as the database.
  7. Select the table curated_data.
  8. Choose Select.
  9. In the Finish dataset creation section, choose Directly query your data and choose Visualize.
  10. Choose the clustered bar combo chart from the Visual types list.
  11. Expand the field wells section and then drag and drop the following fields into each section as shown in the following screenshot.
  12. Rename the visualization as you like, and optionally filter the report by sp_year using the Filter option.

From this graph, we can already benchmark OurCompany against the regional values reported by the CBS across two dimensions: the total amount of installations and the total kW capacity generated by solar panels.

We went one step further and created two KPI visualizations to empower our descriptive analytics capabilities. The following is our final dashboard that we can use to enhance our decision-making process.

Clean up resources

To clean all the resources we created for the data pipeline, complete the following steps:

  1. Remove the QuickSight analyses you created.
  2. Delete the dataset curated_data.
  3. Delete all the DataBrew projects with their associated recipes.
  4. Delete all the DataBrew datasets.
  5. Delete all the AWS Glue crawlers you created.
  6. Delete the sp_catalog_db catalog database; this removes all the tables.
  7. Empty the contents of your S3 bucket and delete it.

Conclusion

In this post, we demonstrated how you can begin your data analytics journey. With DataBrew, you can prepare and combine the data you already have with publicly available datasets such as those from the Dutch CBS (Centraal Bureau voor de Statistiek) without needing to write a single line of code. Start using DataBrew today and enrich key datasets in AWS for enhanced descriptive analytics capabilities.


About the Authors

Daniel Rozo is a Solutions Architect with Amazon Web Services based out of Amsterdam, The Netherlands. He is devoted to working with customers and engineering simple data and analytics solutions on AWS. In his free time, he enjoys playing tennis and taking tours around the beautiful Dutch canals.

Maurits de Groot is an intern Solutions Architect at Amazon Web Services. He does research on startups with a focus on FinTech. Besides working, Maurits enjoys skiing and playing squash.


Terms of use: Gemeentelijke indeling op 1 januari 2021, Zonnestroom; vermogen bedrijven en woningen, regio (indeling 2018), 2012-2018, and copies of these datasets redistributed by AWS, are licensed under the Creative Commons 4.0 license (CC BY 4.0), sourced from Centraal Bureau voor de Statistiek (CBS). The datasets used in this solution are modified to rename columns from Dutch to English, remove null or missing values, aggregate rows based on specific attributes, and combine the datasets in the final transformation. Refer to the CC BY 4.0 use, adaptation, and attribution requirements for additional information.

The collective thoughts of the interwebz