Open Service Mesh — новая service mesh для Kubernetes от Microsoft / Флант / Хабр
https://m.habr.com/ru/company/flant/news/t/514066/

Sub-10 ms Latency in Java: Concurrent GC with Green Threads
https://jet-start.sh/blog/2020/08/05/gc-tuning-for-jet

https://habr.com/ru/post/514500/ #database

Vector is a lightweight, ultra-fast, open-source tool for building observability pipelines. Compared to Logstash and friends, Vector improves throughput by 10X while significantly reducing CPU and memory usage.

Features:
- Reliability First. - Built in #rust, Vector's primary design goal is reliability.
- One Tool. All Data. - One simple tool gets your logs, metrics, and traces (coming soon) from A to B.
- Single Responsibility. - Vector is a data router, it does not plan to become a distributed processing framework.

https://github.com/timberio/vector

Automating SLI/SLO based build validation with Keptn and Jenkins / Andreas Grabner (Dynatrace)

https://www.slideshare.net/grabnerandi/jenkins-online-meetup-automated-sli-based-build-validation-with-keptn

⚙️ Хорошая вводная в ZFS, с объяснением принципов работы практически на пальцах (окей, на пластиковых контейнерах) - An Introduction to ZFS A Place to Start.

#zfs #filesystem #будничное

What every developer should know about database consistency
https://robertovitillo.com/what-every-developer-should-know-about-database-consistency/

Деконструкция сети в Kubernetes. Люблю такие статьи: у человека случилось проблема, он её решил и поделился тем, что узнал нового.

В продолжение о сетях k8s пару презентаций от Tim Hockin
- Kubernetes and Networks - why is this so dang hard?
- Bringing Traffic Into Your Kubernetes Cluster

#kubernetes #networking

BPF для самых маленьких, часть нулевая: classic BPF
BPF для самых маленьких, часть первая: extended BPF

#bpf #tracing

Сравнение Kafka и AWS Kinesis: https://medium.com/flo-engineering/kinesis-vs-kafka-6709c968813

📡 Outrun.

Интересная штуковина. Позволяет выносить запущенные локально операции на ресурсы удалённой машины.

Как самый очевидный пример - запущенный локально ffmpeg может обрабатывать видео за счёт ресурсов удалённого, мощного сервера. При этом на удалённом сервере наличие этого самого ffmpeg не обязательно.

Сама утилита и описание её работы доступны прямо на странице репозитория: https://github.com/Overv/outrun

#github #будничное #outrun

Redesigning Observability Logging

Статья — попытка переосмыслить подход к журналированию. Вышла на Медиуме 5 августа.

Прикольные новости от Pulumi 🎉
Анонсировали kube2pulumi - утилиту для конвертации yaml манифестов в Pulumi python, typescript, Go и .net код, Pulumi Kubernetes operator, поддержку Open policy agent политик и многое другое.

http://amp.gs/Fhi8
#pulumi #kubernetes

Telltale: Netflix Application Monitoring Simplified
https://netflixtechblog.com/telltale-netflix-application-monitoring-simplified-5c08bfa780ba?source=rss----2615bd06b42e---4

An open-source screen recorder built with web technology
#mac #screenrecord #js
https://github.com/wulkano/Kap

Небольшая заметка о дебаге serverless функций

Или чем заменить старый добрый print()

#serverless

#db #postgres #monitoring

Loki 1.6.0 released: Metric query performance up to 10x faster, push logs from any client to Promtail, query language and LogCLI enhancements, and more!

С проектом Loki дела идут полным ходом! И снова мы слишком долго ждали между релизами, появилось так много нового, что я не смогу перечислить все изменения. Но это не остановит меня от попыток, так что перейдем к делу.

Я собираюсь обсудить компоненты Loki и упомянуть изменения в виде абзацев. Посмотрим, что получится. Читать дальше…

​Scaling Prometheus: How we’re pushing Cortex blocks storage to its limit and beyond

В Grafana Labs мы используем блочное хранилище хранилище в относительно большом масштабе, при этом некоторые из наших клиентов удаленно записывают от 10 до 30 миллионов активных серий (~ 1 млн выборок в секунду) и до 200 ГБ блоков данных от каждого клиента каждый день сохраняется в долговременном хранилище. Читать дальше…

​New in Grafana 7.1: Gain new data insights with InfluxDB and Flux query support

Наблюдаемость между стеками и источниками данных упрощает идентификацию паттернов и добавление контекста к данным временных рядов из других источников, таких как реляционные базы данных или логи. Этот контекст является ключом к правильной интерпретации шаблонов данных и получения информации, которая затем может помочь улучшить процессы, повысить эффективность, выявить аномалии и помочь определить основные причины сбоев в обслуживании. Читать дальше…