DevOps
По всем вопросам- @workakkk @itchannels_telegram - 🔥полезные ит-каналы https://t.me/Golang_google - Golang программирование @golangl - golang chat @GolangJobsit - golang channel jobs @golang_jobsgo - jobs РКН: clck.ru/3FmvZA #VRHSZ
Mostrar más📈 Análisis del canal de Telegram DevOps
El canal DevOps (@devopsitsec) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 23 886 suscriptores, ocupando la posición 5 566 en la categoría Tecnologías y Aplicaciones y el puesto 27 278 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 23 886 suscriptores.
Según los últimos datos del 14 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 192, y en las últimas 24 horas de 1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 12.13%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.11% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 898 visualizaciones. En el primer día suele acumular 1 459 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 12.
- Intereses temáticos: El contenido se centra en temas clave como devops, kubernetes, git, github, кластер.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“По всем вопросам- @workakkk
@itchannels_telegram - 🔥полезные ит-каналы
https://t.me/Golang_google - Golang программирование
@golangl - golang chat
@GolangJobsit - golang channel jobs
@golang_jobsgo - jobs
РКН: clck.ru/3FmvZA
#VRHSZ”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 15 noviembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
commit, merge, rebase и reset, но редко задумываемся, что именно происходит внутри .git.
Например, Git хранит коммиты как снимки состояния проекта, а не просто списки изменений. При этом неизменённые файлы не дублируются, а переиспользуются через ссылки на существующие объекты.
В руководстве подробно разбираются:
- blob, tree, commit и хранение объектов по хешам.
- Как устроены HEAD, ветки и staging area.
- Почему rebase создаёт новые коммиты с другими хешами.
- Чем отличаются reset, restore и revert.
- Как восстановить потерянные коммиты через reflog.
- Как работают packfiles, сборка мусора и SHA-256.
Особенно понравилась практическая часть. Можно самостоятельно исследовать внутренности репозитория:
git cat-file -p HEAD
git ls-tree -r HEAD
git ls-files --stage
git reflog
Внутри 14 разделов, 8 интерактивных визуализаций и примеры с реальным выводом команд. Есть даже разбор вычисления Git-хешей на Go и JavaScript.
После такого руководства rebase и reset --hard становятся гораздо понятнее, потому что начинаешь видеть, какие объекты создаются и куда перемещаются указатели.
https://software-atlas.haiduc0147.dev/t/git-internalsunsure один хеш выбирает блок на 512 бит и позиции внутри него. Проверка укладывается в одну кеш-линию CPU. В бенчмарке автора поиск отсутствующего ключа занял 9 нс против 48 нс у bits-and-blooms.
Count-Min Sketch оценивает, сколько раз встретился конкретный ключ. Коллизии могут завысить счётчик, и допустимая абсолютная ошибка растёт вместе с общим числом событий. Поэтому для частого URL оценка может быть приемлемой, а для редкого та же ошибка перекроет весь реальный счётчик. Если нужен сам список самых популярных URL, есть Top-K. В примере автора сводка на тысячу позиций занимает около 360 КБ и лучше работает, когда лидеры заметно опережают остальные элементы.
T-Digest оценивает p99 задержки по компактной сводке. Близкие замеры объединяются в группы, причём у краёв распределения группы меньше. В примере из статьи для миллиона замеров достаточно 8 КБ вместо 8 МБ исходных float64. Погрешность здесь измеряется по рангу: оценка p99 соответствует примерно диапазону от p98,97 до p99,03, а разница в миллисекундах зависит от распределения задержек.
Статья с кодом, схемами и бенчмарками: https://antonz.org/probabilistic-data-structures/• репликация БД и дисков между площадками • миграция ВМ вместе с данными и конфигурацией • унифицированные снимки для резервного копирования и восстановления • сценарии с учетом RTO и RPOВместе с Rubytech и «Береста-РК» обсудим балансировку нагрузки и резервное копирование данных. 🎁 Бонус: разыграем мерч-паки за лучшие вопросы в чате эфира Чтобы в критический момент у команды были не только проблемы, но и отработанный сценарий восстановления. Узнать подробности и зарегистрироваться
В программе: • Vertical Pod Autoscaler: режимы работы и подбор ресурсов для приложений. • Планировщик Deckhouse Platform: профили и распределение нагрузки. • Descheduler: когда нужен и как его применять. • Облако и статика: особенности настройки инструментов.🎁Среди участников вебинара разыграем ваучер на бесплатное обучение на любом курсе Академии Deckhouse. Спикер — Алексей Бобылев, архитектор инфраструктурных решений Deckhouse. 👉Регистрируйтесь Реклама. АО "ФЛАНТ". ИНН 7723661439.
Эту технику знают по криптовалютам, где она подтверждает правильность транзакции, не раскрывая её содержимого.Здесь её используют когда пользователь платит по API за конкретную модель и не может быть полностью уверен, что отвечала именно она.
Например, маршрутизатор способен подставить модель подешевле, а злоумышленник - вмешаться в поток токенов.🟡 Механика Поставщик один раз публикует отпечаток весов, который фиксирует их набор, не раскрывая сами веса, и дальше на запросы выдаёт файл с доказательством, что эти самые веса дали такие токены. Проверяющему нужны отпечаток, запрос и ответ, веса не нужны, заново запускать модель тоже не надо. 🟡 Тесты Опыт проводили на открытых четырёхбитных весах Llama 4 Maverick объёмом 232 ГБ. Подготовительная фаза на одном H100 и 24 ядрах CPU заняла около 39 минут, выпущенного отпечатка хватает примерно на 16 млн запросов. Дальше та же H100 выдаёт доказательства со скоростью около 110 токенов в секунду, одно весит примерно 19 МБ на запрос с окном в 1024 токена. Проверка обходится без GPU - 17 секунд на 24 потоках процессора, 21 секунда на одном, плюс скачать отпечаток на 6,5 МБ.
Профит по сравнению с существующими открытыми системами получился заметный - VerInf на той же модели выдавал около 0,02 токена в секунду при доказательстве на 93,6 ГБ.🟡Нюансы На пакете из 24 запросов доказательства съедают примерно в 72 раза больше времени GPU, чем обычный вывод той же модели на vLLM, а на самой высокой из проверенных нагрузок - до 94 раз. Одно доказательство подтверждает один выходной токен, окно контекста ограничено 1024 токенами, и до полных контекстов топовых моделей технологию ещё предстоит попилить. Гарантия относится к целочисленной версии и к режиму greedy decoding, когда модель каждый раз берёт самый вероятный следующий токен, так что ответы с плавающей точкой или с семплированием могут расходиться. Сами веса доказательство скрывает, а устройство модели нет - проверяющему видно, что перед ним смесь экспертов, и как она устроена. Кроме кода, в репозитории FlashProve выложено всё, чтобы разобраться в концепте: вводные руководства с разбором устройства системы, инструкция по самостоятельной проверке доказательства, отдельные тексты о том, что именно доказывается и как прячутся веса, спецификация протокола и формата, словарь терминов, замеры и списки известных ограничений и ошибок. В примерах лежат принятое доказательство, доказательство полного размера и отклонённые, с разбором причин. 📌Лицензирование: Apache 2.0 🟡Статья 🟡Техотчет 🖥GitHub @ai_machinelearning_big_data #AI #ML #LLM #FlashProve #Anthropic
switch/case и __LINE__.
#define crBegin \
static int state = 0; switch (state) { case 0:
#define crYield(x) do { \
state = __LINE__; return (x); \
case __LINE__:; \
} while (0)
#define crFinish }
int next_value(void) {
crBegin;
while (1) {
crYield(10);
crYield(20);
crYield(30);
}
crFinish;
}
Последовательные вызовы next_value() вернут 10, 20, 30, 10…
Как это работает: перед выходом функция сохраняет номер строки в static`-переменной. При следующем вызове `switch переводит выполнение к соответствующему case, прямо за предыдущий return.
Зачем это нужно: обработчик протокола или парсер можно написать последовательным кодом, выдавая результат по частям.
Есть ограничения: обычные локальные переменные не сохраняются между вызовами, два crYield нельзя размещать на одной строке, а static хранит одно общее состояние для всех вызывающих. Для независимых экземпляров состояние выносят в отдельную структуру.
www.chiark.greenend.org.uk/~sgtatham/coroutines.htmlint в float создаёт число с новым числовым значением.
В C можно сделать совершенно другое: интерпретировать те же самые 4 байта как число другого типа.
#include <stdio.h>
#include <stdint.h>
#include <string.h>
int main(void) {
uint32_t bits = 0x40490fdb;
float pi;
memcpy(&pi, &bits, sizeof(pi));
printf("%.6f\n", pi);
// 3.141593
return 0;
}
Что здесь происходит?
- 0x40490fdb - набор из 32 бит.
- memcpy копирует эти биты в память переменной float.
- IEEE 754 интерпретирует их как число с плавающей точкой.
- На выходе получаем приблизительное значение π: 3.1415927.
Два принципиально разных действия:
- float(123) - преобразовать числовое значение.
- memcpy - перенести битовое представление без изменения.
Этот приём называется *type punning*. Через memcpy его можно реализовать в C без нарушения правил strict aliasing.
Условие: здесь предполагается 32-битный IEEE 754 float.
Один и тот же набор битов может означать совершенно разные вещи в зависимости от типа данных.