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
Больше📈 Аналитический обзор Telegram-канала DevOps
Канал DevOps (@devopsitsec) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 23 886 подписчиков, занимая 5 566 место в категории Технологии и приложения и 27 278 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 23 886 подписчиков.
Согласно последним данным от 14 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 192, а за последние 24 часа — 1, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 12.13%. В первые 24 часа после публикации контент обычно набирает 6.11% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 2 898 просмотров. В течение первых суток публикация набирает 1 459 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 12.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как devops, kubernetes, git, github, кластер.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“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”
Благодаря высокой частоте обновлений (последние данные получены 15 ноября, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
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.