矽谷牛的耕田筆記

標題: 「The future of Terraform must be open」 類別: Terraform 連結: https://medium.com/gruntwork/the-future-of-terraform-must-be-open-ab0b9ba65bca 本篇文章的作者是 Gruntwork 的 co-founder，該公司著名的產品為 Terragrunt 以及 Terratest，由產品可知該公司對於 Terraform 一定有非常深刻且獨到的見解，所以本篇文章的內容更值得好好閱讀審思，一個 Terraform 專家是怎麼看待 Terraform 的未來與發展 文章內頭開頭就是直接探討最近 HashiCorp 針對其產品調整授權的議題，從 MPL v2 轉換到 BSL v1.1，作者認為這種授權對於 Terraform 整個生態系以及未來發展都是一個毒丸，而作者團隊因應這個則推出了 OpenTF 這個致力於讓 Terraform 永遠開源的計畫。 文章內容很多，基本上都是針對 MPL 授權對於 Terraform 生態系帶來的幫助與正向發展以及為什麼 BSL 會毀了這一切。 心得: 一言難盡，看看紅帽近期對 RHEL 近期的更動，不同角色不同視野很難一概而論，作為曾經開源專案公司的開發者，其實對開源文化真的心情複雜，畢竟幫你繳房租的不是使用者數量，是錢啊...

標題: 「Pod Topology Spread 使用上的注意事項」 類別: Kubernetes 連結:https://medium.com/wise-engineering/avoiding-kubernetes-pod-topology-spread-constraint-pitfalls-d369bb04689e 談到如何讓 Kubernetes 去控制調度節點時，常見的方式有 1. NodeSelector 2. Taint/Toleration 3. Node Affinity 4. Inter-Pod (Anti)/Affinity 5. Pod Topoology Spread 其中 (1) 是早期開發的產物，其用途簡單設定單純，因此後來透過 (3) 可以完全取代 (1) 的用法，並且有更多細微的設定來處理。 當環境中有所謂 Zone/Regional 等概念時，很多人就會想要確保高可用性，即 Pod 本身部署的時候應該要避免全部放到同一個籃子中，因此這時候可能就會透過 Inter-Pod Anti Affinity 等機制來打散這些 Pod，讓他們可以散落到不同的 Zone 中以確保任何 Zone 發生意外時，線上服務所屬的 Pod 都還有副本可以繼續處理。 然而上述這些概念本身探討的都是調度選擇節點的資格，本身沒有太多跟數量有關的決定，有可能會發現 Pod 的分佈不夠均勻打散的結果，因此後來又有 Pod Topology Spread 這新 API 的發展，旨在解決不均勻分布的問題。 本篇文章就是跟大家介紹一下 Pod Topology Spread 的概念並且實際使用上可能會遇到的雷點以及要如何避免

標題: 「Alpine Linux Image 的各種小問題」 類別: Kubernetes 連結: https://martinheinz.dev/blog/92 作者的這篇文章探討的是為什麼其不再繼續使用 Alpine 作為 Container Image 的基底，其列出幾個問題 1. 使用 musl 而非常見的 glibc 作者提到使用 musl 最大的問題就是其處理 DNS 的問題，除了 Bug 外其天生也不支援 DNS over TCP，大部分時間下使用 UDP 來查詢 DNS 都不會有太多問題，然後就有用過 Alpine + K8s 的人可能都有遇過 Pod 平常跑得好好的，突然天外飛來一筆 "Unknown Host"，而且隨機發生沒有任何跡象與模式可以研究。 Kubernetes 官方文件也直接表明 Alpine 3.3 以前的版本都有 DNS 的問題，不過作者連使用 3.16 也都有踩到這個問題，所以遠離 Alpine 如果不想要哪天被 DNS 問題踩雷的話。 2. 由於 Alpine 使用 musl，所以如果你的程式語言/相關函式庫底層很依賴標準 C 函式庫的話，你很有可能會發現 Alpine 上的運作結果跟你想像的不同，這種情況就要轉換使用基於 Alpine 環境所編譯的套件或是需要自己重新編譯 整個過程會搞得容器化變得複雜也麻煩。 作者文章中舉例了 Python, Node.JS, Golang 中都有些許官方套件是直接依賴底層 C 語言的實作，而使用上都有可能會踩到一些奇妙的問題 文章最後作者提及幾個可以取代 Alpine 的相關 Image，不過我想現在應該愈來愈多人使用 distroless 而非 Alpine 了吧?

標題: 「一個困擾一個多月的 DNS 網路問題」 類別: Kubernetes 連結: https://medium.com/adevinta-tech-blog/its-not-always-dns-unless-it-is-16858df17d3f 本篇文章作者分享的是一個與網路長期抗戰的學習歷程，團隊從客戶那邊發現定期會有網路相關，作者團隊開始從各種 Metrics 去研究看看問題發生時是否可以找到任何蛛絲馬跡 最初懷疑是 Ingress Controller 這邊效能不夠，同時因為 HPA 的問題使得 HPA 的數量會各種變動，同時也看到有 CPU Throttling 的現象發生，因此懷疑可能跟 Ingrss Controller 的效能有關，簡單調整 CPU Limit 與部署數量來修復，然而問題卻沒有任何改善 由於此問題頻繁出現，作者團隊就開始認真面對該問題，開始仔細鑽研，最後歸納出應該跟 DNS 有關聯，但是有關聯不代表解決問題，還是要找到這個問題到底為什麼跟 DNS 有關以及要如何解決 Kubernetes 內有 CoreDNS 的機制，而部分叢集為了提升 DNS 效能同時減少 CoreDNS 的負擔，都會透過 local resolver 的架構去部署一個 local DNS 作為 Cache 使用，因此團隊認為問題應該跟這個 local resolver 有關。 團隊接下來發現了相關問題並且嘗試解決，但是每次問題過一段時間就會以不同的形式出現 1. Local DNS (DNS Masq) 有連線上限，最多同時只能有 150 DNS Request 2. Missing Caches， CoreDNS 某個版本升級後導致預設情況下 DNS Masq 沒有辦法把 CoreDNS 的結果給存放到 local cache，所以導致整個效能下降 3. ndots 問題使得每個 DNS 請求都會產生超多用不到的 DNS Rquest，而這些封包也就佔據了大量的流量最終使得 DNS 效能出問題 修復這一切問題後，CoreDNS 收到的 DNS 數量從 4000/s直接降到 1000/s 左右，而所有功能都可以正常運作，這意味可能過往有 75% 的封包都是無意義的，因此修正 ndots 的問題實際上可以非常有效的提升 CoreDNS 的效能 文章中有探討所有除錯的步驟，問題發生點以及思考方式，非常推薦所有維運人員都要仔細看一次，並且一起記住當網路中出現奇怪問題時， "it's always DNS"

標題: 「如何用 KubeGreen 夜晚關服務幫你省錢」 類別: Kubernetes 連結: https://medium.com/@sourabp/a-new-way-to-save-idle-kubernetes-cost-kube-green-ecb01372b448 如果有使用雲端託管 K8S 的玩家一定會瞭解大部分的收費方式都是基於底層 VM 來收費 VM 本身又可透過 Cluster Autoscaling(CA) 的方式來自動增減。 而 CA 的觸發條件跟 VM 本身的資源用量以及運行 K8s Pod Resource Request 的量有很大的關係 因此如果想要省錢就要從 K8s Pod Resource Request 下手調整，減少 VM 資源被 Request 的量最後達到減少 VM 的效果。 本篇文章要介紹的工具為 Kube Green, 其邏輯很簡單，就是透過排程的方式於特定的時間內將 deployment/cronjob 等 workload 調整讓其產生的 Pod 數量為 0。 讓夜晚用不到的服務下限藉此減少整體資源的 Request 總和就有機會觸發 CA 的運作去減少 VM 的數量，最後達到省錢的效果

標題: 「K8s 1.27: 如何加速你 Pod Startup 的階段」 類別: Others 連結: https://kubernetes.io/blog/2023/05/15/speed-up-pod-startup/ 本篇是官方部落格文章，而本篇內容主要是探討當今天 k8s 叢集量很大且瞬間有很多個 Pod 要被部署到同一個節點上時，要如何提升整體的 Startup 時間。 有部份提到的功能要到 1.27 才出現，甚至可能是 alphe 的設定。 1. 開啟 Parallel Container Image Pulls 預設情況下 kubelet 是採取依序下載的策略，這意味假設同時有多個 Pod Image 需要下載，那就會陷入排隊狀況，只有等待當前下載完成才會開始下載下一個 Image 此功能開啟後就可以讓 Kubelet 平行的去載多個 Container Image，藉此可以避免其他的 Pod都卡在等待時間 此外開啟此設定還要特別注意上限值問題，官方建議根據你遠方 Registry 的設定去調整到底 Kubelet 最多一次可以抓多少個 Container Image 以下就節錄大綱，詳細內容請點選文章閱讀 2. 提升 kubelet 與 API Server 溝通的瓶頸 (API Query-per-second) 3. 調整 Pod 的資源(limit) 用量 (memoryThrottlingFactor) 4. k8s 1.26 後還有新增一個新的 histogram metric, pod_start_sli_duration_seconds 可以用來幫助團隊來偵測這些啟動時間

標題: 「Kubernetes 還剩下多少日子？」 類別: Others 連結: https://medium.com/cts-technologies/are-kubernetes-days-numbered-a3c267e65ee9 本篇文章是一個探討文，主因是作者之前有一篇探討 「Terraform 還剩下多少日子」的文章底下有網友詢問那 Kubernetes? 是否其還有未來 作者前半篇簡單的篇幅介紹何謂 K8s 以及探討以 GCP 架構來說，目前有下列產品有提供基於 Container 的應用程式部署，包含 1. GKE Standard 2. GKE Autopilot 3. Cloud Run 4. App Engine Flex 5. GCE with Containers 前兩個都是 GKE 的服務，但是 Autopilot 又簡化了關於 OS 層級的管理，讓使用人員只需要專注於應用程式本身，不需要去考慮 OS 層級的資源損耗與花費 而 Cloud Run 本身則是基於 Knative 的實作來提供 Serverless 的服務，讓使用者也是可以無感的去使用這些容器服務 此外 Cloud Function(v2) 本身的設計又是基於 Cloud Run 之上去疊加的。 以管理性質來來看，產品的發展逐步讓使用者愈來愈看不到底層的設計，盡量專注於自己所在意的層級 GKE Standard -> GKE Autopilot -> Cloud Run -> Cloud Function 因此作者認為 Kubernetes 短期內沒有什麼機會會消失，但是雲端的發展會愈來愈趨向“更多管理服務”的方向發展，讓開發者不需要擁有太多知識才有辦法去使用這個強大的容器管理平台，反而可以花更多心力與心思專注於自己的應用與開發 整個容器管理的發展就會如同 VM 一樣，大家使用 GCE/EC2/Azure VM 都可以非常簡單使用而也沒有真的去擔心到底底層的硬體機器與 Hypervisor 是怎麼設計與運作的吧?

標題: 「Sidecar-less Service Mesh, Istio Ambient 於 AKS 上的仔細分析」 類別: Network 連結: https://medium.com/att-israel/a-deep-dive-into-azure-kubernetes-service-and-istio-ambient-for-sidecar-less-microservices-dcab76d6ef5e Service Mesh 最初之際以 Sidecare 的模式達到透明性，讓應用程式無感背後的實作與原理就可以想到受 service mesh 帶來的好處，而隨者時間發展，目前也有一些聲音想要探討基於 sidecare-less 的架構，其中以 Cillium 以及 Istio Ambient 兩個的解決方案相較成熟與發展 本篇文章就是基於剛發佈沒多久的 Istio Ambient，想要從 Data Plan 以及 Control Plan 去探討 Sidecar-less Istio Ambient 實際使用起來的效果，整個環境基於 AKS 去創立，文章實際上有兩個部分，非常詳細的去介紹整體觀察的結果 對於正在使用 istio 但是又好奇 istio Ambient sidecar-less 架構的朋友，推薦閱讀一下，即使自己目前沒有轉換的計畫也可以科普一下這類型專案的一些概念

標題: 「繪製架構圖常用的八種工具」 類別: Tools 連結: https://icepanel.medium.com/top-8-diagramming-tools-for-software-architecture-2fc61d095b93 本篇文章作者幫大家整理了八個用來繪製架構圖的軟體，有付費/免費，有開源，有網頁應用，也有桌面應用程式，包含了 1 Diagrams.net(Draw.io) 2 Lucidchart 3 Excalidraw 4 tldraw 5 Gliffy 6 OmniGraffle 7 Miro 8 CloudSkew 以我自己繪製架構圖的經驗來說，最長需要的大抵上就是 1 方塊之間的連線是否好處理，特別是當元件過多時這些連接線能否彈性設定 2 是否跨平台，跨電腦，以及檔案容易保存與否 3 當需要繪製雲端架構時，有沒有一些現成的 icon 可以直接使用，譬如 AWS 之前就有釋出所有元件對應的 icon，對於繪製 AWS 架構來說可以說非常好用 上述工具我自己使用過的有 1 Draw.io 2 Excalidraw 3 OmniGraffle 畫圖風格來說我認為 Excalidraw 的風格比較偏向手寫一點，特別是其文字的基本字型，有興趣的可以嘗試看看 OmniGraffle 畫圖體驗非常的好，不過本身需要付費，可以嘗試使用看看試用版再決定是否需要付費 至於 Draw.io 我覺得就堪用，要繪製，同時因為是基於網頁的使用，所以切換電腦也不影響太多 剩下的幾個軟體有機會都來試試看

標題: 「上個月釋出的 Terraform v1.5 功能介紹」 類別: Tools 連結: https://medium.com/@willguibr/terraform-1-5-import-and-automatic-code-generation-caa4debfef28 上週推出的 Terraform v1.5 帶來些許功能的演進，其中最令人注目的就是關於 Terraform Import 概念的演進。 過往為了幫助團隊可以將現有 Infra 給整合到 Terraform 中， Terraform 開發了 Terraform import 這個指令將當下存在的 infra 給匯入到 Terraform state 檔案中，避免需要重新創建的問題就可以使用 Terraform 來管理這些 Infra 資源。 為了使用 Terraform Import，開發人員需要自行撰寫相關的 Terraform Code 並且根據 State 檔案內的名稱來手動逐步 Import 一個又一個的資源 而 Terraform 1.5 正式面對這個問題，引入 Config-Driven 為導向的 Import 功能，Import 不再只是單純一個 CLI 工具的參數而是一個可以撰寫於 Terraform 程式碼中的區塊，其可以一口氣 Import 匯入 大量的現存資源甚至還可以根據這些資源自動幫你產生 Terraform Code，讓你可以更方便的使用 Terraform 來管理現存資源 有很常使用 Terraform Import 的朋友可以研究看看此 v1.5 所引入的功能，評估看看這功能是否能夠簡化當前工作並且帶來好處

標題: 「GCP BigQeury 即將迎來收費方案的改變」 類別: Others 連結: https://medium.com/@andrew_72226/bigquery-new-price-model-c2dc03aa2048 如果你是 GCP BigQuery 的使用者，那千萬不能不注意七月份即將迎來的付費方案改變，首先 flat-rate 的收費方案將整個收回，而 GCP 則是推出全新的 autoscaling 方式來處理，如果你什麼都不處理繼續使用 on-demand 的計費方式的話那就準備看到 20% 左右的漲幅 本篇文章以兩個客戶的範例講解一下作者是如何幫客戶進行 BQ 方面的省錢，由於剩下不到十天 GCP 就要直接轉換付費方式了，所以有使用 BQ 且目前有購買各種 slot reservation/commitmnet 的人最好研究一下確認自己不會下個月突然看到帳單暴衝

標題: 「Grafana oncall 101」 類別: DevOps 連結: https://medium.com/@magstherdev/say-hello-to-grafana-oncall-e78f548b2227 OnCall 想必是各位 DevOps/SRE 都不太陌生的文化，而本篇作者要介紹的是由 Grafana Lab 所開發的 Oncall 平台，名稱就非常直觀地稱為「Grafana OnCall」 Grafana 這幾年致力於打造一個非常完善的 O11y 平台，已經不單純只是過往 Prometheus 的視覺化平台而已這麼單純而已，其生態性已經包含了整個 Metris/Logs/Tracing，而今天的 OnCall 則是將告警直接補完讓整個 Grafana 直接提供一條龍的服務 另外 Grafana 大部分的服務都有開源OSS版本也有 Grafana Cloud 的版本，因此下載使用時要注意自己選到的版本與服務，以免不小心就付費下去了。 本篇文章主要是 1. 介紹 OnCall 內的基本流程與大抵概念 2. 簡易範例示範搭建一個 OnCall 的整體流程 相對於其他成熟的付費方案如 PageDuty/Opsgenie 等， Grafana OnCall 提供了一個機會讓你自行管理這些規則與平台，不過實務上使用的成本與否則是需要仔細考慮，畢竟告警這種東西要非常小心，設定不良等導致亂打電話或是產生狼來的現象導致告警疲勞最後就會錯過真正的問題， 因此使用時還是要謹慎評估整體的使用體驗，$$ 並非唯一的考量

標題: 「低成本為你的 k8s 打造 egress」 類別: Kubernetes 連結: https://johnlin.dev/static-egress-ip-for-kubernetesw-workloads/ 大部分使用公有雲的玩家對於 Ingress 也就是封包如何進到容器內比較在意，但是對於 Egress 也就是封包要如何從 K8s 出去則無所謂，畢竟能出去即可。 不過對於某些應用場景對於封包的來源IP有一定限制時，這時候就要考慮如何搭建一個 egress 來處理。 簡單直白的說，所有從 K8s 出去的封包大部分環境下都會經過節點本身的 SNAT 處理，而特殊環境則要求所有出去的來源 IP 要可控管且數量限制(通常是資安要求)，同時考慮到節點本身可能還會動態增長，因此如何達成這個目的實際上就是容易思考難以實作。 畢竟 Kubernetes 內建沒有支援 Egress 的概念，往往都要仰賴如 istio 等 service mesh 等方式幫你把封包都導向某個特定節點再由該節點轉發出去 本篇文章則是土炮示範如何用 linux 最原生的 iptables + iproute 等工具幫你把封包一路轉發到一個固定節點，接者將這些設定方式都導入 DaemonSet，則未來所有加入到 k8s 叢集的節點都會自動將封包轉發到對應節點，並且由該節點進行 SNAT 轉發

標題: 「深度理解 AWS 環境下 Kubernetes 的 OIDC/IRSA 認證授權機制」 類別: Kubernetes 連結: https://medium.com/@seifeddinerajhi/securing-aws-access-from-kubernetes-cluster-using-irsa-oidc-15e8305e6036 過往要於 Kubernetes 去存取 AWS 資源的時候最簡單的方式就是準備一組 AWS IAM 帳號的 Access ID 以及 Secret Key。 而本篇文章要介紹的則是一種更簡單更安全的做法，則是 AWS 於 2019 年於 EKS 上推出的做法，也就是標題所述的 IAM Roles for Service Accounts (IRSA)，其目的能夠讓運行的 K8s Pod 直接享用對應的 IAM Role 進而得到相關權限與操作。 從 Kubernetes 的角度來看， AWS 會透過一些機制使得 Kubernetes Service Account 與 AWS IAM 有個綁定的關係，使用該 Service Account 就可以獲得相對應的權限，而這些 Service Account 就可以給相關的 Pod 去載入。 如果你有注意到的話，有些開源專案的 Helm Chart 如果其應用想要存取 AWS 服務時，你可以透過 Service Account 走 IRSA 或是給予一組 Access ID/SecretKey 兩種做法，閲讀完本篇你就會更加理解整個 IRSA 的運作流程，之後設定的時候才懂每一個步驟在做什麼以及緣由 文章內簡述的過往沒有 EKS 時代時每個 User 是如何去獲得 IAM Role 的權限，而到了 Kubernetes Pod 的時代後又是如何實作的，文中有各式各樣的流程圖去解釋每個步驟，除了 Kubernetes 內的設定外，連 AWS 那端的設定也都介紹的很清楚，讓你可以真正的理解中間每個實作過程 我認為本篇的概念對於 AWS/EKS 的重度使用者來說非常有幫助，畢竟 IRSA 這東西很多時候大家就是看看網頁各種東西設定，發現 Pod 可以通就過去了，但是未來出問題的時候就要花很多時間去猜想有哪邊出錯，理解 IRSA 就可以更快速地去找到可能出錯的問題點加快除錯速度

標題: 「ChatGPT? K8sGPT?」 類別: Kubernetes 連結: https://github.com/k8sgpt-ai/k8sgpt 搭上 ChatGPT 熱潮因應而出的 k8sGPT，該工具會去掃描你的 Kubernetes Cluster，接者診斷然後找出可能性的問題 該專案號稱該分析引擎是融入的 SRE 相關經驗，能夠找出最相關的資訊來幫助排錯 其官網有完整教學要怎麼整合，基本上還需要搭配一個 AI Backend，範例是採用 OpenAI，所以必須要先註冊帳號獲得相關的 Key 才可以順利使用這個工具 有興趣的人可以玩玩看，看看此類工具是否真的可以幫忙快速釐清問題減少查找時間

標題: 「跟 Kubernetes Ingress 說掰掰，快來看看 Gateway API」 類別: Kubernetes 連結: https://itnext.io/saying-goodbye-to-ingress-embracing-the-future-of-kubernetes-traffic-management-with-gateway-api-6584b7b8f913 本篇文章探討一個發展一段時間但是大部分人都不甚清楚的 Kubernetes 新標準， Gateway API。 首先 Gateway API 與 API Gateway 文字上只是單純倒轉的關係，但是兩個的概念是完全不同的，前者是 Kubernetes 內的 API 規範而後者更甚至普遍架構上的一種概念。 文章中快速地介紹下 Gateway API 的概念，其分層次的架構如何讓 Developer/Cluster Operator/Infrastructure Provider 三者不同身份能夠順利協同合作來處理網路流量 後半部分則是介紹知名的 eBPF CNI, Cilium 目前針對 Gateway API 的支援度並且簡單介紹一下。 Gateway API 可被視為是 Ingress 物件的下一代設計，不過就如同 Ingress 一樣，Kubernetes 本身維護 API 而由其他解決方案去實作，因此 Gateway API 目前的完整度我認為還沒有如同 Ingress 一樣，因此個人還是選擇先繼續使用 Ingress 或是 Traefik 等的方式來使用，但是對於 Gateway API 的概念還是很值得去研究理解一下

標題: 「詳細理解 Kubernetes Scheduler 的實作過程」 類別: Kubernetes 連結: https://itnext.io/kubernetes-scheduler-deep-dive-fdfcb516be30 本篇文章用圖示的方式清楚的解釋整個 Scheduler 如何去幫 Pod 找到一個適合的 Node 從最初透過 kubectl apply -f 部署一個 deployment 開始，當 controller 產生對應的 Pod 並且將 Pod 標示為 Pending(etcd) 同時將一個該事件放到 Secheduler queue 開始 Scheduler 會經歷兩個階段，分別是 Scheduling 以及 Binding Scheduling 代表的是哪個節點我應該要選擇 Binding 代表的是將最後的決策給寫入到 etcd 以 Scheduling 來說，又可以細分成兩個步驟 1. 透過 Predicate 的方式去過濾所有符合需求的節點 2. 透過 Priorities 的方式去對所有符合標準的節點進行排名 以使用者來說，可以透過下列的方式去影響 Scheduler 的 a. NodeSelector b. Node Affinity c. Pod (Anti)Affinify/ d. Taints/Tolerations e. Topology Constraints f. Scheduler Profiles 如果對 Scheduler 這個元件沒有概念的 k8s 使用者可以看看這篇簡單易懂的文章，幫忙快速理解一下整個運作流程

標題: 「fsync 的重要性，為什麼任何非拜占庭協定的應用程式沒有 fsync 都會有資料遺失的可能性」 類別: Others 連結: https://redpanda.com/blog/why-fsync-is-needed-for-data-safety-in-kafka-or-non-byzantine-protocols 本文是由 Redpanda 該廠商的所撰寫的技術文章，主要是探討 fsync 與分散式系統下的問題。 fsync 的概念就是確保應用程式寫入的資料必須要寫道硬碟才可返回，該方式提高資料保證性但是卻降低了效能。 然而隨者資料複製 (replication) 架構的崛起，愈多愈來的架構採取資料複製的方式，其將資料給存放到不同節點上並且同步資料，即使有任何節點斷電或是出問題也不影響整個資料的正確定。 也因為資料複製提供的資料一致性，使得很多實作方式就不考慮執行 fsync，只要每個節點都有辦法順利同步資料，那任何不使用 fsync 的節點若中途斷電或是損毀也都不影響全域的資料正確性。 然而作者指出這是一個誤解，事實上只要你不跑 fysnc，任何斷電損毀節點上的未同步資料都會導致全域的資料遺失 更重要的是大部分的複製協定只支援 fail-stop 這類型的錯誤，該錯誤的假設是你節點會損毀沒關係，但是節點重啟後必須要跟損毀前資料一致，而因為沒有執行 fsync 的操作，這類型的節點損毀一定會掉資料。 為了解決這問題，作者指出這問題對於 拜占庭協定來說其實不是問題，因為拜占庭協定最初的假設就是更糟糕的故障可能性，支援各式各樣的節點行為。 文章後半部分用一個方式來證明 “單一節點的未同步資料是如何導致全域資料遺失” 結論來說： 在資料複製的架構中，使用 fsync 是確保資料一致性和持久性的關鍵方式。本文章強調了一個常見的誤解，即僅通過複製就可以消除對 fsync 的需求，並且示範了在一個非拜占庭式協議的系統中，單節點上未同步的數據丟失仍然可能導致全域資料遺失。

標題: 「DevOps Certification Roadmap」 類別: Others 連結: https://medium.com/@AnnAfame/%EF%B8%8F-devops-certification-roadmap-%EF%B8%8F-75e38e9b8da1 本篇文章列舉了作者認為推薦或認為值得擁有的 DevOps 相關證照並且對於該證照給予一些介紹以及考取學習上的建議，包含了 選擇性 1 Red Hat Certified Engineer 2 Docker Certified Associate 3 Puppet Certified Professional 4 Certified Jenkins Engineer 5 Certified Prometheus Administrator 6 The Certified DevOps Professional 7 DevOps Institute Certified Agile Service Manager 推薦擁有 1 AWS Certified DevOps Engineer – Professional 2 Microsoft Certified DevOps Engineer Expert 3 Google Professional Cloud DevOps Engineer 4 Certified Kubernetes Administrator 5 HashiCorp Certified: Terraform Associate 6 Certified Kubernetes Security Specialist 證照到底值不值得花錢去考是個一直以來都存在的討論議題，到底履歷上這些證照是否可以加分眾說紛紜，我認為就跟 DevOps 的定義一樣， YMMV 沒有標準答案，有的面試官吃證照，認為有證照就有基本實力，相反的也會有面試官會認為證照都是背題目，實戰經驗才是重點。 我個人的角度來看，與其一直去思考證照能不能幫我找工作提高薪水，不如去轉個念去思考，證照就是我學玩某個技術後順便去考的，主軸還是學習與理解，加強自己技能樹的深度與廣度。 如果剛好有餘裕資金與時間，就可以順便考個證照看一下這些證照到底玩什麼把戲，順便確認一下是否還有什麼自己不熟悉的東西。 至於企業角度又是不同，特別是教育訓練下很多時候上面追求 KPI，學習一個技術很難寫報告，但是學玩技術又可以獲得證照則這個報告相對好寫，我想這也是這個證照領域歷久不衰的原因之一?

標題: 「網際網路之父 Vint Cerf 坦承當年設計 TCP/IP 的三大錯誤」 類別: Others 連結: https://spectrum.ieee.org/vint-cerf-mistakes 簡單來說，從現今往回過去看個三個設計不足的點分別是 1 覺得 32 Bit 應該就足夠整個網際網路使用 1 沒有花費更多心思去探討資安的部分 2 沒有足夠理解 WWW 對於全球帶來的影響 從現今 IPv4 (32Bit) 的設計來回顧當年 1973 的設定其實也有點說不過去，畢竟 Cerf 也提到當年如果你說你要用一個 3.4 * 10^38 的大小來設計一個不確定會不會成功的實驗實在是有些瘋狂。 然而隨者網際網路的蓬勃發展， IP 數量開始出現耗盡的問題進而促使 IPv6 的發展，而 IPv6 初版則是 1998 年，距離現今也大概 25 年左右了，然而 IPv6 的落地與應用與 IPv4 是截然不同方向，對於使用者與開發者來說你有多少日常生活會使用 IPv6 地址的? 但是對於基礎建設商來說可能就不是如此，譬如 Nokia 提到的這篇簡報[註一]就提到如何透過 IPv6 的方式來改善整個 5G 網路核心的功能並改善效能與延遲性。 文章內有提到 WWW 帶來的全球資訊量爆炸，資訊多到人們再也沒有辦法慢慢瀏覽找到需要的資訊，此困境最終促使搜尋引擎的出現，讓人們可以用更簡易的方式去搜尋到各式各樣的 WWW 網站來獲得所需要的資訊。 搜尋引擎與 WWW 的相互發展，搭配各種文章農場以及投放廣告，使用者愈來愈難透過搜尋引擎快速且精準地找到問題答案，特別是還有些網站會偽造文章更新日期來欺騙使用者點擊，常常以為是最近的文章結果點進去都是十年前的文章，這類型的干擾都使得搜尋引擎與找到答案之間的關係愈來愈薄落 從 1973 到 1992, 第一個搜尋引擎出現也過了將近 20 個年頭，而 30 年後 AI 也正在改變整個搜尋引擎的用法。 譬如去年推出轟動世界的 ChatGPT，其透過一個對話的方式讓你可以透過用詢問的方式來尋求答案，使用者只要專注於各種 prompt engineering (詠唱魔法) 想辦法問出正確的答案，而非像過往搜尋引擎一樣需要點擊各種結果並從中努力找到答案。 此外微軟推出的 Bing Chat 這個內建 GPT 模型的搜尋引擎，也提供了 AI 使用的一種想像方式，將搜尋引擎與 AI 整合讓使用者同時享有兩種功能並且根據需求決定要用何種方式來找尋答案 需求促使改變，而改變的同時也需要天時地利人和，每個元件都環環相扣，少了一個也許都沒有辦法促使這些科技更新與改善。 也許就如同我們開發設計專案架構一樣，好的架構與設計都是要根據需求逐步迭代而進步，想要一開始就設計一個萬無一失的協定與架構似乎都過於天馬行空，畢竟你永遠都無法料到什麼時候又會有一個殺手鐧的出現逼迫你改變。