DevOps

📦 PcapPlusPlus — мощный C++ инструмент для работы с сетевыми пакетами. Этот мультиплатформенный проект предлагает удобные C++ обёртки для популярных движков захвата трафика — от классических libpcap/WinPcap до высокопроизводительных DPDK и PF_RING. Библиотека поддерживает огромное количество протоколов: от базовых Ethernet и IP до специализированных вроде WireGuard или S7Comm. При работе с пакетами, помимо стандартного парсинга в проекте доступны функции сборки TCP-сессий с учётом ретрансмитов и обработки фрагментации IP. Для разработчиков приложений под Linux ценна интеграция с eBPF AF_XDP — это позволяет достичь линейной скорости обработки. 🤖GitHub @devopsitsec

🧠Linux-хак: перезапуск процесса без остановки PID Представь, у тебя работает демон, и ты хочешь обновить его бинарник *без остановки процесса* и *без потери PID*. Такое возможно — с помощью магии `exec`. 🔥Трюк: заменить текущий процесс на новый: exec /path/to/new/binary --with --args 📌 Что происходит? - Команда execзаменяет текущий процесс новым — без создания нового PID - Все открытые файловые дескрипторы и сокеты сохраняются - Работает, только если у тебя уже есть нужные права (например, через systemd или под `sudo`) 🛠Пример в бою: Ты перекомпилировал новый nginx в /usr/local/bin/nginx-new, и хочешь подменить старый: pidof nginx # допустим, PID = 1234 sudo nsenter -t 1234 -m -u -i -n -p -- bash cd /usr/local/bin exec ./nginx-new -c /etc/nginx/nginx.conf 📌 Готово! Новый бинарь работает в том же PID, открытые сокеты и дескрипторы остались на месте.

Как узнать, кто последний редактировал любой файл в Linux — даже если это не git Оказывается, можно выяснить, какой пользователь последний модифицировал файл, даже если это обычная файловая система и никакой системы контроля версий нет. Секрет — в auditd, который отслеживает события уровня ядра. Вот как включить отслеживание изменений для конкретного файла: # Включаем слежение за изменениями файла auditctl -w /etc/nginx/nginx.conf -p w -k nginx_watch # Потом можно посмотреть, кто и когда его правил: ausearch -k nginx_watch 🧠 Кто редактировал файл — точно и с логами 📌 Работает с любыми файлами: конфиги, скрипты, ключи 📌 Видно: кто, когда, чем, с каким PID 📌 Отлично для отладки, расследований, CI/CD и безопасных систем Идеальный инструмент, если "что-то сломалось, но никто ничего не трогал. Видео @linuxkalii

🧠 GitHub раскрывает планы по следующей эволюции Copilot — от помощника к полноценному агенту. 🔗 В новом посте GitHub делится видением agentic workflows — когда Copilot становится не просто ассистентом, а полноценным участником команды, который умеет: • понимать задачу целиком, • планировать шаги, • писать и менять код, • создавать PR и даже инициировать обсуждение. 📌 Что важно: — Copilot теперь работает в рамках цепочек действий (tasks → plans → code) — Появляются memory и context-aware агенты — Идея — не просто "автодополнение", а делегирование работы: от заведения ишью до его закрытия — Акцент на безопасную, контролируемую автоматизацию ⚙️ Пример: вы создаёте issue → Copilot планирует, как решить → предлагает PR → вы ревьюите и мёрджите. 🛠 Уже сейчас GitHub тестирует: - Copilot Workspace (автогенерация изменений по issue) - GitHub Agents (task‑oriented агенты для DevOps и beyond) 📎Читайте подробнее: Copilot перестаёт быть просто AI‑другом в редакторе — он становится сотрудником, который понимает задачи, работает в контексте проекта и помогает двигать код вперёд.

🎓 Комьюнити Cursor собрало огромную библиотеку гайдов и инструментов для вайбкодеров. Тут есть всё, чтобы работать с ИИ было проще и эффективнее: — Готовые промты под разные задачи — MCP-серверы для общения с внешними приложениями — И самое крутое: генератор уникальных промт-правил под ваш проект Налетай — всё это бесплатно и уже доступно. 🔗https://cursor.directory/

💡Принес вам крутую шпаргалку по шаблонам проектирования на русском Паттерны (шаблоны) проектирования — это способы построения программ, которые считаются хорошим тоном для разработчиков. 📦Сохрани себе, чтобы не потерять #шпаргалка

📦 Fluent Bit теряет логи в Kubernetes? Вот как это пофиксили в ArteraAI Команда ArteraAI столкнулась с загадочным исчезновением логов: job успешно выполнялся, Fluent Bit читал логи… но они не доходили до DataDog. Почему? 🔍 Оказалось, что Fluent Bit не справлялся с нагрузкой: - логи буферизуются в памяти (по 2МБ чанки), - при переполнении mem_buf_limit входные плагины ставятся на паузу, - данные теряются, особенно при всплесках активности. 💡 Решение: включили файловую буферизацию. Теперь логи сначала пишутся в память, потом на диск — никаких пауз и потерь. ‼️ Но даже после фикса… логи не находились в DataDog. Почему? 🔥 Проблема была в отсутствии Kubernetes-метаданных. Fluent Bit не всегда корректно добавлял поля pod, namespace, cluster, и логи оказывались в слепой зоне мониторинга. 📌 Вывод: 1. Следите за backpressure (`paused (mem buf overlimit)`). 2. Включайте файловую буферизацию при высоких нагрузках. 3. Проверяйте, что Kubernetes Filter добавляет все нужные метаданные. Подробности: https://arteraai.medium.com/optimizing-kubernetes-log-aggregation-tackling-fluent-bit-buffering-and-backpressure-challenges-fb3129dc5031 @DevOPSitsec

🌀Эмулятор старого ЭЛТ-терминала, как в 80-х cool-retro-term — это терминал с рябью, изгибами экрана и ламповым визуалом, как на старых мониторах. 🖥 Никакой практической пользы — только чистый ретровайб. 🎛 Работает на Linux и macOS ⚙️ Построен на QML + qtermwidget (как в Konsole) 📎 GitHub: https://github.com/Swordfish90/cool-retro-term

⚡️ Почему лучшие разработчики всегда на шаг впереди? Потому что они знают, где брать настоящие инсайд! Оставь “программирование в вакууме” в прошлом, выбирай свой стек — подпишись и погружайся в поток идей, лайфхаков и знаний, которые не найдёшь в открытом доступе. ИИ:t.me/ai_machinelearning_big_data Python: t.me/pro_python_code Linux:t.me/linuxacademiya Devops: t.me/devops_teleg Базы данных: t.me/sqlhub Мл собес t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii МЛ:t.me/machinelearning_ru Data Science: t.me/data_analysis_ml Javascript:t.me/javascriptv C#: t.me/csharp_ci Java:t.me/java_library Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React:t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Физика: t.me/fizmat SQL: t.me/databases_tg Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🖥 Chatgpt для кода в тг: @Chatgpturbobot - 📕Ит-книги: https://t.me/addlist/BkskQciUW_FhNjEy 💼ИТ-вакансииt.me/addlist/_zyy_jQ_QUsyM2Vi Подпишись, чтобы всегда знать, куда двигаться дальше!

✔️Google столкнулась с антимонопольной жалобой в ЕС из-за функции AI Overviews. Коалиция независимых издателей подала антимонопольную жалобу на Google в Еврокомиссию. Они утверждают, что новая функция AI Overviews отбирает у них трафик и рекламные доходы, используя их контент без разрешения и компенсации. Основная претензия заключается в том, что издатели не могут запретить использование своих материалов для обучения нейросетей и создания саммари, не рискуя при этом полностью исчезнуть из результатов поиска. Google же заявляет, что AI Overviews лишь помогает пользователям находить контент. reuters.com ✔️Индийский инженер-программист совмещал работу сразу в нескольких стартапах. Сохам Парекх оказался в центре скандала, когда выяснилось, что он тайно занимал фултайм-позиции сразу в нескольких стартапах. Все началось с поста основателя Playground AI, который рассказал, что Парех умудрялся работать на 3-4 компании сразу. К обсуждению быстро подключились другие компании, подтвердившие, что тоже собеседовали или нанимали его. Схема была проста: Парех впечатлял на технических интервью и имел активный профиль на GitHub, это и помогало ему получать офферы. Но после найма он срывал сроки и не выполнял задачи. Поймали его, заметив коммиты в репозитории другой компании во время его предполагаемого «больничного». Сам инженер объяснил свои действия тяжелым финансовым положением. Сейчас Парекх работает в стартапе Darwin Studios, стартапе по ремикшированию видео с использованием ИИ. theverge.com ✔️ИИ помог создать нейтрализатор радиоактивного йода. Команда исследователей из Кореи использовала машинное обучение для решения проблемы утилизации ядерных отходов. Их целью был радиоактивный I-129, изотоп с периодом полураспада 15,7 млн лет, крайне опасный для живых организмов. С помощью ИИ ученые нашли новый адсорбент на основе меди, хрома, железа и алюминия, который удаляет более 90% радиоактивного йода из воды. Это значительно эффективнее существующих методов. Главное преимущество ИИ было в скорости. Вместо полного перебора комбинаций модель предсказывала самые перспективные составы, что позволило протестировать лишь 16% от всех возможных вариантов для нахождения оптимального. Команда уже патентует технологию для коммерческого применения. phys.org ✔️Команда ZLUDA отчиталась о прогрессе в запуске CUDA на сторонних GPU. Проект ZLUDA, позволяющий запускать код CUDA на видеокартах AMD и Intel, поделились важными обновлениями после спасения от закрытия. Проект теперь ведут два фултайм-разработчика, один из которых сфокусирован на поддержке ИИ-нагрузок. Главный фокус - запуск GPT-2 в рамках тестового проекта llm.c. Это необходимый шаг к поддержке фреймворков наподобие PyTorch. Также разработчики повышают точность вычислений, стремясь к побитовому соответствию с результатами на железе Nvidia с помощью PTX-тестов. vosen.github.io ✔️ Skywork-Reward-V2: обновление семейства открытых reward-моделей. Китайская компания Kunlun Wanwei выпустила вторую версию своих открытых reward-моделей, которые помогают «объяснить» LLM, какие ответы считать хорошими, а какие — плохими. Новая серия V2 обучена на огромном датасете из 26 миллионов пар оценок и включает 8 моделей разного размера. По заявлениям разработчиков, флагманская версия на 8 млрд. параметров превосходит все существующие аналоги на ключевых бенчмарках, а самая компактная, 600 по производительности почти догнала их старшую модель прошлого поколения на 27 млрд. параметров. Новое семейство уже доступно на HuggingFace. github.com @ai_machinelearning_big_data #news#ai#ml

🛡️ OpenRASP — инновационный подход к безопасности веб-приложений, который встраивает защиту прямо в сервер приложений. В отличие от традиционных WAF, анализирующих только входящие запросы, OpenRASP мониторит выполнение уязвимых операций на уровне приложения, что резко снижает количество ложных срабатываний. Проект поддерживает популярные Java-серверы и PHP 5.3-7.4, добавляя всего 1-4% нагрузки. Алгоритмы детектирования контекстно-зависимы — атаки выявляются только при реальной эксплуатации уязвимости, а детальный stacktrace упрощает расследование инцидентов. 🤖GitHub @devopsitsec

📌ICONIQ: Плейбук архитектора ИИ-систем 2025. Iconiq Capital опросила 300 руководителей ИИ-стартапов с доходом от $10 млн. до $1 млрд. о том, как эти стартапы используют ИИ и собрала результаты в отчет "ICONIQ AI Builder’s Playbook 2025" Iconiq Capital - американская компания по управлению инвестициями, основанная в 2011 году. Функционирует как гибридный семейный офис и имеет тесные связи с компанией Марка Цукерберга. Компания предоставляет услуги по инвестиционному менеджменту, частному капиталу, венчурным инвестициям, управлению недвижимостью и филантропии для состоятельных семей и организаций. ▶️Очень кратко: Эра экспериментальных ИИ-демо закончилась. Сейчас компании массово переходят к боевому использованию генеративных моделей - и тут уже не про «вау», а про ROI, стоимость инференса и объяснимость. 🟡AI-native vs AI-enabled Компании, с нативными ИИ-продуктами, сильно опережают тех, кто "добавил ИИ". Почти половина стартапов нативных ИИ-продуктов уже достигла масштабирования (47% против 13% у ретрофитеров). В продуктовом портфеле такой типовой компании в среднем 2,8 модели и они активно идут по пути агентных сценариев, причем многие строят архитектуру с возможностью быстрого свапа моделей. 🟡Ценообразование и монетизация. ИИ ломает старые цены и бизнес-модели. 38% компаний используют гибридное ценообразование (подписка + плата за использование), ещё 19% — только за использование а 6% уже экспериментируют с outcome-based моделями. Пока 40% включают ИИ в премиум-пакет, но 37% планируют пересмотреть подход, учитывая реальные метрики использования и отдачу. 🟡Команда и расходы. ИИ перестал быть задачей «R&D-уголка». В быстрорастущих компаниях до 37% инженеров работают над ИИ, а AI/ML-инженеров нанимают в среднем за 70+ дней. И это большая проблема. ИИ забирает до 20% R&D-бюджета, причем по мере роста проекта расходы смещаются с найма в сторону инференса и инфраструктуры. 🟡Инструменты и инфраструктура. 68% компаний используют только облако, ещё 64% сидят на внешних API. OpenAI/GPT - лидер (81%), но растет доля мульти-модельных подходов (Claude, Gemini, Mistral и др.). NVIDIA по-прежнему доминирует в инференсе: TensorRT и Triton используют 60% команд, но и ONNX Runtime (18%) с TorchServe (15%) укрепляют позиции. Из инструментов для оркестрации лидируют LangChain и Hugging Face, а для мониторинга — Datadog и LangSmith (~17%). MLOps по-прежнему на MLflow (36%) и Weights & Biases (20%). 🟡Что тормозит развитие. Самое сложное в развертывании продуктов оказалось не в коде, а в доверии и эффективности: 42% компаний говорят о проблемах доверия и объяснимости, 39% — не могут показать ROI, 38% — борются с галлюцинациями, а 32% — с высокой стоимостью инференса, а доступ к GPU — проблема лишь для 5%. Главный вывод: чтобы внедрить ИИ, одной модели не достаточно, еще нужно обосновать ее бизнес-ценность и держать под контролем поведение. 🟡ИИ внутри стартапов. 77% команд используют ИИ для помощи в разработке (GitHub Copilot почти у всех), 65% — для генерации контента, 57% — для поиска знаний. Те, у кого ИИ активно используется получают 15–30% прироста эффективности. Самые распространенные юзкейсы: кодинг, аналитика, поиск по внутренней документации. Самое неожиданное Несмотря на популярность OpenAI, стоимость API и непредсказуемость инференса — головная боль даже у тех, кто платит миллионы в месяц. 🔜Ознакомиться с полным отчетом @ai_machinelearning_big_data #news#ai#ml