Architectural Patterns: Moving Beyond Cloud-Native to Local-First - Insights from Adam Wiggins

Kafka's log compaction corrupts data. Here's how we fixed it

Apache Kafka có lỗ hổng trong cơ chế log compaction khiến dữ liệu bị hỏng do xung đột giữa compaction và replication, gây ra bốn vấn đề: dữ liệu đã xóa tái xuất hiện, giao dịch bị hủy hiện dưới dạng đã commit, dữ liệu đã commit bị ẩn, và consumers read_committed bị đóng băng partition. Redpanda Streaming khắc phục bằng giao thức compaction phối hợp, sử dụng các cặp offset (MCCO/MTRO, MXFO/MXRO) để đảm bảo tombstones và transaction markers không bị xóa trước khi tất cả replicas xử lý xong. Lỗi này có thể tái hiện trên Kafka phiên bản 3.9 đến 4.2 bằng Docker Compose.

Lập trình viên cần đọc bài này để hiểu cách giải quyết vấn đề lỗi race condition trong log compaction của Kafka, giúp tránh mất dữ liệu và bảo đảm tính nhất quán khi xử lý các trường hợp đồng bộ hóa dữ liệu trên nhiều broker.

How to use traces to avoid breaking changes

Tracing giúp theo dõi luồng dữ liệu trong hệ thống phân tán thông qua các thành phần như tracer, span, context propagation, nhằm phát hiện sớm vấn đề khi thay đổi code, tránh breaking changes. Các thư viện phổ biến gồm OpenTracing, OpenTelemetry, Zipkin, Jaeger, trong khi Digma cung cấp khả năng quan sát và phản hồi trong quá trình phát triển.

Lập trình viên nên đọc bài này để hiểu cách sử dụng tracing để phát hiện và tránh các thay đổi gián tiếp gây lỗi trong hệ thống phân tán, từ đó cải thiện độ ổn định và hiệu suất của ứng dụng.

Security Baked Into the JVM: why fork Apache River and OpenJDK?

Java 17 deprecated SecurityManager and Java 24 removed it entirely, leaving distributed Java applications without a built-in authorization mechanism. This post introduces two community projects addressing that gap: DirtyChai, a fork of OpenJDK that restores and extends Java's authorization infrastructure (SecurityManager, AccessController, ProtectionDomain), and JGDMS, a security-hardened fork of Apache River providing dynamically-discoverable microservices over IPv6. JGDMS uses Jini-model service discovery, a pluggable constraint-based RPC layer (JERI), and defence-in-depth security including hardened deserialization, TLSv1.3, and proxy trust verification. A minimal deployment example shows how authentication, encryption, and deserialization constraints are declared in deployment configuration rather than service code, enforced at every call boundary without modifying the service API.

Deploying distributed AI inference: Blueprints & troubleshooting

A practical guide to deploying distributed AI inference using vLLM and llm-d across six traffic-shaped blueprints: high-concurrency chat, long-context RAG, high-throughput batch, distributed AI-grid (Model-as-a-Service), hybrid sovereign-to-cloud-burst, and edge inference on workstation GPUs. Each blueprint covers workload signature, topology, key mechanisms (prefill/decode disaggregation, KV-cache tiering, speculative decoding, model cascading), and cost shape. The post also provides inference troubleshooting recipes for TTFT/TPOT regressions using vLLM Prometheus metrics and NVIDIA Nsight tools, and closes with a four-step scaling roadmap from a single vLLM instance to a full distributed AI grid on Red Hat OpenShift AI.

Coinspaid Dev emerges as a dedicated blockchain infrastructure engineering brand

Coinspaid Dev, the engineering team behind Coinspaid Solutions, has launched as an independent brand after over 11 years of building blockchain infrastructure. With 120+ engineers, the team has experience across 20+ blockchain networks, covering distributed systems, backend architecture, cloud infrastructure, cybersecurity, and reliability engineering. The new brand aims to become a center of competence for blockchain infrastructure engineering and contribute practical expertise to the broader digital asset ecosystem.

Gemini for Home is a subscription trap disguised as smarter automation

Google giới thiệu Gemini for Home thay thế tự động hóa thông minh nhanh, cục bộ bằng quy trình LLM phụ thuộc vào đám mây, gây độ trễ, rủi ro bảo mật và tường phí $10/tháng. Tính năng lõi như phân tích video camera Nest hay xử lý lệnh thoại đều dựa vào máy chủ từ xa, trong khi giao thức Matter hay Zigbee cục bộ bị bỏ qua.

Lập trình viên nên đọc bài này để hiểu cách các giải pháp cloud-based như Gemini for Home làm thay đổi thiết kế hệ sinh thái smart home, từ những rủi ro về tính riêng tư và hiệu suất đến những lợi thế kỹ thuật về mô hình mở và định kiến độc lập.

Nine years of predicting cloud native, scored honestly

A nine-year retrospective on annual cloud native predictions, scored honestly. The author reflects on the discipline of public prediction-making, the recurring blind spot of underestimating pace of structural change, and the emotional gap between analytical forecasting and wishful thinking. Key observations: the cloud native landscape shifted from Kubernetes tooling (2018) to platform engineering (2022) to AI infrastructure (2024+); perfect prediction scores signal safe, obvious calls rather than genuine insight; and the 'platform engineering assembly tax' names the compounding inertia that explains why predicted changes arrive slower than expected.