Skip sending request bodies to Routing Middleware

Apache Spark Resource Optimization: Lessons From Eight Million Jobs a Day

Đối mặt với khối lượng 8 triệu job mỗi ngày, team Spark đã triển khai execution telemetry để giám sát tài nguyên hệ thống. Phân tích dữ liệu telemetry giúp phát hiện hiệu quả các executor idle chiếm tới 30% tổng tài nguyên phân bổ. Việc tối ưu hóa này giảm đáng kể chi phí compute trong khi vẫn đảm bảo performance và reliability của hệ thống. Các bài học rút ra có thể áp dụng để tối ưu hóa cluster resource allocation trong các môi trường production sử dụng Spark.

Bài viết này giúp lập trình viên tối ưu hóa tài nguyên Apache Spark bằng cách chẩn đoán executor rảnh và giảm chi phí tính toán dựa trên dữ liệu từ tám triệu job mỗi ngày.

How Booking.com cut Node.js costs by 38% with Watt

Booking.com đã tiết giảm chi phí compute cho Node.js tới 38% khi chuyển từ pm2 sang Watt. …

Optimizing objects with null prototypes

V8 engine gặp vấn đề khi đối tượng với __proto__: null bị mắc kẹt ở dictionary mode. Nguyên nhân kỹ thuật nằm ở cách V8 xử lý prototype chain khi prototype được đặt thành null. Hệ quả là hiệu năng giảm đáng kể, như test case cho thấy WebStreams throughput chỉ đạt 500MB/s. Điều đáng học là thay thế literal object bằng classes hoặc Object.setPrototypeOf giúp tăng hiệu năng lên 2x, đạt 1GB/s throughput trong Node core.

Tìm hiểu cách tối ưu hiệu suất bằng cách loại bỏ nguyên mẫu null để tăng gấp đôi throughput trong Node.js.

Announcing DuckDB 1.5.6

DuckDB phiên bản 1.5.6 vừa được ra mắt với các bản vá lỗi và cải thiện hiệu năng. Bản cập nhật này tập trung vào tối ưu hóa truy vấn SQL và cải thiện hiệu suất khi xử lý lượng lớn dữ liệu. Phiên bản mới này sửa lỗi liên quan đến window functions và cải thiện hiệu suất khi sử dụng JOIN operation. Các nhà phát triển làm việc với analytical workloads sẽ thấy hiệu năng cải thiện đáng kể, đặc biệt khi xử lý data partitioning. Nếu bạn đang sử dụng DuckDB cho xử lý dữ liệu offline hoặc embedded analytics, bản cập nhật này đáng để xem xét nâng cấp.

Phiên bản DuckDB 1.5.6 mang lại những cải tiến hiệu năng và sửa lỗi quan trọng mà lập trình viên cần biết để tối ưu hóa hệ thống cơ sở dữ liệu của họ.

Where Your Bytes Live: Memory Layout in Rust and Java

Bài viết so sánh layout memory giữa Rust và Java, giải thích cách dữ liệu được tổ chức trong stack và heap. Nguyên nhân kỹ thuật nằm ở cơ chế boxing (khi dữ liệu được đặt vào heap) và borrowing (cho mượn tham chiếu) trong Rust khác với garbage collection của Java. Hệ quả là Rust giúp kiểm soát bộ nhớ tốt hơn trong khi Java có thể gây overhead do garbage collector. Điều đáng học là cách tổ chức data structure ảnh hưởng hiệu năng, ví dụ struct trong Rust có thể tối ưu hơn class trong Java nhờ predictable layout.

Hướng dẫn này giúp lập trình viên hiểu cách bố trí bộ nhớ trong Rust và Java quan trọng hơn so với việc chỉ phân biệt giữa stack và heap.

Front-End Checklist – Master.dev Blog

David Dias đã phát triển Front-End Checklist trong suốt một thập kỷ với phiên bản mới nhất ra mắt cách đây hơn một năm. Checklist này bao gồm nhiều lời khuyên hữu ích nhưng dễ bị quên như việc triển khai print stylesheet và quản lý lazy loading/preload. Công cụ này đặc biệt quan trọng với lập trình viên front-end để đảm bảo không bỏ sót các yếu tố quan trọng trong quá trình phát triển. Việc tham khảo checklist có thể giúp cải thiện chất lượng code và trải nghiệm người dùng trên nhiều thiết bị khác nhau.

Front-End Checklist giúp lập trình viên không bỏ sót các chi tiết quan trọng khi phát triển giao diện người dùng.

.NET 11 Performance Gains That Matter for AI-Adjacent Backends — Daily DevOps & .NET

.NET 11 mang lại cải thiện hiệu năng đáng kể cho các backend AI nhờ tối ưu hóa async runtime, JIT output gọn nhẹ hơn và giảm số lần bounds checks. Các cải tiến này giúp giảm tail latency và giảm instance count trong các inference gateways và embedding pipelines. Cụ thể, việc giảm bounds checks giúp giảm chi phí CPU khoảng 10-15% trong các tác vụ xử lý dữ liệu lớn. Những thay đổi này cho thấy tầm quan trọng của việc tối ưu hóa runtime-level performance trong các hệ thống xử lý AI hiện đại.

.NET 11 giúp tối ưu hiệu suất cho hệ thống AI backend bằng cách giảm độ trễ và số lượng instance thông qua cải tiến runtime async, JIT và kiểm tra giới hạn.

Control How Your GPU Shares Work with Green Contexts

GPU ngày càng phải xử lý nhiều thành phần độc lập trong cùng một process, với các operator nhạy cảm độ trễ và các tác vụ heavy-weight chạy song song. Vấn đề nảy sinh khi GPU scheduler hiện tại (như CUDA's Concurrent Kernel Execution) không phân biệt rõ rệt giữa các context, dẫn đến tình trạng operator nhạy cảm độ trễ bị block bởi các tác vụ nặng. Hệ quả là hiệu năng của các ứng dụng real-time giảm đáng kể, có thể lên đến 30-40% độ trễ tăng thêm. Green Contexts là giải pháp từ Microsoft Research cho phép lập trình viên tách biệt các tác vụ thành các context ưu tiên khác nhau, qua đó kiểm soát chính xác GPU allocation và cải thiện đáng kể hiệu năng cho các ứng dụng đa thành phần.

Bài viết này giúp lập trình viên tối ưu hóa hiệu suất GPU bằng cách kiểm soát cách chia sẻ công việc giữa các thành phần khác nhau trong cùng một tiến trình.