#prometheus

Native support for Prometheus metrics in GKE

GKE giờ đây hỗ trợ tích hợp sẵn Prometheus metrics, cho phép người dùng xử lý trực tiếp các metrics này trên cluster. Tính năng này giúp giảm tải cho Prometheus server bằng cách offload một phần xử lý metrics về GKE. Bạn có thể sử dụng PromQL queries để tạo autoscaling triggers linh hoạt hơn, thay vì phụ thuộc vào các metric đơn giản như CPU hay memory. Ví dụ, bạn có thể scale dựa trên số lượng request HTTP mỗi giây hoặc chỉ số p99 latency. Đây là cải tiến quan trọng giúp giảm chi phí hạ tầng và tăng hiệu quả của hệ thống monitoring.

Tích hợp hỗ trợ Prometheus metrics trong GKE giúp bạn sử dụng PromQL queries linh hoạt để tùy chỉnh triggers tự động mở rộng.

pgwatch v6: dashboards reimagined, and a reaper that doesn't choke

Bối cảnh: bài viết mở rộng giới thiệu các tính năng mới của pgwatch v6.0.0 beta, tập trung vào việc cải tiến dashboard và cải thiện quá trình thu thập dữ liệu. Nguyên nhân kỹ thuật: thay đổi cách dashboard được xây dựng bằng React và tối ưu hoá luồng xử lý để giảm tải server. Hệ quả: dashboard hiển thị nhanh hơn và reaper không còn gặp lỗi choking khi xử lý dữ liệu lớn. Điều đáng học: việc sử dụng các thư viện UI hiện đại và tối ưu hoá truy vấn giúp tăng hiệu suất và độ ổn định. Bài viết khuyến khích cộng đồng tham gia đóng góp mã nguồn để hoàn thiện tính năng.

We need to output exactly one short Vietnamese sentence explaining why a programmer should read this. Must be correct Vietnamese, no markdown, no opening greeting. Must only use Vietnamese and Latin characters, no Chinese/Japanese/Korean/Han characters. Latin characters are allowed (i.e., English letters). Names of technical terms must remain Latin (e.g., pgwatch, dashboards, reaper). Must not include any non-Latin characters (i.e., no diacritics? Actually Vietnamese uses diacritics which are Latin letters with diacritics; those are still Latin characters? The instruction says "chỉ dùng chữ Việt và chữ Latin: tuyệt đối không có ký tự Hán/Trung/Nhật/Hàn trong câu trả lời". Vietnamese uses Latin alphabet with diac

Dual-exporting .NET metrics with OTLP and Prometheus

Nhiều ứng dụng hiện đang xuất metrics trực tiếp đến Prometheus, một time-series database lưu trữ counters và histograms. Khi OpenTelemetry trở thành graduated CNCF project, nhiều công ty đang cân nhắc chuyển đổi sang đây để bổ sung thêm signals như logs và traces. Bài viết trình bày cách thực hiện dual-exporting metrics với cả OTLP và Prometheus client, giúp duy trì tương thích trong quá trình chuyển đổi. Giải pháp này cho phép tổ chức incrementally áp dụng OpenTelemetry mà không cần thay đổi ngay lập tức toàn bộ hệ thống monitoring hiện có.

Bài viết giúp bạn hiểu cách chuyển đổi từ Prometheus sang OpenTelemetry kết hợp cả hai để có kiến thức về hai hệ thống giám sát đồng thời.

pgwatch v6: Prometheus becomes a source, not just a sink

pgwatch là công cụ giám sát PostgreSQL phổ biến, phiên bản 6.0.0-beta vừa ra mắt với nhiều cải tiến về khả năng tích hợp monitoring. Những thay đổi chính là Prometheus hiện nay được cấu hình làm nguồn dữ liệu (source) thay vì chỉ là đích điểm (sink) để pgwatch đẩy metrics qua pushgateway. Điều này cho phép Prometheus tự động thu thập (scrape) metrics từ pgwatch qua HTTP endpoint, giảm độ trễ và loại bỏ nhu cầu cấu hình pushgateway riêng. Kết quả là hệ thống giám sát trở nên đơn giản hơn, độ tin cậy tăng vì giảm một lớp trung gian và dễ dàng mở rộng với các quy tắc cảnh báo của Prometheus. Từ bài học này, các team DevOps có thể suy nghĩ về việc đảo ngược hướng dữ liệu trong các hệ thống quan sát để tối ưu hoá độ trễ và giảm phụ thuộc vào cơ chế push.

Bài viết này giúp lập trình viên hiểu cách Prometheus trong pgwatch v6 chuyển từ điểm thu thập dữ liệu thành nguồn cung cấp dữ liệu, mang lại khả năng giám sát và phân tích hiệu suất cơ sở dữ liệu Postgres linh hoạt hơn.

So, is ClickHouse winning the observability wars?

Khi các nhà phân tích công bố rằng ClickHouse đang “giành thắng cuộc quan sát” trong ngành, cộng đồng DevOps bắt đầu tranh luận. ClickHouse nổi bật nhờ khả năng xử lý khối lượng dữ liệu lớn, tốc độ truy vấn nhanh và kiến trúc columnar, cho phép lưu trữ và phân tích log trong thời gian thực. Kết quả là nhiều team chuyển sang ClickHouse để thay thế Elasticsearch hay Loki, giảm chi phí lưu trữ và cải thiện độ chính xác của câu hỏi phân tích. Tuy ClickHouse có lợi thế trong lớp lưu trữ, nhưng việc “giành thắng” ở tầng dữ liệu không tự động mang lại toàn bộ giải pháp quan sát, còn cần các thành phần như pipeline, biểu đồ và cảnh báo. Vì vậy, nếu bạn đang cân nhắc áp dụng, hãy xem cách ClickHouse giải quyết vấn đề cụ thể của bạn thay vì chỉ dựa vào hype.

Bài viết giúp bạn hiểu tại sao ClickHouse đang thống trị trong lưu trữ và truy vấn dữ liệu quan sát, đồng thời nhận ra những điểm hạn chế của nó trong bối cảnh cạnh tranh hiện nay.

Whats new in ClickStack - June + July

ClickStack vừa bổ sung nhiều nâng cấp quan trọng như điều hướng trace chi tiết hơn, tích hợp Prometheus, bảng điều khiển thông minh hơn, cảnh báo yên tĩnh hơn, bộ lọc nhanh hơn và hỗ trợ metrics dạng histogram mũ.

Nếu bạn quan tâm đến hiệu suất và quản lý hệ thống ứng dụng, ClickStack đã nâng cấp công cụ theo dõi chi tiết, giúp tối ưu hóa thời gian debug và giảm thiểu cảnh báo không cần thiết với các tính năng mới như lịch sử truy cập chi tiết và tích hợp Prometheus.

Building an AI-Powered Incident Bot with Octopus Deploy

Tôi đã xây dựng một AI-powered incident bot hỗ trợ xử lý sự cố Kubernetes bằng Octopus Deploy.

Bài viết hướng dẫn bạn cách xây dựng bot AI hỗ trợ xử lý sự cố Kubernetes với Octopus Deploy.

Attic Has No Metrics Endpoint: Monitoring It via SQLite

Attic không cung cấp endpoint /metrics hay ghi log mặc định, thay vào đó dữ liệu giám sát được lưu trong cơ sở dữ liệu SQLite, với hiệu suất tiết kiệm 2.45 lần và khả năng thu gom rác (GC) thực tế.

Lập trình viên muốn tối ưu hóa hiệu suất và quản lý cơ sở dữ liệu của ứng dụng Kubernetes bằng cách khám phá cách sử dụng SQLite trong Attic để theo dõi tiết kiệm tài nguyên và hiệu quả thu gom rác (GC) thực tế.

You can’t debug what you can’t see — Observability for AI Agents

APM truyền thống không thể giải thích lý do agent AI liên tục đặt cùng một câu hỏi ba lần trong khi tiêu tốn nhiều tài nguyên hơn bình thường.

Lập trình viên nên đọc bài này để hiểu cách tăng cường khả năng quan sát cho các hệ thống AI, giúp phát hiện và giải quyết vấn đề hiệu quả hơn khi các hành vi bất thường—như lặp đi lặp lại—không thể phát hiện bằng cách chỉ theo dõi thời gian hoặc hiệu suất chung.

Valkey · Valkey Metrics in Prometheus: redis

A starting point for monitoring Valkey with Prometheus: two exporters, per-pod and cluster-wide metrics.

What did AI cost you this quarter?

Track AI inference costs by department using Red Hat OpenShift AI’s built-in MaaS gateway API keys, Perses dashboards, and MLflow tracing, with no manual instrumentation required.

Observability in Go: What Goes in a Metric, a Log, and a Trace

Bài viết này phân tích cách triển khai observability trong Go service, làm rõ sự khác biệt giữa metric, log và trace. Tác giả đưa ra chi phí đo lường khi phân loại sai thông tin giữa các loại dữ liệu observability. Bài viết cũng đề cập đến thiết kế dashboard và alerting hiệu quả để tránh alert fatigue, đồng thời nhấn mạnh nguyên tắc xử lý PII. Nếu bạn đang xây dựng hệ thống Go cần quản lý observability bài viết này cung cấp hướng dẫn thực tế chứ không phải hướng dẫn setup cơ bản.

Bài viết này giúp lập trình viên Go phân biệt rõ metric, log và trace khi thiết kế hệ thống quan sát hiệu quả, tránh tốn kém và cảnh báo sai.

Introducing ClickHouse's new TimeSeries Engine: Your drop-In Prometheus replacement

ClickHouse PromQL support lets you store Prometheus metrics in ClickHouse Cloud, query them using familiar PromQL, and bring metrics together with your logs and traces without rewriting queries in SQL.

Session Traces and Cost Controls Help Diagnose AI Agent Failures

Context: AI agents đang trở nên phổ biến nhưng việc chẩn đoán lỗi của chúng rất thách thức. Nguyên nhân kỹ thuật: Sử dụng session traces và cost controls cho phép phát hiện các vấn đề như tool-call loops và chi phí phát sinh ngoài kiểm soát. Hệ quả: Các kỹ thuật này giúp teams hiểu được luồng thực thi và ngăn chặn các cuộc gọi công cụ không hợp lý. Điều đáng học: Triển khai các hệ thống monitoring chi tiết có thể tiết kiệm tới 70% chi phí và giảm 90% thời gian debug khi triển khai AI agents production.

Session traces and cost controls giúp chẩn đoán lỗi AI agent, phát hiện vòng lặp tool-call và chi phí ngoài tầm kiểm soát.

Whose GPUs are these, anyway? Secure, self-service metrics for multi-tenant Kubernetes

Bối cảnh là bài viết giải quyết vấn đề phân bổ chi phí GPU trong môi trường Kubernetes đa tenant, khi các team không xác định được ai đang tiêu tốn tài nguyên nhất. Nguyên nhân kỹ thuật là do hệ thống monitoring hiện tại chỉ theo dõi tổng thể GPU usage mà không phân tích theo từng namespace hoặc workload. Hệ quả là doanh nghiệp phải trả hóa đơn lớn nhất cho cơ sở hạ tầng mà không biết cách tối ưu hóa, dẫn đến lãng phí tài nguyên và chi phí. Điều đáng học là bài viết đề xuất giải pháp Secure, self-service metrics sử dụng Prometheus và Grafana để cho phép các team tự xem và quản lý tài nguyên GPU của mình, với ví dụ cụ thể về dashboard cho việc theo dõi NVIDIA GPU metrics.

Bài viết giải quyết vấn đề quản lý và phân bổ GPU trong môi trường Kubernetes đa tenant một cách an toàn và hiệu quả.

Kubernetes Requests and Limits: How to Right-Size Pods Without Breaking Reliability

Khi chạy ứng dụng trên Kubernetes, việc cấu hình requests và limits cho CPU và bộ nhớ trực tiếp quyết định chi phí tài nguyên và mức độ ổn định của pod. Nếu request được đặt thấp hơn mức sử dụng thực tế, pod sẽ gặp throttling khi CPU không đủ hoặc bị OOM kill khi bộ nhớ vượt quá limit; ngược lại, đặt request và limit quá cao gây lãng phí và tăng chi phí không cần thiết. Các sự kiện throttling làm tăng latency ứng dụng, trong khi OOM kill dẫn tới khởi động lại pod không mong muốn, cả hai đều giảm độ tin cậy và tăngภาระ vận hành. Bài viết khuyên nên xác định request dựa trên mức sử dụng trung bình đo được từ công cụ monitoring, sau đó đặt limit với một khoảng an toàn thường là 1,2‑1,5 lần request để tránh OOM mà không tiêu tốn quá nhiều. Ví dụ YAML được minh họa như resources: requests: {cpu: "200m", memory: "256Mi"} và limits: {cpu: "500m", memory: "512Mi"} để áp dụng cách cấu hình này một cách an toàn.

Bài này giúp bạn tối ưu chi phí và độ ổn định cho Pod bằng cách thiết lập Requests và Limits phù hợp.

Claude Code Observability with OpenTelemetry

Agentic coding tools như Claude Code và OpenAI Codex đã trở nên phổ biến trong phát triển phần mềm hàng ngày. Vấn đề gặp phải là các công cụ này thiếu khả năng observability, khiến việc gỡ lỗi và tối ưu hóa trở nên khó khăn. Giải pháp đề xuất là tích hợp Claude Code với OpenTelemetry để thu thập metrics, traces và logs. Hệ quả là nhà phát triển sẽ có cái nhìn toàn diện về hoạt động của AI assistant, giúp xác định hiệu suất và điểm nghẽn. Bài viết cung cấp hướng dẫn triển khai thực tế với ví dụ code cụ thể, rất hữu ích cho ai làm việc với agentic systems.

Bài viết này giúp lập trình viên hiểu cách tích hợp OpenTelemetry vào hệ thống Claude Code để tăng khả năng quan sát và giám sát hiệu suất của các công cụ lập trình trí tuệ.

Kubernetes v1.37: Scale Workloads to Zero with HorizontalPodAutoscaler

Trước Kubernetes 1.37, việc thu hẹp workload về zero replica chỉ có thể thực hiện qua add‑on, thành phần ngoài hoặc bật Alpha feature gate. Phiên bản 1.37 mở rộng API HorizontalPodAutoscaler để hỗ trợ scale xuống zero khi sử dụng object metric hoặc external metric phù hợp. Tính năng này hiện ở trạng thái Beta và được bật mặc định, cho phép HPA tự động giảm replica về zero rồi tăng lại khi metric thay đổi. Với khả năng này, các ứng dụng có thể tiết kiệm tài nguyên mà không cần thành phần phụ trợ bổ sung. Bài học là nên sử dụng HPA core thay vì phụ thuộc vào các extension khi thiết kế hệ thống autoscaling từ zero.

Kubernetes v1.37 cho phép tự động mở rộng và thu hẹp workload xuống không bản sao mà không cần thành phần bên ngoài, giúp tiết kiệm tài nguyên hệ thống hiệu quả.

Red Hat OpenShift autoscaling using MachineSet autoscaler with KEDA

Bối cảnh: Khi ứng dụng trên OpenShift cần mở rộng số lượng worker node dựa trên chỉ số tùy chỉnh như độ dài hàng đợi Kafka hoặc thời gian phản hồi của dịch vụ, HPA đơn thuần không đủ để đáp ứng. Nguyên nhân kỹ thuật: Cần triển khai toán tử Custom Metrics Autoscaler (CMA), cấp quyền RBAC cho KEDA để nó có thể sửa đổi MachineSet, đồng thời cấu hình xác thực Prometheus để KEDA truy cập được metrics. Hệ quả: Sau khi tạo ScaledObject tham chiếu đến trigger Prometheus và chỉ số mục tiêu, KEDA sẽ tự động điều chỉnh replica của MachineSet, từ đó tăng hoặc giảm số node trong cluster theo carga thực tế. Điều đáng học: Việc tích hợp đúng RBAC và xác thực Prometheus là then chốt để tránh lỗi permission denied; ngoài ra, nên kiểm tra các chỉ số tùy chỉnh qua PromQL trước khi triển khai ScaledObject để đảm bảo mức độ mở rộng phù hợp.

Bài hướng dẫn này giúp bạn tự động hóa việc mở rộng quy mô OpenShift với MachineSet Autoscaler và KEDA một cách hiệu quả.

Prometheus vs VictoriaMetrics: Ingestion Got Cheaper. Cardinality Still Sent the Bill.

Đội ngũ đang tìm cách giảm chi phí ingest metrics khi lưu lượng ứng dụng tăng nhanh, vì vậy họ thử thay đổi nền tảng lưu trữ metrics. Sau khi chuyển từ Prometheus sang VictoriaMetrics, chi phí ingest mỗi sample giảm đáng kể nhờ cách lưu trữ và nén hiệu quả của VictoriaMetrics. Tuy nhiên, một label vô hại như user_id hoặc request_id vẫn có giá trị đa dạng cao, dẫn đến việc số lượng time series tăng vọt nhanh hơn mức tăng lưu lượng, khiến chi phí cardinality vẫn dominer hoá tổng bill. Kết quả là dù chi phí mỗi sample thấp hơn, tổng chi phí do cardinality explosion vẫn vượt ngân sách và bill không giảm như mong đợi. Bài học chính là việc chọn backend chỉ giải quyết một phần vấn đề; trước khi đưa label vào metrics cần kiểm soát cardinality bằng cách aggregation, dropping hoặc sử dụng histogram để tránh phát sinh series không cần thiết. Vì vậy, đầu tư vào thiết kế label và giám sát cardinality sớm sẽ tiết kiệm hơn cả việc đổi công cụ lưu trữ.

Bài viết này giúp lập trình viên hiểu được sự khác biệt về hiệu năng giữa Prometheus và VictoriaMetrics trong xử lý cardinality metrics.

Stop wasting GPU allocation in Kubernetes with GPU-pruner

Trong các cụm Kubernetes chạy workload GPU, nhiều pod thường giữ GPU mà không thực hiện tính toán, dẫn đến lãng phí tài nguyên và tăng chi phí. Nguyên nhân kỹ thuật là hệ thống điều phối không tự động thu hồi GPU khi workload chuyển sang trạng thái idle hoặc hoàn thành mà vẫn giữ allocation. Hệ quả là các node GPU vẫn được tính phí đầy đủ, mức sử dụng thực tế thấp, làm chi phí chạy dịch vụ AI/ML tăng không cần thiết. Điều đáng học là công cụ mã nguồn mở GPU-pruner giám sát mức sử dụng GPU và tự động scale down hoặc xóa pod idle để giải phóng tài nguyên cho các workload khác. Việc tích hợp GPU-pruner vào cluster giúp tối ưu chi phí GPU mà không thay đổi logic ứng dụng, và có thể mở rộng để tùy chỉnh ngưỡng idle và chính sách scale.

GPU-pruner giúp lập trình viên tiết kiệm chi phí GPU bằng cách tự động thu hồi tài nguyên không sử dụng trong Kubernetes.

Scale before the spike: Predictive autoscaling for GPU workloads on Kubernetes

The 3 AM Call We got paged one Tuesday morning. A critical production service had crashed under traffic—not gradually degraded, but crashed.

How to Convert Prometheus Histograms to OTLP with the OpenTelemetry Collector

Modern applications often expose metrics at a /metrics endpoint using the Prometheus format. Among these metrics, histograms are particularly useful. They show how often values fall into different ran

ClickHouse Monitoring: Best Tools Compared for Production (2026)

Bài viết so sánh thực tế các công cụ giám sát ClickHouse như UI tích hợp, Prometheus endpoint, Grafana, Datadog, chmonitor và NeverBlink, cùng các metrics và chế độ thất bại quan trọng trong môi trường production.

Bài viết này giúp lập trình viên so sánh và lựa chọn công cụ giám sát ClickHouse hiệu quả nhất cho hệ thống sản xuất.

Introducing the new Coralogix Metrics Engine

Coralogix ra mắt động cơ metrics mới dựa trên Rust, tối ưu hóa truy vấn phân tán trên dữ liệu phân mảnh với khả năng quét high-cardinality. Hệ thống chỉ tính phí dựa trên "active time series" (dữ liệu trong 60 phút gần nhất) thay vì cardinality thô, đồng thời giới hạn sử dụng tăng gấp ba (72 triệu series/ngày) và hỗ trợ deduplication server-side. Tất cả truy vấn PromQL, dashboard cũ vẫn tương thích, trong khi chi phí giảm đáng kể ở mọi mức độ phân giải.

Lập trình viên cần đọc bài này để hiểu cách Coralogix nâng cấp cơ sở hạ tầng giám sát thời gian thực bằng kiến trúc Rust, tối ưu hóa chi phí và hiệu suất cho các ứng dụng sử dụng Prometheus, đặc biệt là khi xử lý hàng triệu chuỗi dữ liệu và giảm thiểu chi phí khi tăng độ phân giải.

How to Choose Full-Stack Observability for NVIDIA AI Factories

Để chọn giải pháp Full-Stack Observability cho các NVIDIA AI Factories, cần xem xét khả năng giám sát xuyên suốt từ compute, networking, storage đến orchestration và ứng dụng, nhằm phát hiện sớm các vấn đề hiệu suất.

Là người phát triển xây dựng hệ thống AI quy mô lớn trên NVIDIA AI Factories, bạn nên đọc bài này để tìm hiểu cách tối ưu hóa khả năng theo dõi toàn diện từ đầu đến cuối, giúp phát hiện và khắc phục vấn đề hiệu suất nhanh chóng ngay khi hệ thống gặp sự cố.

Learning Cloud-Native Engineering Beyond Tutorials Through LFX

Tham gia chương trình LFX mentorship, thay vì chỉ viết tài liệu như dự định, tác giả đã triển khai OpenTelemetry Collectors trên AWS EC2 sau vài tuần.

Một lập trình viên nên đọc bài này để hiểu cách chuyển từ kiến thức lý thuyết về cloud-native đến thực hành ứng dụng ngay trong dự án thực tế, thay vì chỉ học theo hướng dẫn đơn giản.

Kernel 6.18.38 inflates diskstats latency by the uptime

Latenx đĩa trên hypervisor tăng dần trong ba tuần do kernel 6.18.38 làm giãn latency trong thống kê diskstats (thông số diskwritetimesecondstotal và diskwritescompletedtotal).

Lập trình viên phát triển kernel Linux nên đọc bài này để hiểu cách kernel 6.18.38 có thể gây ra sự tăng đột biến trong thời gian đợi đọc ghi đĩa (diskstats latency), ảnh hưởng đến hiệu suất của hệ thống và có thể cần điều chỉnh hoặc patch để cải thiện trải nghiệm cho ứng dụng sử dụng I/O.

Getting the most out of the Billable Action Count metric

Sử dụng metric temporal_cloud_v1_billable_action_count để phân tích chi phí Temporal Cloud, gỡ lỗi hành vi Workflow, dự báo mức sử dụng và xây dựng cảnh báo hiệu quả hơn.

Một lập trình viên cần đọc bài này để hiểu cách tối ưu hóa chi phí và hiệu suất của các tác vụ định thời trong hệ thống Workflow của Google Cloud bằng cách phân tích số lượng hành động được tính phí theo thời gian.

Metric cardinality limits in OpenTelemetry: a practical guide

OpenTelemetry giới hạn cardinality trong SDK metrics nhằm ngăn chặn tiêu thụ bộ nhớ vô hạn khi có quá nhiều kết hợp thuộc tính (attribute) độc nhất. Tuy bảo toàn giá trị tổng thể, việc tràn giới hạn này khiến các truy vấn lọc hoặc nhóm theo thuộc tính bị đếm thiếu, ảnh hưởng đến dashboards, SLOs và cảnh báo.

Lập trình viên nên đọc bài này để hiểu cách OpenTelemetry xử lý giới hạn độ phân biệt (cardinality) trong metrics, giúp tránh lỗi khi dữ liệu bị overflow gây sai lệch trong báo cáo và cảnh báo sản phẩm.

Monitoring the Health of KurrentDB Clusters Part 3

Hướng dẫn từng bước triển khai cảnh báo giám sát KurrentDB bằng Grafana, bao gồm 15 quy tắc PromQL sẵn sàng sử dụng, thông báo qua Slack và Gmail cùng các mẹo thiết lập.

Lập trình viên cần đọc bài này để tự động hóa cảnh báo về tình trạng hoạt động của KurrentDB, giảm thiểu rủi ro mất thời gian theo dõi thủ công và tối ưu hóa hiệu suất hệ thống bằng các quy tắc PromQL và cách thiết lập cảnh báo đa nền tảng.