Amazon Aurora MySQL 3.13 (compatible with MySQL 8.0.45) is generally available

I Let AI Recommend SQL Server Indexes Across a Week of Queries

Tác giả muốn kiểm tra xem AI có thể tự động đề xuất chỉ mục cho SQL Server dựa trên một tuần truy vấn thực tế không. AI phân tích kế hoạch thực hiện, các DMV missing_index và ước lượng chi phí để tạo ra một tập hợp chỉ mục phi bunch và lọc. Sau khi áp dụng các chỉ mục này, thời gian trả lời SELECT trung bình giảm theo con số cụ thể mà bài viết ghi lại, nhưng chi phí INSERT/UPDATE tăng theo con số khác, dẫn đến hiệu suất tổng thể không cải thiện như mong đợi. Kết quả cho thấy việc chỉ dựa trên gợi ý của AI mà không kiểm tra cả hai phía đọc‑ghi có thể gây ra đánh đổi không lợi; cần có bộ đo lường đồng thời cả latency read và throughput write trước khi quyết định. Bài viết cũng nhấn mạnh tầm quan trọng của việc

Bài viết này giúp lập trình viên hiểu được sự khác biệt giữa những gì AI đề xuất và hiệu quả thực tế khi tối ưu hóa SQL Server indexes.

Connection Pool Sizing, Measured: Why 48 Connections Beat 400

Bài viết thực nghiệm trên PostgreSQL bằng cách tăng số kết nối từ 1 lên 400 để đo …

LibreDB Studio: an open source, self-hosted SQL IDE for PostgreSQL in the browser

LibreDB Studio là IDE SQL mã nguồn mở, tự host cho PostgreSQL chạy trên trình duyệt, triển khai dưới dạng container, Helm chart hoặc npm package. Công cụ hỗ trợ pooling connection, transaction rõ ràng, giám sát thông qua pg_stat_* và xác thực qua local account hoặc OIDC với kiểm soát quyền truy cập.

Lập trình viên phát triển ứng dụng PostgreSQL nên đọc để tìm hiểu cách tự host một IDE SQL trực tuyến, tối ưu hóa hiệu năng với cơ chế kết nối pooled và tự động rollback, đồng thời khám phá tính năng hỗ trợ quyền truy cập RBAC và hỗ trợ OIDC, giúp streamline quá trình phát triển và quản lý cơ sở dữ liệu.

Muse-Glimmer-30B and Qwen 3.8-27B models now available on Amazon SageMaker JumpStart

AWS vừa mở rộng Amazon SageMaker JumpStart bằng việc thêm hai mô hình ngôn ngữ lớn mới. Muse‑Glimmer‑30B mang tới 30 tỷ tham số, trong khi Qwen 3.8‑27B cung cấp phiên bản 27 tỷ tham số từ họ Qwen, cả hai đều được đóng gói dưới dạng template JumpStart sẵn sàng dùng. Nhờ vậy, nhà phát triển có thể khởi chạy mô hình chỉ bằng một cú click, không cần tự xây dựng container và ngay lập tức nhận được điểm cuối inference được tối ưu cho SageMaker. Các mô hình này hỗ trợ inference FP16 và có thể mở rộng tự động qua tính năng auto‑scaling của SageMaker, giúp kiểm soát độ trễ và chi phí. Vì vậy, việc thường xuyên kiểm tra JumpStart để bắt kịp bản phát hành mô hình mới là cách hiệu quả để giảm thời gian thiết lập và tập trung vào thử nghiệm ý tưởng.

Lập trình viên nên đọc bài này để cập nhật các mô hình AI mới nhất có sẵn trên Amazon SageMaker JumpStart.

Performance Progression of Percona Server for MySQL 8.4

Nghiên cứu benchmark So sánh hiệu suất OLTP đọc/ghi của ba bản phát hành Percona Server for MySQL 8.4 (8.4.8-8, 8.4.10-10, 8.4.11-11) bằng Sysbench với các kích thước cơ sở dữ liệu khác nhau, số luồng và tỷ lệ buffer/data. Phiên bản 8.4.11-11 nhận được cải tiến về việc flush các trang LRU của InnoDB, trong khi 8.4.10-10 được nâng cấp bằng Performance Guided Optimization (PGO). Trong các trường hợp bị giới hạn bởi I/O và độ đồng thời cao, 8.4.11-11 cho thấy tăng hiệu suất rõ rệt và còn vượt quá MySQL upstream 8.4.11; khi dữ liệu được đệm đầy trong bộ nhớ, 8.4.10-10 nhờ PGO có lợi thế nhẹ so với 8.4.11-11 và MySQL vẫn nhanh hơn khi toàn bộ dữ liệu nằm trong memory. Việc tối ưu hoá chiến lược flush LRU có thể mang lại lợi ích lớn cho workload I/O-bound, trong khi PGO hiệu quả nhất khi bộ đệm đủ lớn để chứa toàn bộ dữ liệu. Do đó, khi chọn phiên bản Percona Server, cần xem xét tỷ lệ buffer/data và mức độ đồng thời để tận dụng tối đa các cải tiến cụ thể.

Bài viết này cung cấp cái nhìn sâu sắc về cải tiến hiệu năng đáng kể của Percona Server for MySQL 8.4 qua các bản phát hành, giúp lập trình viên tối ưu hóa hệ thống cơ sở dữ liệu cho các kịch bản khác nhau.

SQL Indexing Explained: Composite Indexes and Column Order

Bài viết bắt đầu bằng việc tạo bảng comments với 1 triệu bản ghi trong PostgreSQL để đánh …

All Your GUCs in a Row: log_destination and logging_collector

Bài viết giải thích vai trò của hai tham số GUC log_destination và logging_collector trong PostgreSQL, mô tả cách logging collector hoạt động như một daemon dựa trên pipe để tránh mất và garbled log messages. Khi bật logging_collector, PostgreSQL phải khởi động lại vì daemon được tạo trong quá trình khởi động, và các định dạng log như stderr, csvlog và jsonlog đều được đưa vào pipe này. Tuy nhiên, dưới tải cao, collector có thể trở thành điểm nghẽn và làm giãn cả instance, trong khi việc sử dụng syslog lại có nguy cơ silently drop messages khi hệ thống quá tải. Bài cũng so sánh mặc định của log_destination trên các nền tảng phổ biến: Debian/Ubuntu thường để stderr, PGDG RPMs thường dùng csvlog, Docker images và một số dịch vụ quản lý có thể pre‑configure jsonlog hoặc syslog tùy theo nhà cung cấp. Từ đó, tác giả khuyên trong môi trường production nên chọn định dạng log phù hợp với hệ thống giám sát, bật logging_collector chỉ khi cần lưu trữ tập trung và luôn monitor throughput để tránh stall, đồng thời cân nhắc sử dụng syslog với buffer đủ lớn hoặc các giải pháp bên ngoài như Fluentd để tránh mất log.

Bài giải thích chi tiết về log_destination và logging_collector GUCs giúp bạn hiểu rõ cơ chế logging của PostgreSQL, từ đó tối ưu hóa cấu hình giám sát và xử lý log hiệu quả trong môi trường production.