Linux 7.3 MGLRU Change Helps Executable Code Stays In Memory, Improving Performance

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.

Asahi Linux Hopes To Ship A Release Soon With Apple M3 Device Support

Asahi Linux团队正在准备一个下游发布版，以加入对Apple M3芯片的支持。通过反向工程M3的新USB端口控制器，他们实现了可用的摄像头、改进的麦克风处理以及USB 3.0/Thunderbolt功能。同时，团队还在推进基于PSCI的电源管理以兼容主线内核，并开始进行Apple M4/M5的早期移植以及GPU直接扫描输出的实验。这些进展使得近期发布一个包含M3支持的版本成为可能，但将这些特性合并到主线Linux仍需要额外的时间。这表明，对新苹果硬件的Linux支持依赖于深度逆向工程和逐步上游合作，耐心和持续的内核工作是关键。

Bài viết này mang đến thông tin cập nhật quan trọng về tiến trình hỗ trợ cho các con chip Apple M3/M4/M5 trên hệ điều hành Linux, một tin tức thiết thực cho lập trình viên làm việc trên nền tảng này.

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã …

Learn Vectorized Thinking in Python Through Examples

Bài viết giải thích tại sao vòng lặp Python thường chậm khi xử lý dữ liệu lớn và giới thiệu cách thay thế bằng các phép toán vector hóa của NumPy. Nó trình bày từng kỹ thuật như phép toán phần tử, masking boolean, broadcasting giữa các hình dạng mảng và tổng hợp theo trục, kèm ví dụ song song giữa mã loop và mã vector hóa cho thuế, cảnh báo nhiệt độ, chuẩn hoá CTR chiến dịch và tính lương làm thêm. Các thí nghiệm cho thấy việc sử dụng NumPy có thể cải thiện đáng kể thời gian thực thi so với vòng lặp thuần Python. Bài cũng đưa ra danh sách kiểm tra để nhanh chóng nhận diện các vòng lặp có thể được vector hóa, giúp lập trình viên tối ưu hoá mã mà không thay đổi logic. Kết luận, việc áp dụng tư duy vector hóa không chỉ làm mã ngắn gọn hơn mà còn nâng đáng kể hiệu suất, đặc biệt khi làm việc với mảng đa chiều và các điều kiện phức tạp.

Bài viết này giúp lập trình viên Python tối ưu hóa hiệu suất bằng cách thay thế vòng lặp chậm bằng các thao tác vector hóa của NumPy.

Python 3.15 Preview: Sampling Profiler Quiz – Real Python

Python 3.15 preview đưa ra một sampling profiler mới được tích hợp vào bản phát hành để hỗ trợ đo lường hiệu suất mà không cần thay đổi mã. Profiler hoạt động ở hai chế độ – CPU (lấy mẫu dựa trên thời gian CPU thực) và GIL (lấy mẫu khi luồng giữ GIL), cho phép chọn mức độ chi tiết tùy thuộc vào workload đa luồng hoặc đơn luồng. Người dùng có thể tạo flame graphs và heatmaps trực tiếp từ dữ liệu lấy mẫu, đồng thời có thể đính kèm profiler vào một tiến trình đang chạy để phân tích vấn đề hiệu suất thực tế mà không cần khởi động lại. Việc hiểu sự khác biệt giữa hai chế độ lấy mẫu giúp lập trình viên chọn công cụ phù hợp – CPU mode cho phân tích tổng thời gian thực thi, GIL mode để xác định điểm cạnh tranh về lock trong các ứng dụng đa luồng. Kết hợp với khả năng xuất dữ liệu định dạng phổ biến như Speedscope hoặc perfetto, sampling profiler này trở thành một công cụ nhanh chóng, ít can thiệp để tối ưu hoá mã Python 3.15.

Bài viết này giúp lập trình viên nắm vững công cụ profiling mới trong Python 3.15 để tối ưu hóa hiệu năng ứng dụng.

Framework Laptop 16 With GeForce RTX 5070 12GB, One-Piece Keyboard & Haptic Touchpad

Framework Computer vừa bắt đầu giao các tùy chọn phần cứng mới cho Framework Laptop 16, bao gồm mô-đun GPU GeForce RTX 5070 12GB dành cho trò chơi hoặc workload CUDA/AI. Đồng thời họ ra mắt một bàn phím một mảnh sử dụng firmware mã nguồn mở QMK và một bàn chạm một mảnh bằng nhôm CNC với bề mặt haptic 124 × 77 mm, hiện đã hết hàng với giá 129 USD. Các thử nghiệm trên Fedora Workstation 44 và Ubuntu 26.04 LTS cho thấy cả GPU mới và các thiết bị nhập hoạt động tốt ngay lập tức mà không cần driver bổ sung. Điều này cho thấy khả năng tích hợp linh hoạt của kiến trúc mô-đun Framework cùng với hỗ trợ Linux tốt từ đầu. Dành cho lập trình viên cân nhắc nâng cấp hoặc mua mới, bài viết cung cấp dữ liệu cụ thể về hiệu suất và khả năng tương thích trên hai distro Linux phổ biến.

Bài này cung cấp thông tin cập nhật về các nâng phần cứng mới nhất cho Framework Laptop 16, phù hợp với cả game thủ và lập trình viên làm việc trên Linux.

witr: Why is this running? Trace process, port, container or file

witr là công cụ truy vết nguyên nhân của tiến trình, port, container hay file đang chạy, hiển thị toàn bộ chuỗi khởi động từ systemd, supervisor, shell hay cron cùng thông tin người khởi động, thời gian, nguồn gốc và cảnh báo quan trọng. Có thể chạy dạng tương tác TUI hoặc script với định dạng đầu ra ngắn gọn (--short) hoặc JSON (--json), hỗ trợ đa nền tảng qua một file binary Go tĩnh.

Lập trình viên nên đọc bài này để hiểu cách khám phá và giải quyết nguyên nhân sâu sắc của các quá trình bất thường, container hoặc dịch vụ chạy trong hệ thống, từ nguồn gốc khởi động đến các cảnh báo quan trọng mà ps, top hoặc lsof không thể cung cấp.

High-Frequency Real-Time Data in React: From Ring Buffers to OffscreenCanvas

React xử lý hàng nghìn điểm dữ liệu mỗi giây không hiệu quả, từ ring buffers đến OffscreenCanvas cần được tối ưu hóa.

Bài này hướng dẫn bạn xử lý dữ liệu thời gian thực tần suất cao trong React bằng kỹ thuật tối ưu hóa hiệu suất như Ring Buffer và OffscreenCanvas.