Rightsizing Platform Engineering: Building the Platform Your Organization Actually Needs

Introducing mirrord Chaos Testing

Khi phát triển dịch vụ microservice, việc kiểm tra khả năng chịu lỗi thường đòi hỏi môi trường staging riêng và có thể ảnh hưởng đến các team khác. mirrord Chaos Testing cung cấp công cụ cho phép desenvol viên inject lỗi kết nối tới bất kỳ dependency nào (database, API, message queue…) chỉ bằng một lệnh hoặc cấu hình đơn giản. Công việc này diễn ra trong quá trình chạy local hoặc trong container dev, không cần triển khai môi trường riêng và không làm gián đoạn việc làm việc của các thành viên khác. Nhờ đó,团队 có thể quan sát ngay cách mã nguồn phản hồi khi kết nối bị ngắt, timeout hoặc trả về lỗi, từ đó phát hiện các đường đi xử lý ngoại lệ chưa được покрыть. Kết quả là có thể cải thiện độ tin cậy của dịch vụ mà không tốn chi phí cho môi trường test phức tạp, và áp dụng được ngay trong quy trình CI/CD nếu muốn.

mirrord Chaos Testing giúp bạn phát hiện điểm yếu trong hệ thống của mình một cách an toàn và tiện lợi bằng cách mô phỏng các sự cố kết nối trong môi trường thực tế.

Why Is Your Linux Server Slow? A Practical Guide to Performance Troubleshooting

Máy chủ Linux có thể chạy mà không có lỗi明显 nhưng vẫn phản hồi chậm, khiến ứng dụng mất thời gian phản hồi tăng. Nguyên nhân kỹ thuật thường nằm ở việc sử dụng tài nguyên CPU, bộ nhớ, I/O đĩa hoặc mạng vượt quá khả năng, hoặc do các tiến trình争夺锁导致上下文切换频繁. Hệ quả là thời gian phản hồi dịch vụ tăng, throughput giảm, và người dùng cuối cảm nhận trải nghiệm bị degraded. Đáng học là cần áp dụng quy trình troubleshooting có hệ thống: thu thập metrics cơ bản, xác định bottleneck qua các công cụ giám sát, sau đó điều chỉnh cấu hình hoặc tối ưu hóa ứng dụng. Khi làm theo hướng dẫn này, quản trị hệ thống có thể nhanh chóng isolating nguyên nhân và khôi phục hiệu suất mà không cần phải khởi động lại máy chủ hay thay đổi phần cứng.

Bài viết này giúp bạn xác định và giải quyết các vấn đề hiệu suất ẩn trên máy chủ Linux một cách thực tế.

How volumetric sampling makes the most of your trace budget in Grafana Cloud

Theo dõi phân phối (tracing) cung cấp chi tiết sâu nhất về hành vi ứng dụng nhưng dễ tạo ra lượng dữ liệu lớn, gây ra chi phí cao và nhiễu trong Grafana Cloud. Để kiểm soát chi phí, Grafana Cloud đã tích hợp một chính sách lấy mẫu thể tích (volumetric policy) vào tính năng Adaptive Traces, która quyết định giữ hoặc loại bỏ các span dựa trên tổng thể tích trace và phân phối thuộc tính. Chính sách này tự động giảm lượng trace được lưu trù—thường giảm từ 20 % đến 40 %—tuy vẫn đảm bảo mẫu được lấy có đa dạng và biểu diễn tốt cho việc gỡ lỗi và phân tích hiệu suất. Nhờ đó, các nhóm có thể duy trì chất lượng quan sát trong ngân sách trace mà không cần bỏ qua các tín hiệu quan trọng. Điều này cho thấy việc áp dụng lấy mẫu thể tích là cách hiệu quả để tối ưu chi phí quan sát mà không hy sinh độ représentatif của dữ liệu.

Tìm hiểu cách tiết kiệm chi phí tracing trong Grafana Cloud mà vẫn duy trì chất lượng dữ liệu quan sát.

Grafana 13.2 release: easier ways to query and explore your data

Grafana 13.2 là phiên bản mới nhất của nền tảng quan sát và trực quan hóa dữ liệu, ra mắt sau chuỗi các bản cập nhật tập trung vào trải nghiệm người dùng. Phiên bản này giới thiệu thư viện truy vấn được cải thiện cho phép lưu trữ, chia sẻ và tái sử dụng các truy vấn đã được xác thực, đồng thời bổ sung chế độ khám phá panel điều khiển với bộ lọc tự động và gợi ý chỉ số để giảm thời gian phân tích bảng điều khiển đông đúc. Nhờ đó, nhóm DevOps có thể giảm thời gian chuẩn bị dashboard lên tới 30% và tăng độ tin cậy của các panel nhờ sử dụng lại các truy vấn đã được kiểm định, đồng thời phát hiện nhanh điểm nóng trong dữ liệu thời gian thực. Đối với những ai đang cân nhắc nâng cấp hoặc áp dụng Grafana, việc đầu tư vào tính năng chia sẻ truy vấn và công cụ khám phá panel sẽ mang lại lợi ích rõ rệt về hiệu suất làm việc và chất lượng giám sát.

Grafana 13.2 mang đến những cải tiến giúp bạn truy vấn và khám phá dữ liệu hiệu quả hơn, đồng thời dễ dàng chia sẻ và tái sử dụng các truy vấn đáng tin cậy.

How to scale Alloy as a central telemetry gateway: capacity planning, load testing, and production lessons

Learn how to create your own central gateway for collecting telemetry in Grafana Cloud, based on our experience working with an enterprise customer to size and load test a production Alloy central collector deployment.

How I Resolved a Critical Loki Disk Space Crisis in Kubernetes

Đội đang chạy Loki làm hệ thống tập trung logs trên một cụm Kubernetes và bắt đầu thấy dung lượng ổ đĩa của persistent volume tăng đột ngột mà không có cảnh báo trước. Nguyên nhân là do Loki nhận lượng log vượt quá mức mong đợi vì cấu hình retention và labels không được áp dụng đúng, khiến các chunk log liên tục được ghi và không được dọn dẹp. Khi PVC đạt ngưỡng sử dụng, các node bắt đầu vào trạng thái disk‑pressure, dẫn tới việc Loki pod bị evicted, việc ingest logs ngừng và các cảnh báo hệ thống được kích hoạt. Việc khôi phục bao gồm việc dọn dẹp thủ công các chunk cũ, điều chỉnh tham số retention và max_age trong LokiConfig, đồng thời thiết lập giới hạn resource và alerts trên sử dụng PVC. Bài học là luôn cấu hình retention và compaction cho Loki, giám sát chỉ số PVC và đặt quota để ngăn ngừa hiện tượng “log storm” làm đầy ổ đĩa trong môi trường Kubernetes.

Bài này giúp bạn học cách xử lý khủng hoảng dung lượng đĩa Loki trong Kubernetes qua kinh nghiệm thực tế từng bước cụ thể.

TBM 430: Incubate, Compound, Refinance, Liquidate

Bài viết TBM 430 bắt đầu từ quan sát rằng nhiều đội ngũ đang đặt hy vọng vào AI để giảm bớt gánh nặng quản lý hệ thống phần mềm. Tuy nhiên, tác giả指出 AI chỉ thay đổi cách chúng ta biểu hiện sự phức tạp, sự kết hợp (coupling), sự phối hợp (coordination), sự không chắc chắn và sự suy giảm (decay), không loại bỏ chúng. Vì vậy, các chỉ số như thời gian dẫn nhập (lead time), tần suất triển khai và tỷ lệ lỗi vẫn không thấy cải thiện đáng kể dù có sử dụng mô hình ngôn ngữ lớn hoặc công cụ tự động hóa dựa trên AI. Hệ quả là các đội ngũ vẫn phải đầu tư vào kiến trúc mô-đun, kiểm tra tự động và quy trình quản lý thay đổi để kiểm soát những yếu tố nền tảng này. Bài học chính là: thay vì xem AI là “bàn phím magique”, các kỹ sư nên tập trung vào việc giảm sự kết hợp và tăng khả năng quan sát, vì những yếu tố đó quyết định sự bền vững của hệ thống hơn là bất kỳ mô hình AI nào.

Bài viết giúp lập trình viên hiểu rằng AI không đơn giản hóa thách thức kỹ thuật, mà đòi hỏi họ thích ứng với sự phức tạp mới trong hệ thống.

The open mainframe: the keystone of the end-to-end digital enterprise

Các doanh nghiệp hiện nay đang tìm cách xây dựng quy trình số từ đầu đến cuối để tăng tính linh hoạt và giảm chi phí vận hành. Việc mở rộng mainframe bằng các tiêu chuẩn mở, hỗ trợ Linux, containers và API cho phép tích hợp dễ dàng với hệ thống đám mây và ứng dụng hiện đại. Kiến trúc này giúp phá vỡ các eiland công nghệ truyền thống, cho phép dữ liệu và luồng công việc di chuyển tự do giữa các bộ phận khác nhau. Nhờ đó, các quy trình kinh doanh được tự động hóa hơn, thời gian đưa ra sản phẩm ngắn lại và khả năng đổi mới số được tăng cường. Bài học chính là việc đầu tư vào mainframe mở không chỉ bảo toàn giá trị của hệ thống héritage mà còn trở thành nền tảng then chốt để thực hiện chiến lược doanh nghiệp end‑to‑end.

Mở mainframe là chìa khóa giúp phá bỏ các rào cản công nghệ và thúc đẩy đổi mới số trong doanh nghiệp.