Масштабируемая оркестрация с помощью AWS EKS Anywhere
AWS EKS Anywhere orchestration at scale: как централизовать управление on-premises кластерами и серверами через AWS Step Functions, Lambda и DynamoDB.
Надежность систем (SRE)
«Надежность систем (SRE)» на ThecoreGrid — это инженерные практики обеспечения стабильной работы масштабируемых и наблюдаемых систем в продакшене.
Мы рассматриваем ключевые принципы Site Reliability Engineering: определение SLI/SLO, управление error budget, incident management и достижение операционной устойчивости в highload-среде. В темах — мониторинг, алертинг, автоматизация, capacity planning и обработка сбоев в распределенных системах. Анализируем компромиссы между надежностью и скоростью разработки, а также подходы к снижению toil и повышению устойчивости систем. Контент основан на практиках BigTech, включая post-mortems инцидентов и опыт эксплуатации систем на масштабе. Публикуем deep dive в observability, release engineering, chaos testing и reliability-паттерны для cloud-native платформ. Тег полезен SRE, DevOps- и platform-инженерам, архитекторам и техлидам, отвечающим за стабильность, производительность и предсказуемость систем.
CLASP: масштабирование serverless stream processing
CLASP для serverless stream processing: почему chained requests меняют требования к worker capacity, как operator placement влияет на latency и как state migration сохраняет locality состояния.
POWERSLIDER: динамический power cap для LLM serving
Dynamic power caps for LLM serving: как POWERSLIDER распределяет мощность по стадиям, удерживает goodput и переживает grid demand response.
Alloy central gateway: как не уронить поток телеметрии
Alloy central gateway для полной телеметрии: sizing, load testing, HPA, WAL и GOMEMLIMIT в production-кейсе без blind spots
MCPTT под нагрузкой: где ломается голос
Совместимость систем MCPTT в условиях высокой нагрузки: как джиттер, QoS и границы сетей операторов приводят к сбоям голосовой связи в плотных сетях на стадионах.
LL SC и QHI без потери эффективности
LL SC с randomization и FADD: как сохранить QHI, снизить space complexity и получить wait-free behavior без асимптотических потерь
QoS-aware autoscaling для distributed AI inference
Автомасштабирование с учетом QoS для задач инференса ИИ: распределенное планирование с участием пользовательских устройств, снижение потребности в выделенных мощностях и улучшение показателей «хвостовой» задержки при росте нагрузки
Graph-based remediation снижает pager в MongoDB
Как graph-based remediation автоматизирует восстановление MongoDB и снижает pager alerts через state machine и поиск путей в графе
DTMC планирование URLLC с учетом HARQ RTT
DTMC анализ URLLC с proactive HARQ и учетом HARQ RTT. Как корректно планировать ресурсы и избежать деградации reliability и latency
DNS routing для gRPC устраняет thundering herd
DNS routing для gRPC: как смена политики Route 53 устранила thundering herd и распределила нагрузку на 121 млн соединений без ошибок