Uber 这篇文章介绍了 uForwarder，也就是他们开源的 Kafka Consumer Proxy，用于支持 Kafka async queuing 场景。Uber 每天处理数万亿条 Kafka 消息和多个 PB 数据。三年前，Uber 构建了一个基于 push 的 Consumer Proxy，用于解决 Kafka 在 pub-sub 和异步队列场景中的几个问题，包括 partition

③C类：占有3个字节（24位），它是最通用的Internet地址，使用最高三位为 110 来标识此类地址，其余21位为真正的网络地址，支持。在原来的IP地址模式中，网络号部分就标识一个独立的物理网络, 引入子网模式后，网络号部分加上子网号才能全局唯一地标识一个物理网络。这对于采用TCP/IP协议的网络来说非常重要，只有通过子网掩码，才能表明一台主机所在的子网与其他子网的关系，使网络正常工作。①A类

它原生支持 JavaScript，而随着 WebAssembly（WASM）支持的加入，Rust 开发者也可以把自己的代码编译成 WASM，部署到这套平台上运行。原因在于 WASM 运行在独立的内存空间里，数据进出都需要拷贝，如果代码本身没有密集的计算，引入 WASM 反而会带来额外开销。这个绑定层很关键，后面会详细说。这个经验值得记住：在 WASM 环境下，任何涉及 I/O、系统熵、文件系统、时

Matrix 是一个去中心化的即时通讯协议，在隐私保护和去中心化领域算是公认的标杆。很多政府机构、开源社区和注重隐私的组织都在用它。对于个人开发者来说，用 Matrix 的理由往往更加朴素：把 Discord、Slack 这些分散的聊天工具桥接到一个收件箱，或者单纯想让自己的聊天记录跑在自己控制的服务器上。但运行一个 Matrix 服务器，一直有一个难以回避的"税"要交。

有一类工程问题，不是因为代码写错了，而是因为系统架构在规模增长之后触碰到了物理极限。Cloudflare 的机器学习团队经历的正是这种情况。他们的 Bot 检测系统需要对每一个 HTTP 请求做实时机器学习推理，而 Cloudflare 的流量峰值是每秒 6300 万次请求。在这个规模下，任何看起来"还好"的延迟，乘以请求量之后都会变成一个天文数字。这篇文章记录了他们如何把机器学习特征提取的 p9

每秒 950 万个请求，每个请求都要跑一次机器学习推理，打出一个安全评分，决定这个请求是攻击流量还是正常用户。这是 Cloudflare WAF Attack Score 系统每天面对的现实。在这个规模下，单次推理时间哪怕节省 1 毫秒，乘以请求量后都是天文数字。2024 年，Cloudflare 工程团队把这套系统的端到端执行时间从压到了，整体快了 5.5 倍。这篇文章把他们的优化过程从头到尾拆

当内存带宽是瓶颈时，最有效的优化不是堆算力，而是让数据变小、并在离算力最近的地方完成还原。其核心洞察链条非常清晰：LLM 权重的指数字节极度冗余 → 哈夫曼编码可以把它们压缩约 30% → 在片上共享内存解压直送张量核心，跳过一次 HBM 往返 → 四条管道加自动调优适配不同批量 → 跨层流水线把解压成本藏进计算间隙。Cloudflare 已将技术论文和 GPU 核函数代码全部开源，链接见原文。对

yq在多文件传入-i时静默合并到第一个文件，这是个反直觉的 API 设计，没有任何警告k3s reconciler 没有 dry-run 或 plan 功能，操作是不可逆的，且异步执行没有在运行命令前读 man page只看了git status而没看git diff疲劳状态下操作生产基础设施AI 给出的命令看起来很合理，但有一个非显而易见的致命副作用。

这一篇把sup暂时放到一边，开始为更底层的网络协议实现做准备。前面依赖 Windows ICMP API 的方式已经能完成 ping，但那仍然是操作系统在替我们说 ICMP。要真正往下挖，就必须自己面对网络接口和原始数据包。为了自己发包，需要先知道从哪张网卡发。rawsock可以列出 Npcap 暴露的所有接口，但列表里可能有大量有线、无线、虚拟、WAN、loopback 接口，不能靠猜。系统路由

原文对性能收益做了总结。大请求体大 RPS 下的高吞吐二进制文档格式Uber 这篇文章讲的是他们如何在 OpenSearch 中引入原生 gRPC endpoints，从而加速搜索和写入工作负载。问题背景是：Uber 内部大量基础设施使用 gRPC 和 Protobuf，而 OpenSearch 历史上主要暴露 REST/JSON API。为了连接这两个世界，Uber 过去需要在 Search G