Bài tóm tắt
Tóm tắt bằng lời riêng, luôn dẫn về bài gốc. 608 bài (đã lọc). Đọc miễn phí.
Nguồn dữ liệu danh sách bài viết của blog công ty
Danh sách bài trên trang công ty gồm 10.013 bài. Khoảng 73,6% (7.365 bài) do SWE Wiki thu thập thủ công từ kho lưu trữ blog chính chủ của các công ty, kèm ngày đăng. Phần còn lại lấy từ các danh sách công khai trên GitHub: binhnguyennus/awesome-scalability (667), abhivaikar/howtheytest (551), upgundecha/howtheysre (499), eugeneyan/applied-ml (376), Engineer1999/ML-System-Design-Case-Studies (239), upgundecha/howtheyaws (149) và một số danh sách nhỏ khác. Mọi link luôn dẫn về bài gốc trên blog của tác giả; SWE Wiki không sao chép nội dung bài. Hiện 8.979 bài thuộc 133 công ty có trang riêng được hiển thị cho thành viên. Cảm ơn những người duy trì các danh sách đó.
How the controller-runtime Cache Actually Works, and Why Your Controller Does Not Crash the API Server
Hiểu lầm phổ biến: r.Get()/r.List() trong reconciler gọi thẳng API server và luôn thấy trạng thái mới nhất. Thực tế ngược lại.
1M messages per second: Applying E2EE to Apache Kafka in the LINE app
Một topic Kafka lớn của LINE, tới 1 triệu message/giây, do một team publish và nhiều team consume, chứa dữ liệu cá nhân nhạy cảm.
A Kubernetes Resource That Doesn't Exist: Caching CI Images on Ephemeral Runners
Mercari tự chạy runner GitHub Actions bằng Actions Runner Controller (ARC) trên GKE, runner tạm (ephemeral), chế độ Docker-in-Docker: mỗi pod runner có container runner và một Docker daemon sidecar, job chạy trong…
Turborepo Remote Cache: Accelerating CI to Move Fast
Nhiều repo web của Mercari là monorepo dùng Turborepo (song song hoá task, cache theo task). Runner GitHub Actions tự host là runner tạm, nên cache cục bộ của Turborepo mất sau mỗi job; action cache chung của GitHub…
Capacity Efficiency at Meta: How Unified AI Agents Optimize Performance at Hyperscale
Với code phục vụ hơn 3 tỉ người, hồi quy hiệu năng 0,1% đã là lượng điện đáng kể. Chương trình Capacity Efficiency của Meta có hai mặt: tấn công (tìm cơ hội tối ưu code đang chạy) và phòng thủ (phát hiện hồi quy trong…
KernelEvolve: How Meta's Ranking Engineer Agent Optimizes AI Infrastructure
Fleet phần cứng của Meta không đồng nhất: GPU NVIDIA, GPU AMD, chip MTIA tự làm (4 thế hệ trong 2 năm), CPU. Mỗi phép toán của model phải có kernel tối ưu cho từng chip; số kernel = {loại và thế hệ phần cứng} × {kiến…
2026 World Cup: record traffic, reliability at scale
World Cup 4 năm một lần là "bài kiểm tra tải có kế hoạch lớn nhất" của Meta. 2026: 48 đội, 104 trận, 39 ngày liên tục có đỉnh.
Inside branch-based restores in Lakebase Postgres
Theo Neon, restore ở Postgres managed truyền thống chậm và càng chậm khi DB càng lớn. Failover sang replica giúp khi máy chết, nhưng không giúp khi lệnh ghi sai hay DROP TABLE đã sang cả standby: lúc đó vẫn phải restore.
Building observability into Notion's dead-letter queue
Gần như mọi thao tác ở Notion có một task nền chạy qua job queue: thông báo khi bị @-mention, index trang cho search, sinh embedding, đồng bộ lịch, export workspace. Queue phân phối việc sao cho không workspace hay team…
Enabling Multi-Region Data Systems at Notion
Notion ra mắt data residency cho khách EU: dữ liệu khách được xử lý và lưu trong region nơi nó sinh ra, kể cả khi index cho search, chạy analytics hay tạo embedding cho AI.
Balancing cost and reliability for Spark on Kubernetes
Notion chạy nhiều job Spark production, có job vài phút, có job hàng giờ trên hàng trăm worker. Spark chịu được mất một executor (retry task, tính lại), nhưng mất nhiều executor cùng lúc thì mất dữ liệu shuffle, tính…
Shadow Engine Recovery in NVIDIA Dynamo
Engine LLM ở production hay gặp lỗi phần mềm phục hồi được (process crash, lỗi CUDA phục hồi được, collective lỗi tạm thời) trong khi phần cứng và node vẫn khoẻ. Đường phục hồi chuẩn là cold restart: nạp weight vào HBM,…
NVIDIA Dynamo Snapshot: Fast Startup for Inference Workloads on Kubernetes
Inference cần scale theo tải, nhưng cold start một worker trên Kubernetes mất vài phút; trong lúc đó GPU đã cấp nhưng không sinh token, và hệ không kịp hấp thụ đỉnh tải.
Building visibility into a CI platform
Lượng code qua pipeline của Optiver tăng mạnh vài năm gần đây, không chỉ do software engineer: researcher và trader cũng viết code (visualisation, thí nghiệm, tự động hoá phân tích) qua cùng pipeline build/test, và AI…
Pushing Postgres beyond storage: scaling performance at Optiver
Một số database của Optiver chứa bảng nhỏ đổi rất thường xuyên, như cấu hình và dữ liệu giá, nằm thẳng trên đường đi của các hệ tự động; có thể có hàng nghìn process cần đồng bộ với chúng.
The feedback loops behind Kubernetes
Tác giả mở bằng việc chạy Postgres bằng tay: chọn node, gắn EBS, format, mount; dựng 1 primary + 2 replica trên ba máy; sửa /etc/hosts khi IP đổi; đổi tham số qua ssh. Mỗi bước có thể hỏng giữa chừng. Để khỏi bị gọi…
Postgres backups under the hood
Postgres có ba cách backup: logical (pgdump), file system, và continuous archiving (file system + WAL). Bài so sánh ba cách khi database lên hàng chục TB.
Behind the scenes: How Database Traffic Control works
Bài toán: database quá tải vì query đắt bất ngờ, kể cả nhiều query vừa phải cộng dồn lại.
Building Kubernetes PR Previews with Shared Pulumi Components
Team phát triển một ứng dụng microservice trên Kubernetes, hàng trăm PR mỗi ngày; mỗi PR cần một môi trường riêng để test và review trước khi merge.
Filtered Vector Search: What ACORN Fixes, and What Fixes ACORN
Filter metadata biến đồ thị HNSW thành các đảo rời: với m=16 mặc định, tập 1 triệu điểm có trung bình khoảng 21 cạnh mỗi node ở tầng 0; filter bỏ 96% điểm thì trung bình còn chưa tới 1 cạnh, việc duyệt bị kẹt trước khi…
Incident Report: March 30th, 2026 — Authenticated user data cached
Trên Railway, CDN cache là opt-in: domain không bật CDN thì request luôn đi thẳng tới ứng dụng.
Incident Report: July 2, 2026 — US East Services Outage
Railway tự vận hành datacenter ("Metal"); mỗi site nối với ít nhất ba nhà mạng Tier 1 để mất một nhà mạng vẫn chạy.
Atomic slot migration with Redis 8.4
Redis Cluster chia key vào 16.384 hash slot (CRC16(key) mod 16384, hoặc phần trong {}), mỗi node giữ một tập slot. Phải dời slot khi scale out/in và khi một key, slot hay node quá tải (bộ nhớ, CPU, băng thông).
Me and my shadow (link!): Disaster recovery replication made easy
DR cho dữ liệu streaming gần như luôn là sao chép liên tục sang cụm khác. Hai đại lượng: RTO (bao lâu chạy lại được) và RPO (mất bao nhiêu dữ liệu, đo bằng thời gian).