Kurgan-Telecom Ru | Информационные технологии

Мониторинг целостности файлов выглядит простым ровно до тех пор, пока не пытаешься сделать его полезным для расследований и одновременно не убить прод. Сканы пропускают «изменил и откатил», inotify не даёт нужного контекста, auditd начинает стоить слишком дорого. В Datadog пошли через eBPF и получили то, чего не хватало: реальные события с привязкой к процессам и контейнерам — а вместе с ними и новую проблему масштаба, когда счёт идёт на миллиарды событий в минуту. В статье разберем, как они перенесли часть логики фильтрации в ядро, научились отсеивать шум ещё до user space и превратили поток телеметрии в сигнал, который можно выдержать.

• Американцы, худеющие при помощи новых препаратов, тратят меньше денег на еду

• Учёные придумали, как натравить иммунную систему организма на раковые клетки

• Разработана революционная технология восстановления зрения

• Новые пищевые рекомендации в США: диета с очень высоким содержанием белка, говяжий жир в качестве здорового жира и не обезжиренные молочные продукты.

• Антивозрастная инъекция восстанавливает хрящевую ткань колена и предотвращает артрит

Когда говорят «LLM в продакшене», часто подразумевают одну модель. Большую. Дорогую. Желательно с логотипом, который не стыдно показать инвесторам.
В реальности продакшен — это не одна модель, а пайплайн из десятка шагов, где каждая модель решает свою задачу. И «лучшая модель» в вакууме там просто не выживает.

Биомимикрия — штука древняя. Крыло самолета «срисовали» у птиц, застежку-липучку — с репейника, а клейкую ленту — с лапок геккона. Но это и так всем известно.

Сейчас на переднем крае науки творится нечто совсем другое (и местами откровенно жуткое): мертвые пауки работают микрозахватами. Хоботки комаров — соплами для принтеров. Панцири креветок превращаются из отходов в детали роботов. Ученые наконец разобрались, почему сова летает бесшумно, — и теперь дата-центры стали тише. А одноклеточный слизевик, у которого нет ни мозга, ни нервной системы, спроектировал транспортную сеть не хуже инженеров токийского метро.

Раньше у природы только копировали идеи. Теперь ее саму берут в оборот. Добро пожаловать в эпоху некроботов, некропринтеров и бактерий-шпионов. Ниже — семь кейсов современной биомимикрии, от которых немного не по себе. И пара классических историй, которые уже стали хрестоматийными, но все еще впечатляют.

Что происходит, когда ваши собственные исследователи называют вас пропагандистским рупором, почему CEO Anthropic признаёт, что 50% рабочих мест могут исчезнуть, и данные, которые OpenAI отчаянно хочет похоронить.

Ведущие исследователи только что покинули OpenAI. Не ради более высоких зарплат. Не чтобы присоединиться к Google или *Meta. Они ушли, потому что отказались участвовать в том, что считали масштабной пропагандистской операцией.

И то, что происходит за закрытыми дверями, должно беспокоить всех нас.

Том Каннингем, экономист и специалист по данным в OpenAI, уволился в сентябре. В своём внутреннем прощальном сообщении он не стал подбирать слова. По его словам, команда экономических исследований всё дальше уходила от настоящей науки, превращаясь, цитирую, «в пропагандистский рупор своего работодателя».

Начало года. Самое время пересмотреть рабочие процессы. Пока задачи ещё не навалились, можно спокойно попробовать что-то новое. Расскажу про подход, который изменил мою работу за последний год.

В какой-то момент понял, что нужен помощник, который возьмёт на себя рутину. Не замена мне, а усилитель. Чтобы я мог сосредоточиться на архитектурных решениях и сложных случаях, пока кто-то другой пишет типовой код по моим инструкциям.

Этим «кем-то» стали нейросетевые агенты. Расскажу про подход, который мы обкатали на нескольких проектах в рамках экспериментов с этими инструментами.

Привет, Хабр!

Меня зовут Дмитрий Гайдамак. В ПИК я отвечаю за серверную инфраструктуру для проектировщиков и их техническую поддержку. В этом цикле статей я расскажу, как мы внедряли и развивали Omnissa (ранее — VMware) Horizon. И сделаю это глазами инженера, а не менеджера.

Цикл будет полезен ИТ-специалистам — как тем, кто ещё сомневается, с чего вообще начать внедрение, так и тем, кто уже рисует первые наброски архитектуры под себя.

Постепенно мы разберём:

• соображения на тему подбора железа для VDI;

• базовые понятия vSAN и его сайзинг под свои нужды;

• компоненты всей будущей системы VDI;

• балансировку нагрузки и организацию отказоустойчивости решений Omnissa;

• администрирование системы: золотой образ, клоны, пулы;

• доставку приложений AppVolumes;

• возможности кастомизации рабочих мест VDI;

• мониторинг Horizon;

• соображения на тему безопасности stateless рабочих мест;

• брендирование и настройку веб-портала Horizon.

Всё это я постараюсь дополнить реальными случаями из опыта эксплуатации VDI у нас в ПИК. Но всему своё время. Начнём с краткой предыстории.

Существует почти сотня популярных методик управления проектами, а в реальных ситуациях они ещё и смешиваются, образуя комбинации, уникальные для каждого конкретного случая. Практически у каждой компании со временем формируется собственный способ управлять задачами.

Включаясь в чужой проект со стороны, не всегда сразу понимаешь, какие правила здесь действительно работают, — при этом времени на адаптацию никто не закладывает. Решения нужно принимать сразу, действуя внутри уже сложившегося управленческого потока. В такой ситуации становится критически важным иметь универсальный способ быстро схватить суть управления, «срисовать» проектный стиль компании и сразу понять, как действовать дальше.

Мне это хорошо известно — уже пятнадцать лет я разрабатываю и предлагаю приложения в этой области. У моих приложений тысячи пользователей, и ко мне часто обращаются за советом или с пожеланиями. В такие моменты у меня появляется возможность на короткий миг заглянуть в мир чужих забот и увидеть проект пользователя изнутри.

В результате я сталкиваюсь с множеством самых разных проектов — из различных областей деятельности в разных странах мира, с масштабами от студенческих курсовых работ до крупных корпоративных программ.

Чтобы быстрее входить в контекст задач пользователя и действительно быть полезным, у меня возникла потребность систематизировать эти методики — найти общий признак, который позволял бы сопоставлять и сравнивать их между собой.

Что может быть общего у забронзовевшего Waterfall и «выскочки» Agile? Как оказалось — очень многое.

В современном мире данным кроме накапливания ещё присуще такое свойство как двигаться. Причём они движутся постоянно. Пользователи переходят между страницами и приложениями, товары перемещаются по глобальным логистическим сетям, а деньги циркулируют между счетами, банками и платёжными системами.

В таких условиях традиционные инструменты аналитики — таблицы, статические графики и отчёты, хорошо отвечают на вопросы сколько? и ему подобные, но плохо показывают как именно это происходит. Чтобы понять динамику процессов, выявить узкие места и увидеть реальные взаимосвязи, всё чаще используют анимированные визуализации потоков данных.

Именно о них предлагаю поговорить сегодня.

В этой статье разберёмся: зачем вообще нужна анимация данных, какие типы потоковых визуализаций существуют, какие технологии используются для их создания и в каких задачах они дают реальную пользу.

За последние шесть лет испробовал множество аспектов работы с API-контрактами, не только с точки зрения проектирования, но и остальных этапов жизненного цикла этих артефактов.

Так-то API-контракт может быть не просто набором методов, которые «по-бырику» выставили, пока дальше код пишется, а что-то более зрелое и, соответственно, требующее более зрелого и продуманного подхода.

На что стоит обратить внимание при работе с API-контрактами внутри дружественной корпоративной среды множества разрабатываемых ИТ-систем?

Прямо сейчас в вашем ядре есть баги, которые не найдут ещё многие годы. Я знаю это, потому что проанализировал 125183 бага с отслеживаемой меткой Fixes: за 20-летнюю историю Git ядра Linux.

Прежде чем баг обнаружат, он в среднем живёт в ядре 2,1 года. Но в некоторых подсистемах ситуация гораздо хуже: для драйверов шины CAN этот срок в среднем составляет 4,2 года, для сетевого протокола SCTP — 4,0 года. Самый долгоживущий баг в моём датасете (переполнение буфера в ethtool) прятался в ядре 20,7 года. Баг, который я проанализирую в статье подробно (утечка refcount в netfilter), прожил 19 лет.

Я создал инструмент, перехватывающий 92% исторических багов в тестовом датасете на этапе коммитов. Ниже я расскажу, какую информацию мне это дало.

В этой статье мы разберем основные причины деградации производительности иммутабельных сторов в связке с React и рассмотрим подходы к написанию высоконагруженного кода, включая неочевидные и многим не знакомые.

Для большинства людей 2025 год закончился под бой курантов. Но для бизнеса настоящий финал наступает только сейчас — в начале 2026-го. Именно в I квартале происходит «сборка» финансового результата, который определит ваши отношения с налоговой и банками на весь следующий год.

В этой статье мы убрали профессиональный сленг и составили карту отчетной кампании-2026. Здесь то, что вы должны проконтролировать лично руководитель юридического лица: от «точки невозврата» по НДС 26 января до финальной сверки ЕНС в марте.

Вы запускаете сервис и начинаете отправлять письма: транзакционные уведомления, апдейты, подтверждения действий. На старте все выглядит просто — SMTP настроен, письма уходят. А потом внезапно выясняется, что часть писем не доходит, часть улетает в спам, IP-адреса теряют репутацию, а продакт кричит «Где деньги?».

Под катом разберемся, почему это происходит, зачем провайдеры вообще блокируют порт 25, какие варианты организации исходящей почты существуют — и как мы в Selectel пришли к запуску собственного SMTP-сервиса на базе партнерского SMTP-транспорта.

Продолжаем публиковать некоторые детали проектов по миграции больших баз данных 1С с MS SQL Server на PostgreSQL. В прошлый раз речь шла о миграции только одной 10+ Тб базы данных 1С с MS SQL на PostgreSQL. Сегодня речь пойдет о проекте миграции на PostgreSQL сразу сорока с лишним распределенных информационных систем 1C с базами размером от 50 Гб до 2 Тб каждая.

Началось с простого: сделать универсальное ядро для Telegram-ботов на Python и YAML-конфигах. Сейчас Coreness — это мультитенантная платформа, где боты и AI-агенты создаются декларативно, работают с RAG, а весь код написан через вайб-кодинг с помощью LLM.

Это рассказ о том, как в одиночку за пару месяцев удалось пройти путь от Clean Architecture (которая не зашла) до гибридного микса архитектур, от SQLite до production-инфраструктуры с PostgreSQL и десятками ботов в бою, и почему AI-ассистенты — это не магия, а инструмент, требующий совершенно новых навыков.

За долгое время работы в ФинТехе у меня сформировался целый набор привычек, которые можно смело назвать профдеформацией. И тема трансфертного ценообразования (Funds Transfer Pricing) - одна из них. Она позволяет абстрактно и объективно взглянуть с финансовой стороны на любую активность, будь то банковский продукт или жизненный выбор. Казалось бы, концепция применяется давно, но публикаций на эту тему крайне мало (особенно в отношении российского рынка), а те, что есть, написаны в таком сухом академическом стиле, что хочется уснуть после первого абзаца. В этой статье я хочу популяризировать понимание данного понятия, но в простой форме, доступной не только прожженным экономистам.

Мы разберем, как отказ от понятия «Центр Затрат» меняет парадигму управления организацией. Почему в классическом подходе депозит — это пассив и убыток, а в рамках трансфертного ценообразования вопрос ставится иначе: «насколько больше мы получим, если разместим эти средства?». Поговорим о роли Казначейства как «Банка внутри Банка» и о том, как управление маржинальными, а не абсолютными ставками позволяет делегировать решения «на места», сохраняя стратегический контроль.

Я поделюсь практическим опытом внедрения этих принципов в крупном системообразующем банке в период 2013–2015 годов. Расскажу:

Как мы переходили от интуитивного управления к математически обоснованному принятию решений.

Как эта система проявила себя во время декабрьского шока 2014 года, когда краткосрочные ставки взлетели до 40%.

Почему требования к точности прогнозов выросли в разы и как одна ошибка в модели может разрушить показатели эффективности.

Трансфертное ценообразование — это не просто бухгалтерская механика перекладывания денег из одного кармана в другой. Это инструмент, который навсегда меняет взгляд на экономику проектов.

Из всего многообразия жанров, которые были представлены на домашних компьютерах 80-х и 90-х, один — незаслуженно забыт, хотя в своё время был дико популярным. Англоговорящие товарищи называют его Platform Adventure или Arcade Adventure, а в русском языке устоявшегося названия нет. Но можно условиться на «аркадном квесте» — почему бы и нет?

Владельцам ZX Spectrum этот жанр, скорее всего, известен по серии игр про Диззи. Помимо привычной беготни с прыжками в стиле Super Mario Bros., в таких играх нужно решать разные задачки‑головоломки и общаться с персонажами.

Например, самая простая задачка выглядит так: нужно выбраться из подвала с деревянной дверью, имея в своём распоряжении пучок сухих листьев, спички и ведро с водой. Решение очевидное: листья положить под дверь, поджечь, дождаться, когда дверь сгорит вместе с листьями, а затем потушить огонь водой. Есть и сложные задачи — ради их решения нужно несколько раз пробежать всю доступную карту, поболтать с десятком персонажей и использовать дюжину разных предметов.

Аркадные квесты всегда вызывают живой интерес посетителей Яндекс Музея, потому что геймплей кардинально отличается от того, к чему они привыкли. Сейчас этот жанр не очень востребован: платформеры и прочие аркады выходят отдельно, а квесты и прочие приключенческие игры — тоже сами по себе. Разумеется, есть исключения, но их мало, и это, как правило, инди‑игры, не претендующие на широкую известность и большие продажи.

Но в 80-е аркадные квесты гремели если не на весь мир, то как минимум на всю Европу. Игры этого жанра попадали в топы продаж, а то и вовсе занимали в них первые места. Наибольшая популярность, само собой, досталась вышеупомянутому Диззи, поэтому аркадные квесты частенько называют «диззиподобными» играми. Вот только это определение не очень справедливое, ведь жанр зародился за три года до появления Dizzy — The Ultimate Cartoon Adventure.

Нет, первым было отнюдь не улыбающееся яйцо в боксёрских перчатках. Первым был простой британский трудяга по имени Уолли Уик. А игрой, породившей целый жанр, — Pyjamarama. 

2026 год — это новая эпоха Авито. Площадка полностью перестраивает ранжирование, переходя от «количества объявлений» к «качеству профиля».
И если раньше можно было жить на дублирующих объявлениях и рандомных ключах, то сегодня это путь в никуда.

Разбираем, что поменялось и как теперь Авито распределяет трафик.

Авито уходит от количества к качеству

Главная цель платформы — избавить выдачу от фейков, мусора и низкокачественных карточек.
Алгоритм старается показать пользователю то, что с максимальной вероятностью приведёт к контакту.

Поэтому ключевым становятся:

• качество карточки (фото, описание, категория);
• поведение пользователей: смотрят ли фото, читают ли текст, листают ли дальше;
• рейтинг профиля;
• живые контакты;
• отсутствие дублей.

Почему старые схемы больше не работают

«Создадим 20 карточек — одна точно стрельнет» — больше не работает.
Дубли режутся, позиции не растут, а профиль может вообще попасть под скрытые санкции.

«Набросаем ключей в описание» — тоже не работает.
Алгоритм анализирует смысл, качество контента и взаимодействия, а не набор слов.

Продвижение на Авито в 2026 — это игра в глубину, а не в ширину.

Как устроено ранжирование

Схема упрощённо выглядит так:

Большие языковые модели (LLM) сегодня умеют невероятно много — от генерации текста до сложного анализа данных. Но что происходит, если часть информации, на которой они обучались, нужно удалить? Просто убрать лишние данные и переобучить модель может быть слишком накладно и дорого.

Всем привет! Меня зовут Вадим, я Data Scientist в компании Raft. В этой статье я расскажу о достаточно новом направлении машинного разучивания (Machine Unlearning), которое позволяет моделям “забывать” не нужные знания без полного их переобучения.