Newsletter #73

Gầy đây mình mới biết OpenRouter đã hỗ trợ tích hợp Claude Code, nên nay dùng thử. Bài viết này được thực hiện bởi Claude Code + Open Router + Z.AI: GLM 4.5 Air (free). Mời bạn thưởng thức Newsletter #73.

System Design Deep Dive: Time Series Databases (TSDBs) Explained

Cơ sở dữ liệu chuỗi thời gian (TSDB) là giải pháp tối ưu cho dữ liệu có thứ tự thời gian, cung cấp khả năng nhập dữ liệu hiệu suất cao và truy vấn nhanh chóng dựa trên thời gian. Khác với cơ sở dữ liệu truyền thống, TSDB tập trung vào dữ liệu có dấu thời gian và xử lý chúng xuất sắc.

TSDB có đặc điểm nổi bật: nén dữ liệu hiệu quả bằng các kỹ thuật như mã hóa delta và mã hóa độ dài chạy; tự động quản lý vòng đời dữ liệu với chính sách lưu trữ và giảm mẫu; truy phạm vi thời gian nhanh chóng nhờ tính năng chỉ mục thời gian.

Ứng dụng phổ biến: giám sát hạ tầng theo dõi chỉ số máy chủ và ứng dụng; xử lý dữ liệu cảm biến IoT từ các thiết bị liên tục.

So với cơ sở dữ liệu quan hệ, TSDB vượt trội ở việc ghi tần suất cao và truy vấn phạm vi thời gian nhanh trên dữ liệu tuần tự, trong khi cơ sở dữ liệu quan hệ phù hợp hơn cho các phép nối phức tạp và cập nhật thường xuyên.

TSDB sử dụng nén, giảm mẫu và chính sách lưu trữ để quản lý hiệu quả khối lượng dữ liệu lịch sử lớn, giúp giảm phân giải dữ liệu cũ bằng cách tổng hợp vào các khoảng thời gian thô hơn.

Điểm chính:

TSDB tối ưu cho dữ liệu có thứ tự thời gian với khả năng nhập liệu hiệu suất cao
Sử dụng các kỹ thuật nén đặc biệt (delta encoding, run-length encoding)
Tự động quản lý vòng đời dữ liệu với chính sách lưu trữ và giảm mẫu
Phù hợp cho giám sát hạ tầng và xử lý dữ liệu IoT
Vượt trội hơn cơ sở dữ liệu quan hệ cho ghi tần suất cao và truy vấn theo thời gian

How Memory Maps (mmap) Deliver 25x Faster File Access in Go

Bài viết trình bày về cơ chế sơ đồ bộ nhớ (mmap) trong Unix, cho phép xử lý tệp như một phần của bộ nhớ ảo. Thay vì sử dụng thao tác tìm kiếm/đọc truyền thống, mmap cung cấp con trỏ trực tiếp đến dữ liệu tệp trong bộ nhớ.

Các bài kiểm tra hiệu suất cho thấy:

Tra cứu ngẫu nhiên (ReaderAt): 416.4 ns/op
Tra cứu ngẫu nhiên (mmap): 3.3 ns/op
Lặp lại (ReaderAt): 333.3 ns/op
Lặp lại (mmap): 1.3 ns/op

Đối với ghi dữ liệu, mmap kém hiệu quả hơn do lỗi trang, với thời gian 1870 ns/op khi trang chưa được ánh xạ. Tác giả đã ứng dụng mmap trong hệ thống tệp HTTP, đạt được cải thiện hiệu suất 25 lần, giúp giảm đáng kể áp lực bộ nhớ và độ trễ.

Mặc dù có hạn chế khi ghi, mmap vẫn là giải pháp tối ưu cho các ứng dụng yêu cầu tốc độ truy cập tệp cao.

Điểm chính:

mmap cho phép xử lý tệp như phần của bộ nhớ ảo trong Unix
Đạt hiệu suất 25 lần nhanh hơn phương pháp truyền thống
Hiệu quả cao cho đọc dữ liệu nhưng kém hơn khi ghi do lỗi trang
Phù hợp cho các ứng dụng yêu cầu tốc độ truy cập tệp cao
Giảm đáng kể áp lực bộ nhớ và độ trễ trong hệ thống

Bloom filters

Bloom filters là cấu trúc dữ liệu xác suất để kiểm tra thành viên tập hợp hiệu quả. Được Burton Bloom đề xuất vào năm 1970, chúng hoạt động bằng cách sử dụng nhiều hàm băm để đặt các bit trong một mảng bit.

Ưu điểm chính:

Không bao có kết quả âm giả
Hiệu quả về mặt không gian
Thời gian tìm kiếm hằng số
Đặc biệt hữu ích khi hầu hết các truy vấn kiểm tra sự không thuộc về tập hợp

Nguyên lý hoạt động:

Chèn mục: Băm mục bằng k hàm băm và đặt các bit tương ứng thành 1
Kiểm tra: Nếu bất kỳ bit nào là 0, chắc chắn mục không có; nếu tất cả là 1, có thể có kết quả dương giả

Công thức tối ưu:

Tỷ lệ bit trên phần tử: m/n ≈ -ln(ε)/ln²(2)
Số hàm băm tối ưu: k = (m/n)·ln(2)

Ví dụ thực tế: Với 1 tỷ mục và tỷ lệ lỗi 1%, cần khoảng 1.2GB không gian.

Điểm chính:

Bloom filters là cấu trúc dữ liệu xác suất cho kiểm tra thành viên tập hợp
Sử dụng nhiều hàm băm để đặt bit trong mảng bit
Có thể có kết quả dương giả nhưng không bao có kết quả âm giả
Hiệu quả về mặt không gian và thời gian tìm kiếm hằng số
Phù hợp cho các hệ thống yêu cầu kiểm tra nhanh sự không thuộc về tập hợp

What the heck is AEAD again?

AEAD là tiêu chuẩn mã hóa hiện đại, kết hợp mã hóa xác thực và dữ liệu liên kết. Giải pháp này đảm bảo bảo vệ cả thông điệp mã hóa và dữ liệu không mã hóa đi kèm, ngăn chặn tấn công thay đổi nội dung. Thay vì thực hiện riêng biệt như trước, thư viện mã hóa hiện đại như libsodium cung cấp API đơn giản, giảm thiểu lỗi. Các thuật toán phổ biến gồm AES256-GCM và ChaCha20-Poly1305, nhưng việc lựa chọn nên dựa trên yêu cầu cụ thể của hệ thống.

Điểm chính:

AEAD kết hợp mã hóa xác thực và dữ liệu liên kết trong một giải pháp duy nhất
Đảm bảo bảo vệ cả thông điệp mã hóa và dữ liệu không mã hóa đi kèm
Ngăn chặn tấn công thay đổi nội dung (tampering)
Thư viện hiện đại như libsodium cung cấp API đơn giản, giảm thiểu lỗi
Các thuật toán phổ biến: AES256-GCM và ChaCha20-Poly1305

Ceilometer: Khung đo lường thích ứng của Uber

Ceilometer là khung đo lường thích ứng của Uber, được thiết kế để hỗ trợ quyết định cơ sở hạ tầng và duy trì tiêu chuẩn hiệu suất cao. Hệ thống này có khả năng hoạt động trên nhiều khung kiểm thử khác nhau, bao gồm cả kiểm thử tổng hợp (synthetic), có trạng thái (stateful) và không trạng thái (stateless).

Ứng dụng chính:

Định hình (shape qualification): Đánh giá các loại máy chủ mới, từ giai đoạn phát triển của nhà cung cấp đến triển khai thực tế trong môi trường Uber.
Xác minh thay đổi (change validation): Đánh giá bất kỳ thay đổi nào đối với cơ sở hạ tầng hiện có, hợp tác với chủ sở hữu dịch vụ để đảm bảo hiệu suất chính xác.

Triển khai trong tương lai:

Tích hợp AI/ML sâu hơn
Hỗ trợ hệ sinh thái rộng hơn
Phát hiện bất thường tiên tiến
Tích hợp chỉ số sử dụng thành phần
Kiểm tra xác định liên tục

Ceilometer đã đáp ứng nhu cầu đo lường thích ứng của Uber, thể hiện khả năng thích nghi với các yếu tố quan trọng, và tiếp tục phát triển để đáp ứng các yêu cầu đo lường tiên tiến tại Uber.

Điểm chính:

Ceilometer hỗ trợ quyết định cơ sở hạ tầng và duy trì tiêu chuẩn hiệu suất cao
Hoạt động trên nhiều khung kiểm thử khác nhau (synthetic, stateful, stateless)
Hai ứng dụng chính: định hình máy chủ mới và xác minh thay đổi cơ sở hạ tầng
Tích hợp với chủ sở hữu dịch vụ để đảm bảo hiệu suất chính xác
Tiếp tục phát triển với các tính năng AI/ML và phát hiện bất tiên tiến

Useful patterns for building HTML tools

Bài viết trình bày các mẫu hữu ích để xây dựng công cụ HTML - ứng dụng kết hợp HTML, JavaScript và CSS trong một tệp duy nhất. Tác giả đã phát triển hơn 150 công cụ như vậy trong hai năm qua, chủ yếu do LLM viết.

Các điểm chính bao gồm:

Kiến trúc cơ bản: một tệp duy nhất, không sử dụng React, tải phụ thuộc từ CDN
Tạo mẫu với Artifacts hoặc Canvas
Sử dụng localStorage để lưu trạng thái hoặc bí mật
Tận dụng API có CORS và WebAssembly
Xây dựng công cụ gỡ lỗi để khám phá khả năng
Phối hợp lại các công cụ trước đó

Bài viết khuyến khích người đọc bắt đầu xây dựng bộ sưu tập công cụ riêng, sử dụng GitHub Pages để lưu trữ và chia sẻ.

Điểm chính:

Công cụ HTML là ứng dụng kết hợp HTML, JavaScript và CSS trong một tệp duy nhất
Kiến trúc đơn giản: một tệp, không React, phụ thuộc từ CDN
Tận dụng localStorage, API có CORS và WebAssembly
Tác giả đã phát triển hơn 150 công cụ như vậy trong hai năm
Khuyến khích bắt đầu xây dựng bộ sưu tập công cụ riêng và chia sẻ trên GitHub Pages

Memory Allocation in Go

Bài viết này phân tích chi tiết cơ chế phân bổ bộ nhớ trong Go, một chủ đề quan trọng để tối ưu hiệu suất ứng dụng. Go sử dụng hệ thống phân cấp với ba thành phần chính: mheap (quản lý bộ nhớ toàn cục), mcentral (trung tâm phân bổ span) và mcache (bộ đệm bộ nhớ trên mỗi processor P).

Go chia đối tượng thành ba loại dựa trên kích thước: tiny (<16 bytes), small (16-32760 bytes) và large (>32760 bytes). Mỗi loại có cách phân bổ riêng biệt. Tiny objects được xử lý hiệu quả bằng allocator chuyên dụng, trong khi small objects được quản lý qua các span với 68 size class khác nhau. Large objects được phân bổ trực tiếp từ mheap.

Stack của goroutine cũng được quản lý linh hoạt, bắt đầu với 2KB và có thể tăng gấp đôi khi cần thiết. Go sử dụng cơ chế contiguous stacks để tránh vấn đề performance của segmented stacks.

Phân tích escape analysis quyết định biến nên được phân bổ trên stack hay heap, đảm bảo an toàn bộ nhớ. Các nghiên cứu tình huống cho thấy cách tối ưu như tái sử dụng slice, nhóm biến thành struct và dùng sync.Pool để giảm số lần phân bổ bộ nhớ.

Hiểu rõ cơ chế này giúp developer viết mã hiệu quả hơn và tránh các vấn đề về hiệu suất liên quan đến quản lý bộ nhớ.

Điểm chính:

Go sử dụng hệ thống phân cấp ba cấp: mheap, mcentral và mcache
Đối tượng chia thành three loại: tiny (<16B), small (16-32760B) và large (>32760B)
Tiny objects dùng allocator chuyên dụng, small objects quản lý qua span
Stack goroutine bắt đầu 2KB, tăng gấp đôi khi cần
Escape analysis quyết định stack/heap allocation
Tối ưu: tái sử dụng slice, group variables, dùng sync.Pool

System Design Masterclass: Building a Global CDN and Edge Caching Strategy

Bài viết hướng dẫn cách thiết kế mạng phân phối nội dung (CDN) toàn cầu và chiến lược caching tại edge để cung cấp nội dung với tốc độ ánh sáng trên toàn thế giới. CDN hoạt động như một mạng lưới máy chủ phân phối toàn cầu, lưu trữ bản sao nội dung từ máy chủ gốc và phân phối cho người dùng từ vị trí gần nhất.

Nguyên tắc hoạt động chính:

Đưa nội dung gần với người dùng
Giảm độ trễ và tải cho máy chủ gốc
Cải thiện tốc độ tải trang và trải nghiệm người dùng
Bảo vệ khỏi các tấn công DDoS

Các yếu tố quan trọng khi thiết kế CDN:

Phân loại nội dung: static (hình ảnh, CSS/JS, video) và dynamic (API response, trang cá nhân hóa)
Cấu hình TTL (Time-to-Live) cho từng loại nội dung
Xử lý cache invalidation khi nội dung cập nhật
Sử dụng anycast network để định tuyến thông minh
Tích hợp với SSL offloading và DDoS protection

Chiến lược caching hiệu quả:

Cache static assets với TTL dài (tuần/tháng)
Sử dụng micro-caching cho dynamic content (vài giây/phút)
Kết hợp TTL expiry, manual purge và versioning
Giám sát cache hit ratio để tối ưu hóa

Điểm chính:

CDN là mạng lưới máy phân phối nội dung toàn cầu, giảm độ trễ bằng cách lưu cache tại edge
Phân loại nội dung static/dynamic để áp dụng chiến lược caching phù hợp
TTL expiry, manual purge và versioning là ba phương pháp chính cho cache invalidation
Anycast network giúp định tuyến người dùng đến server gần nhất
Giám sát và tối ưu liên tục là chìa khóa để CDN hoạt động hiệu quả

Protect Your API: A Developer’s Guide to Rate Limiting and Throttling

Bài viết cung cấp hướng dẫn toàn diện về rate limiting và throttling để bảo vệ API khỏi các tấn công và quá tải. Trong kỹ thuật phần mềm, một sự thật cơ bản là tài nguyên là hữu hạn. Mọi hệ thống đều có điểm giới hạn, và nếu không có cơ chế kiểm soát, một đợt tăng traffic đột ngột có thể làm sập toàn bộ hệ thống.

Rate limiting là cơ chế quản lý luồng dữ liệu, đặt giới hạn về số lần một người dùng có thể thực hiện hành động trong một khoảng thời gian nhất định. Giống như giới tốc độ trên đường cao tốc, nó ngăn chặn xe (dữ liệu) đi quá nhanh gây tai nạn (máy chủ bị crash).

Các ứng dụng chính:

Ngăn chặn tấn công DDoS bằng cách phát hiện và chặn các địa chỉ IP gửi lượng yêu cầu bất thường
Quản lý tài nguyên và chi phí, đảm bảo công bằng giữa các người dùng
Ngăn chặn tấn công brute force bằng giới hạn số lần thử đăng nhập

Điểm chính:

Rate limiting là thành phần quan trọng trong việc xây dựng hệ thống phân tán đáng tin cậy
Ba thuật toán phổ biến: Token Bucket (cho phép traffic đột phá), Leaky Bucket (luồng ổn định), Fixed Window, Sliding Window
HTTP status code 429 Too Many Requests được dùng khi bị rate limit
Cần cân bằng giữa bảo mật và trải nghiệm người dùng
Triển khai tại application layer hoặc middleware layer

ACID vs BASE: The System Design Interview

Bài viết giải thích sự khác biệt cơ bản giữa hai triết lý thiết kế cơ sở dữ liệu: ACID và BASE - sự đánh đổi giữa tốc độ và độ tin cậy trong các hệ thống phần mềm lớn.

Mỗi hệ thống lớn phải cân bằng hai yếu tố đối lập: tốc độ và độ tin cậy. Khi thiết kế cơ sở dữ liệu, bạn buộc phải chọn một triết lý: hệ thống là một người hoàn hảo khắt khe đảm bảo tính chính xác tuyệt đối ngay cả khi có nghĩa là chậm lại, hay một hệ thống linh hoạt và cực nhanh ngay cả khi có nghĩa là dữ liệu không được đồng bộ hóa hoàn hảo trong vài giây?

ACID (Người Hoàn Hảo Khắt Khe) Là tiêu chuẩn vàng cho cơ sở dữ liệu quan hệ trong nhiều thập kỷ. ACID ưu tiên tính nhất quán và an toàn trên hết.

Atomicity: Hoàn toàn hoặc không gì cả - giao dịch được xử lý như một đơn vị duy nhất
Consistency: Tuân thủ quy tắc - đảm bảo dữ liệu chuyển từ trạng thái hợp lệ sang trạng thái hợp lệ khác
Isolation: Chờ lượt - các giao dịch đồng thời không can thiệp vào nhau
Durability: Viết bằng đá - dữ liệu được cam kết sẽ tồn tại vĩnh viễn

Hạn chế của ACID là khó mở rộng ngang (horizontal scaling) khi dữ liệu được phân tán trên nhiều máy chủ.

BASE (Triết lý cho Big Data) Được tạo ra cho kỷ nguyên Big Data và hệ thống phân tán, thường được sử dụng bởi NoSQL databases.

Basically Available: Hệ thống luôn sẵn sàng cung cấp phản hồi
Soft State: Trạng thái hệ thống có thể thay đổi theo thời gian ngay cả khi không có đầu vào mới
Eventual Consistency: Dữ liệu sẽ đồng bộ hóa cuối cùng

Khi nào nên dùng từng triết lý:

ACID: Hệ thống tài chính, quản lý kho, hồ sơ y tế (nơi tính chính xác là quan trọng)
BASE: Mạng xã hội, phân tích thời gian thực, phân phối nội dung (nơi tốc độ và khả năng mở rộng quan trọng)

Điểm chính:

ACID là bi quan: giả định mọi thứ sẽ vỡ nên khóa mọi thứ lại
BASE là lạc quan: giả định mọi thứ sẽ ổn định nên tiếp tục chạy nhanh
Sự đánh đổi: bạn thường đánh đổi tính nhất quán ngay lập tức để có sẵn cao và hiệu suất
Quy tắc quyết định: “Nếu dữ liệu sai 2 giây, có ai mất tiền không?” - Nếu có thì dùng ACID, nếu không thì BASE

Hash tables in Go and advantage of self-hosted compilers

Bài viết khám phá cách Go triển khai bảng băm (hash table), tập trung vào hiệu quả sử dụng bộ nhớ khi sử dụng map[int]struct{} so với map[int]bool để theo dõi các giá trị duy nhất.

Go thiếu cấu trúc dữ liệu set tích hợp, vì vậy các nhà phát triển sử dụng hash maps để tạo set. Trong các phiên bản trước Go 1.24, việc sử dụng struct{} giúp tiết kiệm bộ nhớ bằng cách bỏ qua phần giá trị. Tuy nhiên, với Tables Swiss trong Go 1.24, cả hai cách tiếp cận đều có mức sử dụng bộ nhớ giống hệt nhau.

Điểm thú vị về lưu trữ bộ nhớ:

“Các struct cần padding để đảm bảo căn chỉnh bộ nhớ đúng cách”
“Lượng bộ nhớ mà một struct sử dụng không luôn bằng tổng của các trường của nó”

Bài viết cũng đề cập đến LLM có thể cung cấp thông tin không cập nhật về tối ưu hóa hash table của Go. Trình biên dịch tự托管 (self-hosted) của Go cho phép kiểm tra các chi tiết triển khai, giúp các nhà phát triển hiểu rõ hơn về cách thức hoạt động thực sự của các cấu trúc dữ liệu bên trong.

Điểm chính:

Go thiếu set data structure tích hợp, nên dùng hash maps thay thế
Go 1.24 với Swiss Tables làm cho cả map[int]struct{} và map[int]bool có cùng mức sử dụng bộ nhớ
Yêu cầu căn chỉnh bộ nhớ có thể ảnh hưởng đến tối ưu hiệu suất
Cần cân nhắc tính đọc khi chọn giữa bool và struct{} implementations
Trình biên dịch tự托管 của Go giúp kiểm tra chi tiết triển khai

Gist of Go: Concurrency

Một cuốn sách tương tác dạy lập trình đồng thời trong Go thông qua bài tập thực hành, nhắm đến các lập trình viên đã quen thuộc với cơ bản Go. Cuốn sách bao gồm các nguyên lý đồng thời, kỹ thuật đồng bộ hóa và cách tiếp cận kiểm thử với hơn 50 bài tập tự động kiểm tra.

Điểm khác biệt của cuốn sách này là nó không chỉ giới thiệu về goroutine, channel và select, mà tập trung vào việc giúp người đọc thực sự hiểu và áp dụng các nguyên lý đồng thời. Mỗi bài tập đều đủ đơn giản để có thể giải quyết với một trang mã nhưng lại sát với các kịch bản thực tế.

Nội dung chính:

Phần 1: Nguyên lý cơ bản - Goroutines, Channels, Pipelines, Time, Context
Phần 2: Đồng bộ hóa - Wait groups, Data races, Race conditions, Semaphores, Signaling, Atomics
Phần 3: Các chủ đề khác - Testing, Internals

Đặc điểm nổi bật:

500+ ví dụ tương tác
50 bài tập tự động kiểm tra (có lời giải)
PDF 448 trang
Nội dung 100% gốc, không phải do AI tạo ra

Tác giả Anton Zhiyanov đã dựa trên khóa học Go concurrency của mình (250 học viên, đánh giá 5 sao) để tạo ra cuốn sách này, giúp người học nắm vững lập trình đồng thời trong Go một cách thực tế.

Điểm chính:

Tập trung vào hiểu và áp dụng thực tế chứ không chỉ lý thuyết
Bài tập đơn giản nhưng sát với thực tế
Kết hợp giữa giải thích rõ ràng và ví dụ cụ thể
Hỗ trợ đọc trực tuyến và tải PDF
Phù hợp cho lập trình viên đã biết cơ bản Go

The State of AI Coding 2025 | Greptile

Báo cáo này là một nghiên cứu đa ngành về các xu hướng gần đây trong phát triển phần mềm AI, khám phá tốc độ đội kỹ sư, việc áp dụng công cụ AI, xu hướng tăng trưởng mô hình và điểm chuẩn hiệu suất.

Greptile đã thực hiện nghiên cứu này để cung cấp cái nhìn toàn cảnh về trạng thái hiện tại của lập trình AI vào năm 2025. Báo cáo tập trung vào các khía cạnh chính:

Tốc độ đội kỹ sư (Engineering Team Velocity) Các công cụ AI đang thay đổi cách các đội kỹ sư làm việc, giúp tăng tốc độ phát triển và cải thiện chất lượng mã nguồn. Nghiên cứu có thể phân tích mức độ cải thiện về thời gian hoàn thành công việc và giảm lỗi.

Việc áp dụng công cụ AI (AI Tool Adoption) Xu hướng sử dụng các công cụ AI trong phát triển phần mềm đang tăng mạnh. Báo cáo có thể đưa ra số liệu thống kê về tỷ lệ sử dụng các công cụ AI IDE, trợ lý lập trình và các nền tảng code review tự động.

Xu hướng tăng trưởng mô hình (Model Growth Trends) Các mô hình AI lớn đang phát triển nhanh chóng về cả quy mô và khả năng. Nghiên cứu có thể so sánh các mô hình khác nhau về hiệu suất, chi phí và ứng dụng thực tế.

Điểm chuẩn hiệu suất (Performance Benchmarks) Đánh giá hiệu suất của các giải pháp AI coding thông qua các chỉ số như độ chính xác, tốc độ xử lý và khả năng hiểu ngữ cảnh của codebase.

Báo cáo này cung cấp dữ liệu quý giá cho các nhà phát triển, quản lý dự án và các tổ chức muốn hiểu rõ hơn về cách AI đang định hình tương lai của ngành phát triển phần mềm.

Điểm chính:

Nghiên cứu đa ngành về các xu hướng AI trong phát triển phần mềm
Tập trung vào tốc độ đội kỹ sư, adoption rate, và hiệu suất mô hình
Cung cấp điểm chuẩn và số liệu thống kê thực tế
Giúp các tổ chức hiểu rõ tác động của AI đến quy trình phát triển
Định hướng cho các chiến lược áp dụng AI coding tools

Bonus

Images

A Guide to Retry Pattern in Distributed Systems

Đánh giá: Tốc độ xử lý urls rất chậm, mình mất cực nhiều thời gian so với trước kia để xử lý 1 url. Tóm tắt khi ngắn khi dài, lại còn đôi khi lẫn lộn kí tự tiếng Trung vào nữa (có vẻ là do model của Z.AI)