最新

我注意到我电脑上的一些应用程序出现了超时问题。<p>例如，我的浏览器在访问一个名为 aws_sessions.json 的文件时超时了，而且，对该地址进行“whois”查询显示它是一个亚马逊服务器。<p>今天还有其他人遇到这种情况吗？

我们比较了在2025年挑战InVideo的最新AI视频工具。本文将分析创作者们如何转向更快、更具创造力的平台，以及这4款工具在实际工作流程中脱颖而出的原因。

我们过去使用 django-easy-audit 来追踪 Django 中的 CRUD 和 API 事件。 问题在于：每次操作都意味着额外的数据库写入，这减慢了事务处理速度，增加了基础设施成本，并且审计表也不太适合用于分析。 我构建了 django-activity-audit (PyPI) 来解决这个问题： * 使用自定义的 AUDIT 和 API 级别扩展了 Django 的日志系统。 * 将 CRUD + API 请求/响应事件捕获为结构化的 JSON 日志。 * 使用 Vector 将日志进行尾部追踪，并将它们发送到 ClickHouse。 * Grafana 使它们可查询和可视化。 这消除了额外的数据库写入，提供了可用于分析的结构化数据，并降低了成本。 好奇的是——其他人是如何在 Django（或其他框架）中处理审计日志的？你们会记录它、写入数据库，还是完全采用其他方式？

大家好，我是 Basekick Labs 的创始人 Ignacio。<p>过去几个月，我一直在构建 Arc，这是一个时间序列数据平台，旨在结合极快的摄取速度和强大的分析查询能力。<p>Arc 的功能是什么？通过二进制 MessagePack API（快速通道）摄取数据，与现有工具（如 InfluxDB，我曾是 Influxer）的 Line Protocol 兼容，将数据存储为 Parquet 格式，按小时进行分区，使用 DuckDB 引擎通过 SQL 进行查询。<p>我为什么构建它：<p>许多系统迫使你在数据保留、吞吐量或复杂性之间做出权衡。我想要一个摄取性能不会影响分析的系统。<p>我目前获得的性能和基准测试数据：<p>写入吞吐量：在我的 M3 Pro Max（14 核，16GB 内存）上，使用 MessagePack 协议，未经调优的情况下，约为每秒 188 万条记录。 在 AWS c6a.4xlarge 上运行 ClickBench 测试：冷启动 35.18 秒，热启动约 0.81 秒（43/43 个查询成功） 在这些测试中，为了符合基准测试规则，禁用了缓存；在生产环境中启用缓存可以使重复查询的速度提高约 20%。<p>我已经开源了 Arc 代码库，你可以深入了解实现、基准测试和代码。非常欢迎你的想法、批评和用例建议。<p>谢谢！