Awesome GitHub RepositoriesFlamegraph Generators

The 1BRC (One Billion Row Challenge) is a Java performance benchmarking exercise that processes one billion temperature records from a text file to compute the minimum, mean, and maximum temperature per weather station. At its core, it is a large-scale data aggregation challenge designed to test how efficiently a Java program can parse and aggregate structured data from a plain text file, serving as both a programming exercise and a benchmark for Java performance optimization. The project distinguishes itself through a collection of performance-oriented architectural patterns for high-through

Pixie is an open-source observability platform for Kubernetes that uses eBPF to automatically capture telemetry data from clusters without requiring any manual instrumentation or code changes. It functions as an eBPF telemetry collector, a continuous application profiler, a network traffic analyzer, and a scriptable telemetry query engine, all within a single Kubernetes-native tool. The platform distinguishes itself through several integrated capabilities. It continuously samples stack traces from compiled-language code to identify CPU performance bottlenecks, visualizing the results as inter

Ce projet est un utilitaire de profilage écrit en Rust qui capture, transforme et visualise les piles d'appels de fonctions pour identifier les goulots d'étranglement des performances du système. Il fonctionne comme un wrapper de profileur d'échantillonnage qui convertit les données de profilage brutes en flamegraphs interactifs, qui sont des cartes hiérarchiques de la consommation des ressources. L'outil fournit une intégration spécialisée avec le système de build Rust pour profiler les binaires et les benchmarks de performance. Il permet également des configurations de profilage personnalisées, permettant aux utilisateurs d'outrepasser les outils de profilage système par défaut ou les indicateurs d'enregistrement pour contrôler la manière dont les données sont collectées. L'utilitaire prend en charge la surveillance des performances des applications et l'analyse de l'exécution binaire. Il peut capturer des données de performance en s'attachant à un ID de processus actif pour analyser une application en cours d'exécution sans nécessiter de redémarrage.

Ce projet est une ressource éducative fournissant un tutoriel de développement complet pour écrire et charger des programmes eBPF en utilisant C, Go et Rust au sein du noyau Linux. Il sert de guide technique pour développer une logique personnalisée à exécuter directement dans le noyau. Les matériaux couvrent des domaines spécialisés, notamment l'observabilité et le traçage du noyau, l'implémentation de la sécurité pour la détection d'intrusion et l'ingénierie réseau haute performance pour le filtrage de paquets et l'équilibrage de charge. Il inclut également des manuels dédiés pour le traçage du noyau Linux et l'utilisation de kprobes, uprobes et tracepoints. Le projet englobe un large éventail de domaines de capacités, tels que l'instrumentation du noyau, la surveillance et l'observabilité du système, l'analyse réseau et l'application de la sécurité. Il s'étend en outre au débogage au niveau matériel pour les GPU et les pilotes, ainsi qu'à la manipulation système de bas niveau et à la gestion des ressources.

Ce projet est un outil d'analyse de performance pour les applications Ruby utilisant l'interface Rack. Il surveille les temps d'exécution des requêtes et l'utilisation des ressources, servant de profileur pour les applications web afin de mesurer la latence et d'identifier les goulots d'étranglement. L'outil fournit des analyseurs spécifiques pour la performance des requêtes de base de données, les allocations de mémoire et les statistiques de garbage collection. Il génère des flamegraphs de pile d'appels pour visualiser la distribution du temps à travers les méthodes et affiche des badges de vitesse et des métriques de timing directement sur les pages HTML. Le système couvre des capacités de profilage de performance plus larges incluant le suivi de blocs de code personnalisés, l'exportation de données de profilage vers des URL distantes et l'échantillonnage de performance en production. Il inclut des mécanismes pour la persistance des données de profilage à travers différents backends de stockage et implémente un contrôle d'accès pour restreindre qui peut voir les métriques de performance sensibles.