标签：#acid

Flock em Wisconsin: por que 200 cidades derrubaram as câmeras colaborativas e o que fazer agora Introdução Em menos de um ano, a promessa de “vigilância democrática” da startup Flock virou manchete de retirada massiva: mais de 200 municípios de Wisconsin removeram os dispositivos instalados pelos próprios moradores. Falhas de privacidade, vazamento de imagens e retorno financeiro bem abaixo do esperado foram o gatilho de uma revolta que ainda ecoa nos fóruns de segurança pública. Este artigo prático mostra o que aconteceu , como a tecnologia funciona , quais foram os erros críticos e, principalmente, o que municípios, desenvolvedores e cidadãos podem fazer para evitar outro desastre . 1. Como a Flock operava (e onde estava o ponto fraco) Camada O que a Flock oferecia Problema crítico Hardware Câmeras IP de 1080p, custo médio US$ 45, instaladas em postes ou residências. Firmware aberto, sem assinatura digital – facilitava modificação mal‑intencionada. Conectividade Wi‑Fi ou rede celular 4G via SIM pré‑pago. Dados trafegados em HTTP sem TLS em 30 % das unidades. Armazenamento Cloud da própria Flock (AWS S3) com retenção de 90 dias. Criptografia “em repouso” apenas com chaves gerenciadas pela empresa; acesso interno ilimitado. Analytics IA de detecção de movimento e reconhecimento de objetos (pessoas, veículos). Modelo treinado com imagens públicas, mas sem anonimização – violava a Lei de Privacidade de Dados de 2022 (Wisconsin). Dashboard Portal web para gestores municipais visualizarem fluxos em tempo real. Falta de auditoria de logs; permissões de leitura concedidas a todos os usuários do portal. Exemplo de configuração vulnerável (arquivo flock_camera.conf ) # Configuração padrão enviada a todos os dispositivos [network] wifi_ssid = "FlockPublic" wifi_password = "default123" ; senha padrão nunca alterada [security] tls_enabled = false ; HTTP puro auth_token = "abcdef123456" ; token fixo, reutilizado em milhares de câmeras [storage] bucket = "flock-data-wi" encrypti

El Problema Quería hacer preguntas sobre mi propia documentación y fotos sin enviarlas a un servicio de IA en la nube. Cosas simples como: "¿Cuánto gasté en electricidad el año pasado?" "¿Qué documentos tengo sobre el seguro del coche?" "¿Cuántas fotos hice en España en 2023?" Pero no quería que mis facturas, contratos y fotos familiares acabaran en los datos de entrenamiento de otra persona. El Stack Componente Propósito Paperless-ngx Archivo de documentos, OCR, metadatos estructurados Immich Copia de seguridad de fotos y vídeo ChromaDB Índice de búsqueda semántica Ollama Inferencia local de LLM Open WebUI Interfaz de chat unificada MCP Herramientas deterministas para datos estructurados LiteLLM Enrutamiento de modelos Todo se ejecuta en una sola máquina Windows 11 con una RTX 5080 16GB. Una Orange Pi 5 Plus se encarga de los backups. Dos Lecciones Difíciles 1. Las herramientas deterministas ganan al razonamiento de LLM para cualquier cosa contable Empecé pidiéndole al modelo que sumara mis facturas. Daba respuestas erróneas. Cada vez. La solución fue una herramienta MCP de 20 líneas que consulta la API de Paperless y devuelve un número. Sin razonamiento, sin alucinación — solo el conteo correcto. 2. La disciplina de routing importa Para campos estructurados de facturas (proveedor, total, IVA, número de factura), añadí una regla estricta al prompt del sistema: > "Consulta siempre a Paperless para estos campos. Nunca uses el índice semántico." Esto eliminó la mayoría de respuestas erróneas que estaba obteniendo. El índice semántico es genial para "encuéntrame algo sobre el seguro del coche." Es terrible para "¿cuál es el total exacto de la factura #1234?" ¿Por Qué No Usar Directamente la IA Nativa de Paperless 3.0? Estoy en Paperless 3.0.3, así que tengo las funciones nativas de IA incluyendo chat con documentos. Esta configuración no las reemplaza — las complementa: Alcance más amplio: La misma interfaz cubre documentos, fotos y vídeo Operaciones deterministas: Las

Transaction lifecycle trong Postgres: BEGIN mở state machine, COMMIT đóng — quên đóng là dò mìn Một transaction trong Postgres không phải chỉ là cặp BEGIN ... COMMIT cú pháp; nó là một state machine sống cùng connection. BEGIN đẩy connection từ idle sang active , mỗi statement kết thúc đẩy nó về idle in transaction đợi statement kế tiếp, một statement lỗi đẩy sang idle in transaction (aborted) , và chỉ COMMIT / ROLLBACK mới trả connection về idle . Dev gặp lifecycle này trong việc thật không phải vì cú pháp khó mà vì một BEGIN quên COMMIT trong một code path lỗi: connection nằm trong pool ở idle in transaction vô thời hạn, giữ snapshot và lock, chặn autovacuum , kéo lock chain, làm bảng update-nóng bloat dần rồi cả service chậm chết. Cơ chế hoạt động Mặc định mỗi connection ở autocommit mode : mỗi statement là một transaction tự đóng. BEGIN (hoặc START TRANSACTION ) tắt autocommit cho tới khi gặp COMMIT / ROLLBACK . Trong khoảng đó connection có một xid (cấp khi cần ghi) và một snapshot, và lifecycle của nó đi qua các trạng thái mà Postgres phơi ra trong pg_stat_activity.state : idle — connection mở, không có transaction nào đang chạy. active — đang thực thi một statement (kể cả ngoài transaction block). idle in transaction — đang trong transaction block, vừa chạy xong một statement, đợi statement kế tiếp hoặc COMMIT / ROLLBACK . idle in transaction (aborted) — đang trong transaction, một statement đã ném lỗi, mọi statement tiếp theo trả ERROR: current transaction is aborted, commands ignored until end of transaction block cho tới khi ROLLBACK . fastpath function call / disabled — ít gặp, không phải mục tiêu của bài này. -- t0: state = 'idle' BEGIN ; -- t1: state = 'idle in transaction' (vừa thực thi xong BEGIN, đợi statement kế) INSERT INTO orders ( user_id , total ) VALUES ( 42 , 100 ); -- trong lúc chạy: state = 'active' -- sau khi statement xong: state = 'idle in transaction' lại INSERT INTO orders ( user_id , total ) VALUES ( NULL , 100 ); -- ERROR: null value