Персональний блог на різноманітні теми: від кулінарії до мережевої безпеки. Тут ви знайдете інформацію про мультимедіа, програмування, огляди та налаштування програмного забезпечення, а також деталі про обладнання, його модифікацію та конфігурацію.
🪜 Я провів експеримент для оцінки ефективності різних методів Python для пошуку цифр у рядках, з урахуванням різних довжин рядків від коротких до довгих. Нижче я порівнюю шість різних технік і їхні переваги при витягуванні цифр.
А також додано вимірювання продуктивності в різних версіях Python: 3.13.0 та 3.12.5
Категорії для тестування
Рядки були поділені на чотири окремі групи за їхньою довжиною:
Short: Короткий рядок, що містить лише кілька символів.
Middle: Рядок середнього розміру, приблизно 256 символів.
Long (1KB): Довший рядок, приблизно 1 кілобайт, що імітує параграфи тексту.
Long (2KB): Значно більший рядок, приблизно 2 кілобайти, підходить для даних, схожих на документи.
Методи порівняння
Нижче наведено шість версій методів витягування цифр, кожен з яких було проаналізовано за показниками продуктивності:
Не так давно я натрапив на пост, де порівнювались різні методи коду для пошуку цифр у рядках у Python. Виникло бажання перевірити реальні швидкості цих методів, тому вирішив самостійно провести експеримент.
Я розглянув, як швидко кожен метод виконується при пошуку цифр коротких рядках, а також порівняємо їхню ефективність з погляду часу виконання.
Надалі, порівнявши кілька підходів, я поділюсь висновками щодо того, який з них є найкращим в умовах реального використання Python для цієї задачі.
Ось і закінчився
5 денний інтенсив на тему Генеративного ШІ. Захопило це після прослуховування LiveStreams кожного дня, але у запису
коли зʼявлялися субтитри котрі вже можна перекласти. По закінченню отримав
такий
бейдж від Kaggle
😉
Оформив простий Colab projet
ParkingAI.ipynb. Для його виконання необхідно отримати GOOGLE_API_KEY від
aistudio.google.com
і додати до секретних ключів. Зверніть увагу на список країн де AI
Studio може працювати.
Ось ядро логіки роботи з models/gemini-1.5-flash
In general the state diagram is.
# https://github.com/google-gemini/generative-ai-python
# https://colab.research.google.com/github/google-gemini/cookbook/blob/main/quickstarts/Function_calling.ipynb
# List of tools/functions for the parking AI system with explicit parameter types
parking_tools = [get_free_space, get_statistics, get_user_preferences, check_parked_car]
# Instruction to the model on how to use the tools
instruction = """
You are a helpful AI assistant for a smart parking app. Users can ask you questions about the app's features,
their parking status, and how to use the app. Use the available tools (get_free_space, get_statistics,
get_user_preferences, check_parked_car) to access relevant information and provide clear and concise answers.
"""
model = genai.GenerativeModel(
"models/gemini-1.5-flash-latest",
tools=parking_tools,
system_instruction=instruction,
)
user_query = input("Ask your question (commands: [e]xit, [h]istory): ")
response = chat.send_message(user_query)
print(response.text)
Приклади запитів:
Ask your question (commands: [e]xit, [h]istory): user 23 what preferred place ?
User 23 prefers Zone A and Zone B.
Ask your question (commands: [e]xit, [h]istory): user 24 and 33 ?
User 24 prefers Zone B and Zone C. There is no preference on record for user 33.
Ask your question (commands: [e]xit, [h]istory): h
user -> [{'text': 'user 23 what preferred place ?'}]
--------------------------------------------------------------------------------
model -> [{'function_call': {'name': 'get_user_preferences', 'args': {'user_id': 23.0}}}]
--------------------------------------------------------------------------------
user -> [{'function_response': {'name': 'get_user_preferences', 'response': {'preferred_locations': ['Zone A', 'Zone B']}}}]
--------------------------------------------------------------------------------
model -> [{'text': 'User 23 prefers Zone A and Zone B.\n'}]
--------------------------------------------------------------------------------
user -> [{'text': 'user 24 and 33 ?'}]
--------------------------------------------------------------------------------
model -> [{'function_call': {'name': 'get_user_preferences', 'args': {'user_id': 24.0}}}, {'function_call': {'name': 'get_user_preferences', 'args': {'user_id': 33.0}}}]
--------------------------------------------------------------------------------
user -> [{'function_response': {'name': 'get_user_preferences', 'response': {'preferred_locations': ['Zone B', 'Zone C']}}}, {'function_response': {'name': 'get_user_preferences', 'response': {'preferred_locations': []}}}]
--------------------------------------------------------------------------------
model -> [{'text': 'User 24 prefers Zone B and Zone C. There is no preference on record for user 33.\n'}]
--------------------------------------------------------------------------------
Ask your question (commands: [e]xit, [h]istory): q
Exiting the chat. Goodbye!
Ask your question (type 'exit' to quit): What you can?
I can:
* Tell you how many free parking spaces are available.
* Provide overall usage statistics for the app.
* Tell you your preferred parking locations (if you provide your user ID).
* Check if your car is currently parked (if you provide your license plate number).
Ask your question (type 'exit' to quit): how many parking space ?
There are currently 10 free parking spaces.
Ask your question (type 'exit' to quit): My car ABC123
OK. And what about your car with license plate ABC123? Do you want to know if it's currently parked?
Ask your question (type 'exit' to quit): yes
Yes, the car with license plate ABC123 is currently parked.
Ask your question (type 'exit' to quit): What about car AJJS11, is parked ?
No, the car with license plate AJJS11 is not currently parked.
Ask your question (type 'exit' to quit): Скільки вільних місць зараз є?
There are currently 10 free parking spaces.
Ask your question (type 'exit' to quit): Відповідай мені укаріїнською мовою.
Гаразд, я буду відповідати українською. Задавайте питання!
Ask your question (type 'exit' to quit): Скільки вільних місць зараз є? І який номер моєї машини?
Зараз є 10 вільних паркувальних місць. Повідомте мені номер вашої машини, щоб я міг перевірити, чи вона припаркована.
Ask your question (type 'exit' to quit): Я вже відповідав, чи ти не мамʼятаєш ?
Вибачте, я не маю пам'яті попередніх розмов. Для того, щоб перевірити, чи ваша машина припаркована, будь ласка, вкажіть її номерний знак.
Ask your question (type 'exit' to quit): ABC123
Так, автомобіль з номером ABC123 припаркований.
Ask your question (type 'exit' to quit): Яка сататистика використання ?
Загальна кількість зареєстрованих користувачів становить 100. Середнє використання додатку за тиждень складає 5.
Аsk your question (type 'exit' to quit, 'history' for history show): history
Ask your question (type 'exit' to quit, 'history' for history show): Мова спілкування українська
Добре, я буду спілкуватися з вами українською. Задавайте питання.
Ask your question (type 'exit' to quit, 'history' for history show): Номер моєї машини ABC123, вона припаркована ?
Так, ваш автомобіль з номером ABC123 припаркований.
Ask your question (type 'exit' to quit, 'history' for history show): history
user -> [{'text': 'Мова спілкування українська'}]
--------------------------------------------------------------------------------
model -> [{'text': 'Добре, я буду спілкуватися з вами українською. Задавайте питання.\n'}]
--------------------------------------------------------------------------------
user -> [{'text': 'Номер моєї машини ABC123, вона припаркована ?'}]
--------------------------------------------------------------------------------
model -> [{'text': 'Перевіряю...\n\n'}, {'function_call': {'name': 'check_parked_car', 'args': {'license_plate': 'ABC123'}}}]
--------------------------------------------------------------------------------
user -> [{'function_response': {'name': 'check_parked_car', 'response': {'is_parked': True}}}]
--------------------------------------------------------------------------------
model -> [{'text': 'Так, ваш автомобіль з номером ABC123 припаркований.\n'}]
--------------------------------------------------------------------------------
Ask your question (type 'exit' to quit, 'history' for history show): яка моя улюблена зона ?
Для того, щоб відповісти на це питання, мені потрібен ваш ідентифікатор користувача. Будь ласка, вкажіть його.
Ask your question (type 'exit' to quit, 'history' for history show): 23
Ваші улюблені зони паркування - це Зона A та Зона B.
Ask your question (type 'exit' to quit, 'history' for history show): history
user -> [{'text': 'Мова спілкування українська'}]
--------------------------------------------------------------------------------
model -> [{'text': 'Добре, я буду спілкуватися з вами українською. Задавайте питання.\n'}]
--------------------------------------------------------------------------------
user -> [{'text': 'Номер моєї машини ABC123, вона припаркована ?'}]
--------------------------------------------------------------------------------
model -> [{'text': 'Перевіряю...\n\n'}, {'function_call': {'name': 'check_parked_car', 'args': {'license_plate': 'ABC123'}}}]
--------------------------------------------------------------------------------
user -> [{'function_response': {'name': 'check_parked_car', 'response': {'is_parked': True}}}]
--------------------------------------------------------------------------------
model -> [{'text': 'Так, ваш автомобіль з номером ABC123 припаркований.\n'}]
--------------------------------------------------------------------------------
user -> [{'text': 'яка моя улюблена зона ?'}]
--------------------------------------------------------------------------------
model -> [{'text': 'Для того, щоб відповісти на це питання, мені потрібен ваш ідентифікатор користувача. Будь ласка, вкажіть його.\n'}]
--------------------------------------------------------------------------------
user -> [{'text': '23'}]
--------------------------------------------------------------------------------
model -> [{'text': 'Добре, перевіряю ваші налаштування...\n\n'}, {'function_call': {'name': 'get_user_preferences', 'args': {'user_id': 23.0}}}, {'text': '\n'}]
--------------------------------------------------------------------------------
user -> [{'function_response': {'name': 'get_user_preferences', 'response': {'preferred_locations': ['Zone A', 'Zone B']}}}]
--------------------------------------------------------------------------------
model -> [{'text': 'Ваші улюблені зони паркування - це Зона A та Зона B.\n'}]
--------------------------------------------------------------------------------
Що було на курсі?
[Day 1 Assignments] 5-Day Gen AI Intensive:
💡What You’ll Learn
Today you’ll explore the evolution of LLMs,
from transformers to techniques like fine-tuning and inference acceleration.
You’ll also get trained in the art of prompt engineering for optimal LLM
interaction.
The code lab will walk you through getting started
with the Gemini API and cover several prompt techniques and how different
parameters impact the prompts.
Today you will learn about the conceptual
underpinning of embeddings and vector databases and how they can be used to
bring live or specialist data into your LLM application. You’ll also explore
their geometrical powers for classifying and comparing textual data.
Learn to build sophisticated AI agents by
understanding their core components and the iterative development process.
The
code labs cover how to connect LLMs to existing systems and to the real world.
Learn about function calling by giving SQL tools to a chatbot, and learn how
to build a LangGraph agent that takes orders in a café.
In today’s reading, you’ll delve into the
creation and application of specialized LLMs like SecLM and MedLM/Med-PaLM,
with insights from the researchers who built them.
In the code labs
you will learn how to add real world data to a model beyond its knowledge
cut-off by grounding with Google Search. You will also learn how to
fine-tune a custom Gemini model using your own labeled data to solve custom
tasks.
😄 Цікаво інколи оптимізувати код. Отримав такі рішення для випадку коли не завжди є рядок з всіма параметрами і його треба розбити на частини.
📅 Рядок category може бути "W", "P-V-00", "S", "P-V-01", "L-X", "L-X-A-B-C-D" Проведено 10_000_000 замірів 8 разів і отримано середні значення часу виконання.
Perfomance Comparison
🔖Наведено топ 3 результати вимірювань.
Як не дивно, на першому місці
Version 5, коли є всі елементи в категорії, але на останньому коли не
всі елементи є - вітання до try-except. Можна провести алегорію з
приказками "Як тривога, то до Бога", "Без біди Бога не кличуть".
На другому місці Version 6 та Version 9 в інших випадках.
🚀 Python у розподілених обчисленнях: Apache Spark проти Celery
Ви коли-небудь замислювалися, чи може Apache Spark впоратися з розподіленими завданнями в Python, як Celery? Давайте розберемо відмінності і те, коли варто використовувати кожен з них.
Apache Spark з Python (PySpark)
🔹 Spark - це потужний фреймворк для великомасштабної обробки даних. За допомогою PySpark ви можете обробляти величезні набори даних і виконувати такі завдання, як ETL (Extract, Transform, Load або Витяг, Перетворення та Завантаження), аналіз даних і машинне навчання між кластерами. 🔹 Spark є відмовостійким та оптимізованим для пакетної обробки розподілених наборів даних, що робить його ідеальним рішенням для роботи з великими даними.
Celery для робочих процесів на основі завдань
🔹 Celery, з іншого боку, призначена для планування завдань та асинхронної обробки. Часто в парі з веб-додатками вона ідеально підходить для таких завдань, як надсилання сповіщень або запуск фонових завдань. 🔹 На відміну від Spark, Celery краще підходить для виконання індивідуальних завдань у режимі реального часу, а не для масштабної обробки даних.
Основні висновки
⭐ Використовуйте Spark для обробки великих даних, ETL та конвеєрів машинного навчання.
⭐ Використовуйте Celery для управління окремими завданнями, особливо у веб-додатках.
Завершив невеликий проєкт зі створення форми для завантаження файлів у хмарне
сховище. Проєкт реалізовано за допомогою PHP, Redis та WebDAV для
забезпечення ефективного зберігання та обробки файлів.
Overview:
This project provides a secure, temporary file-upload service with time-limited access. It generates a unique URL for file uploads, includes CAPTCHA protection, and sends the URL to the user via email. The following is a list of key functionalities and features implemented in this project.
# Your Python code goes here
from types import MethodType
class Person:
def __init__(self, name):
self.name = name
# Function to add dynamically as a method
def say_hello(self):
return f"Hello, my name is {self.name}"
# Create an instance of Person
person = Person("Alice")# Bind the function say_hello to person instance as a method
person.say_hello = MethodType(say_hello, person)
# Call the new method on the instance
print(person.say_hello()) # Output: "Hello, my name is Alice"
types.MethodType in Python is a utility function from the types module that
allows you to bind a function as a method to an instance of a class. This can
be especially useful when you want to add or replace methods dynamically for
an object at runtime. Let's go over how it works and look at an example.
🚰 Якщо потрібно віддавати певні файли засобами Django view, а не як статичний файл через NGINX. То не забуваємо додавати заголовки про інформацію для кешування браузерами, щоб не перевантажувати запитами сервер.
📕 Метаклас в Python — це "клас для класу", тобто він визначає, як самі класи поводяться. Використовуючи метаклас, ви можете налаштувати створення класу, додати нову поведінку, модифікувати атрибути або запровадити певні обмеження для підкласів.
Оголошення метакласу: Метаклас зазвичай визначається через наслідування від type, який є типовим метакласом у Python.
Методи __new__ і __init__: У метакласі зазвичай перевизначають методи __new__ або __init__, щоб контролювати створення класів.
__new__ створює клас, приймаючи аргументи для імені класу, базових класів і словника класу (атрибути та методи).
__init__ ініціалізує клас після його створення.
Вказування метакласу: Щоб вказати метаклас для класу, використовується ключове слово metaclass.
📌 Приклад: Налаштування створення класу за допомогою метакласу
Припустимо, ви хочете, щоб усі атрибути класу мали назви у верхньому регістрі. Метаклас допоможе забезпечити це.
✔ Пояснення
Метаклас UpperCaseAttributes: Приймає ім'я класу, його базові класи та словник атрибутів. Він створює змінений словник з атрибутами у верхньому регістрі, після чого передає його в type __new__.
Застосування metaclass=UpperCaseAttributes: При оголошенні MyClass вказано метаклас UpperCaseAttributes, тож клас буде оброблений за логікою, прописаною в цьому метакласі.
💢 Коли використовувати метакласи
Впровадження правил: Наприклад, всі атрибути мають дотримуватися певних іменувальних правил.
Автоматична реєстрація класів: Наприклад, автоматичне збирання підкласів для плагінової системи.
Синглтон: Забезпечення існування лише одного екземпляра класу, контролюючи інстанціювання через метаклас.
Once I wanted to understand how Depends works in FastAPI more thoroughly to understand what's under the hood. I started communicating with the AI. The answer was a question, and I got hooked.
I decided to test it in real code and created a training project and wrote this post for it based on my questions to the AI and its answers. Some answers were wrong, some I had already optimized a bit. But all the results shown are real and created by me personally.
The result was 21 training examples written in Python, where I checked the answers and suggestions from the AI.
Proxmox VE server періодично робить резервні копії до NFS спільної теки котра розміщена на NAS сервері.
NAS це TrueNAS сервер що зберігає дані у ZFS файловій системі. TrueNAS автоматично налаштований робити періодичні знімки (snapshots) ZFS dataset де розміщенні дані для NFS теки.
У VM сервера знайдено підозрілі файли за назвою "." розміром 1024 bytes з бінарним вмістом. Необхідно провести аналіз в "offline copy" сервера.
Задача:
Відновити віртуальну машину з попередньої резервної копії.
Рішення:
Під'єднати попередні періодичні знімки (snapshots) ZFS dataset, що створені на стороні NAS сервера, для відновлення віртуальної машини з її резервної копії.
Підключення до консолі Proxmox Node.
Proxmox node: ns21
NFS share: nfs-ns58-10g
Target data: 2024-10-11
Target VM ID: 150
Proxmox console.
ZFS snapshots зберігаються за замовчуванням у прихованій теці ".zfs".
Знайдено цільовий шлях де зберігаються потрібні резервні копії: /mnt/pve/nfs-ns58-10g/.zfs/snapshot/auto-2024-10-11_00-00
Є застосунок 'pleroma' котрий працює на базі
erlang.
Причини:
Для підтримання інфраструктури операційна система оновлюється і пакунки
підтримуються в актуальному стані. Застосунок працює, в пам'яті, все
нормально. Користувачі заносять нові дані...
Примітка. Відновлення старого фізичного сервера, перемістивши його на
віртуальну машину на Proxmox VE. Створення iSCSI диску та його монтування при
завантажені операційної системи. FreeBSD 9.0.
Історія
Основне правило адміністратора, працює не чіпай. Призводить то того що рано чи
пізно це вилазить боком. На кшталт не можеш нічого оновити та встановити.
Тому мені історично діставався цей сервер котрий треба перемістити до
віртуального середовища поки "/raid1" масив ще працює після нового його збою,
але варто зауважити міцний горішок.
Є декілька способів як перемістити систему з фізичного до віртуального. Але я
не хотів переносити усі накопиченні проблеми, і вирішив перенести все окрім
ядра та базової системи використовуючи rsync.
Маю операційну систему FreeBSD 14.1-RELEASE у віртуальному середовищі Proxmox VE.
Щойно оновив поштовий сервер з FreeBSD 13.1-RELEASE, і з'ясувалося що я не можу тепер встановити POSTFIX та mariadb-client одночасно, як це було раніше. Тому це нотатка мені як я розв'язав цю проблему, щоб не наступати на ті самі граблі двічі.
Коли встановлено у Вас mariadb-server та mariadb-client на одному сервері, то при встановленні поштового сервера postfix як пакунок через pkg install postfix-mysql, або з портів з опцією MySQL.
postfix freebsd port, mysql option
Вам буде пропоновано видалити mariadb-server та mariadb-client і встановити mysql-client.
The track provides an introduction to the
essential concepts and techniques in the field of machine learning.
This
comprehensive learning journey covers various crucial topics, including
the utilization of scikit-learn library for machine learning
initiation, the application of Linear Regression for predictive
modeling, exploration of Classification methods for categorizing data,
and the study of Clustering algorithms to discover inherent patterns
within datasets.
By engaging with this track, learners will acquire a
solid understanding of fundamental machine learning principles, enabling
them to build predictive and analytical models across diverse domains.
Ensemble Learning is an advanced machine learning technique that combines multiple models to improve overall predictive performance and decision-making when solving real-life tasks.
Let's summarize and highlight the main information covered in the course.
Ensemble learning
in machine learning is a technique that combines the predictions of
multiple individual models (learners) to produce a more robust and
accurate prediction or classification. It leverages the principle that
by aggregating the opinions of multiple models, you can often achieve
better results than relying on a single model. There are three commonly used techniques for creating ensembles: bagging, boosting, and stacking.
Clustering is one of the fundamental machine learning techniques that
allows you to solve many complex problems in real life: market
segmentation, anomaly detection, dimensionality reduction, revealing
hidden patterns, etc.
Linear
Regression is a crucial concept in predictive analytics. It is widely
used by data scientists, data analytics, and statisticians as it is easy
to build and interpret but powerful enough for many tasks.
Track curriculum encompasses a collection of
pivotal courses that provide foundational knowledge and skills essential
for a successful journey in the field of data science.
These courses
encompass the comprehensive study of key concepts, tools, and
methodologies integral to the realm of data analysis and modeling.
By
delving into courses centered around numpy, pandas, statistics,
probability theory, as well as mathematics tailored for data analysis
and modeling, learners are equipped with a well-rounded toolkit to
seamlessly navigate the intricacies of data-driven exploration,
manipulation, and inference.
Data is everywhere around us, and making sense of it is extremely
important.
Visualization helps us deal with data by finding certain
patterns and insights in it.
We will develop a solid foundation of data visualization using Python and its libraries, such as matplotlib and
seaborn, to get as much information from data as possible in a neat and
concise way. Without further ado, let's dive in!
Unlock the full potential of Python's most essential library for numerical computing, NumPy.
This comprehensive course is designed to take you from a beginner's understanding to an advanced level of proficiency in NumPy.
Whether you're a data scientist, engineer, researcher, or developer, mastering NumPy is essential for efficient data manipulation, scientific computing, and machine learning.
Machine Learning is now used everywhere. Want to learn it yourself?
This course is an introduction to the world of Machine learning for you to learn basic concepts, work with Scikit-learn – the most popular library for ML and build your first Machine Learning project.
This course is intended for students with a basic knowledge of Python, Pandas, and NumPy.
Recognizing Handwritten Digits. In
this project, our primary objective will be to delve into the
identification of handwritten digits through the application of machine
learning algorithms. This endeavor aims to harness the power of machine
learning to effectively interpret and understand handwritten digits,
showcasing the potential of these algorithms in processing and analyzing
complex visual information.
Track "Preparation for Data Science", curriculum encompasses a collection of pivotal courses that provide foundational knowledge and skills essential for a successful journey in the field of data science.
These courses encompass the comprehensive study of key concepts, tools, and methodologies integral to the realm of data analysis and modeling. By delving into courses centered around NumPy, Pandas, statistics, probability theory, as well as mathematics tailored for data analysis and modeling, learners are equipped with a well-rounded toolkit to seamlessly navigate the intricacies of data-driven exploration, manipulation, and inference.
The curriculum's diverse content ensures a robust understanding of critical elements in data science, cultivating a solid base for individuals venturing into this dynamic and ever-evolving domain.
Conditions. Two Celestica DX010 switches (Celestica1, Celestica2) are
connected via a 100G (4x25G) uplink connection located in different data
centres.
Task. Manage the settings of the Celestica2 from the
console of the Celestica1 switch, but not vice versa.
$ scp ./sonic-broadcom.bin scp://admin@sonic_ip $ ssh admin@sonic_ip
admin@sonic:~$ sudo sonic-installer install sonic-broadcom.bin New image will be installed, continue? [y/N]: y efi not supported - exiting without verification
Installing image SONiC-OS-master.576207-99e0e1ade and setting it as default... Setup SWAP memory Command: mkswap /host/swapfile Setting up swapspace version 1, size = 1024 MiB (1073737728 bytes) no label, UUID=c7e49ce7-321d-4a01-9af6-09123874b547
Command: swapon /host/swapfile
Command: bash ./sonic-broadcom.bin Verifying image checksum ... OK. Preparing image archive ... OK. Installing SONiC in SONiC ONIE Installer: platform: x86_64-broadcom-r0 onie_platform: x86_64-cel_seastone-r0 Removing old SONiC installation /host/image-master.571486-a2b3ca87a Installing SONiC to /host/image-master.576207-99e0e1ade .... Command: sync
Command: sync
Command: sync
Command: sleep 3
Done
admin@sonic:~$ sudo reboot
Now the user is admin, password: "YourPaSsWoRd". Managemnet sonic_ip is
obtained from the local DHCP server.
You can back up the sonic
configuration on your local PC
⌛ Нові часи швидкостей 📶 і нове обладнання приходиться опановувати.
Так опановую налаштування 100Gb обладнання 🔨 на прикладі "CelesticaSeastone DX010, 32-Port 100G QSFP28
Onie
Switch" з операційною системою
SONiC OS.
🚆 Великі швидкості передачі - великі вимоги до часу ⛳ обробки мережевих
пакетів. Для пришвидшення обробки використовуються спеціальні апаратні
акселератори (ASIC), наприклад,
Broadcom Tomahawk ASIC.
🚀 ASIC своєю чергою можуть мати свої обмеження 🚧, такі, наприклад як
stateless firewall правила в
ACL
