alonsoir

Atencion, pregunta:

Cuando ves que un servicio en Spring Boot se está comiendo la RAM, 
el 90% de las veces la culpa no es del framework, sino de cómo le metimos mano. 
Antes de saltar a pagar un servidor más grande para solucionar el problema a billetazos, 
suelo revisar 4 cosas clave: -El Garbage Collector: 
Si manejas heaps grandes y necesitas que la app no se "congele", 
dale una oportunidad a ZGC o Shenandoah en lugar del que viene por defecto. 
-Proyecciones en JPA: Si solo necesitas tres datos en pantalla, no te traigas la entidad completa de la base de datos 
con todas sus relaciones. Usa DTOs.

alonsoir

python3 run_guardrail_benchmark.py --benchmark guardrail_benchmark_v2.json --endpoint-config endpoint.example.json

alonsoir

# Manual Técnico de Inteligencia en la Dark Web (DARKINT)
## Guía de Autoaprendizaje Avanzado para Analistas

Este documento constituye el manual de referencia técnico y la guía de estudio autodidacta para el dominio de la Inteligencia en la Dark Web (**DARKINT**). Está diseñado para proporcionar los fundamentos teóricos detallados, la arquitectura de red subyacente y los procedimientos operativos necesarios para ejecutar investigaciones en entornos hostiles y redes de anonimato sin depender de plataformas comerciales.

---

## MÓDULO 0: Fundamentos Avanzados del Cibercrimen

alonsoir

LLM Wiki

A pattern for building personal knowledge bases using LLMs.

This is an idea file, it is designed to be copy pasted to your own LLM Agent (e.g. OpenAI Codex, Claude Code, OpenCode / Pi, or etc.). Its goal is to communicate the high level idea, but your agent will build out the specifics in collaboration with you.

The core idea

Most people's experience with LLMs and documents looks like RAG: you upload a collection of files, the LLM retrieves relevant chunks at query time, and generates an answer. This works, but the LLM is rediscovering knowledge from scratch on every question. There's no accumulation. Ask a subtle question that requires synthesizing five documents, and the LLM has to find and piece together the relevant fragments every time. Nothing is built up. NotebookLM, ChatGPT file uploads, and most RAG systems work this way.

alonsoir

La deserialización insegura (como la que puede llevar a RCE) no ha desaparecido del ecosistema Java; # sigue presente en aplicaciones del mundo real, con impacto real en seguridad. Sin embargo, su

afectación concreta depende mucho de cómo estén construidas las aplicaciones y de sus dependencias.

La vulnerabilidad de deserialización insegura sigue siendo relevante en 2026 y se observa con

frecuencia en auditorías de seguridad de aplicaciones Java.

Su presencia no es inherente al lenguaje, sino al uso indebido de mecanismos como la serialización

Java nativa y a dependencias inseguras.

El impacto real en tu proyecto depende de si:

Usas serialización Java para entrada externa.

Dependes de librerías que aceptan datos no confiables sin validación.

No aplicas filtros y prácticas de defensiva en la deserialización.

alonsoir

### Version1
ExecutorService executor = Executors.newFixedThreadPool(Runtime.getRuntime().availableProcessors());

List<Callable<List<String>>> tareas = new ArrayList<>();
int chunkSize = usuarios.size() / Runtime.getRuntime().availableProcessors();

for (int i = 0; i < usuarios.size(); i += chunkSize) {
    int start = i;
    int end = Math.min(i + chunkSize, usuarios.size());
    tareas.add(() -> {

alonsoir

#!/usr/bin/env bash
set -euo pipefail
IFS=$'\n'

##### CONFIGURACIÓN #####
OUTPUT_DIR="./output"
SKIP_PDF=false
SEND_MAIL=false
EMAIL_RECIPIENT="example@example.com"
HELP=false

alonsoir

#!/bin/bash

set -e

# ==================== COLORES ====================
RED='\033[0;31m'
GREEN='\033[0;32m'
YELLOW='\033[1;33m'
BLUE='\033[1;34m'
NC='\033[0m' # Sin color

alonsoir

nasm -f macho64 fast_memcpy.asm -o fast_memcpy.o
clang -O2 test_memcpy.c fast_memcpy.o -o test_memcpy
./test_memcpy

alonsoir

import asyncio
import os
from textwrap import dedent
from pyspark.sql import SparkSession
from pyspark.sql.functions import col
from agno.agent import Agent
from agno.models.openai import OpenAIChat
import requests
from dotenv import load_dotenv
import logging