Костеливият път към рибената глава

2026-04-30 Светла Енчева

Post Syndicated from Светла Енчева original https://www.toest.bg/kosteliviyat-put-kum-ribenata-glava/

Да си го признаем – твърдата ръка е на почит в България. Дори сред избирателите на малкото партии, смятани за демократични. Да погледнем отношението към членовете на служебния кабинет на Андрей Гюров, асоцииран (кабинетът, впрочем и Гюров) с ПП–ДБ – единствената проевропейска и що-годе демократична парламентарно представена коалиция. „Звездата“ в правителството обаче се оказа не Андрей Янкулов, олицетворяващ стремежа на ПП–ДБ към правосъдна реформа. Лаврите обра вътрешният министър Емил Дечев в комплект с и.д. главен секретар на МВР Георги Кандев. За последен път споменаването на длъжността главен секретар на МВР пораждаше такова благопочитание преди повече от 20 години, когато постът се заемаше от Бойко Борисов. А вицове за Чък Норис бяха рециклирани с имената на министъра и професионалния ръководител на МВР, например: „Като малък Емил Дечев винаги карал баба си да си изяжда закуската.“

Овациите за Дечев и Кандев впрочем бяха заслужени.

Но не защото те олицетворяваха твърдата ръка, подвизавайки се като шерифи в каубойски филм, както ги представяше народната любов, а именно защото не го правеха. Вместо да организират показни акции с мижав ефект, те разшириха обхвата на проверките за купен и контролиран вот. В навечерието на изборите Дечев отчете повече от 2000 сигнала за изборни нарушения (за сравнение, преди изборите през 2024 г. те са били 612), 534 бързи и досъдебни производства – (през 2024 г. са били 70, а разликата между бързото и досъдебното производство е, че първото е под ръководството на МВР, а второто – на прокуратурата). Без да пропускаме над 1 200 000 конфискувани евро, предназначени вероятно за купуване на гласове. А веднага след края на изборния ден МВР оповести и за кои политически субекти са отправени сигналите. Очаквано – най-много са били за ДПС (631), следвано от ГЕРБ (318). За останалите партии и коалиции са постъпили по по-малко от 20 сигнала.

Как беше преди?

Постигнатото от Дечев и Кандев заедно с министри от правителството на Гюров – като социалния Хасан Адемов и земеделския Иван Христанов – е значимо не само в количествено отношение. А защото не се свежда до обичайния расизъм и етническата дискриминация, в които обикновено се изразява борбата с купения и контролирания вот. Досега тази „борба“ приемаше основно две форми – показни акции в ромски квартали и опити за ограничаване на гласуването на българските изселници в Турция. Известно изключение от ограничаването до тези практики имаше по времето, когато вътрешен министър беше Бойко Рашков, който разпореждаше и проверки във фирми в опит да се ограничи корпоративният вот.

Акциите в махалите

Обичайните акции срещу купения вот в ромски квартали включваха показни арести на лихвари с изземване на събирани от тях лични карти и списъци с имена, както и на магазинери, продаващи на вересия. Задържаха се и хора с криминално минало, у които са намерени я оръжия, я наркотици, я пари, я други забранени или незаконни неща (например стоки без бандерол). Така, от една страна, проблемът с купения и контролирания вот се свеждаше до ромите, от друга – се приравняваше до различни форми на престъпност, нямащи нищо общо с политическите права на гражданите.

Понякога обект на акциите ставаха не само заподозрените, а по-скоро всички, които живеят в определен квартал или просто го посещават. През 2021 г. например, по времето на Рашков, имаше случаи полицията да сформира КПП-та на входа на махали и да проверява всички преминаващи автомобили.

Тази практика обаче бледнее пред размаха на репресивността на бившия кмет на Кюстендил Петър Паунов. През 2011 г. той въведе КПП-та и пропускателен режим в изборния ден на местата, където гласуват роми, с цел „да няма напрежение и провокации и да не се затруднява работата на комисиите“. През 2015 г. пък Паунов организира референдум, на който гражданите на Кюстендил да гласуват дали той да се кандидатира за кмет, като не допусна до него жителите на ромския квартал. Комисията за защита от дискриминация се самосезира по случая.

Опити за възпрепятстване на изселниците в Турция

Интензивността на усилията да се попречи на българските изселници в Турция да гласуват зависи от отношението на властта към партията, за която преобладаващата част от тях възнамеряват да дадат гласа си. А понякога – и от желанието да се попречи на успешното представяне на изборите на нов политически субект, за какъвто биха гласували мнозинството от българите в чужбина. При втората хипотеза изселниците в Турция са „косвена жертва“.

Тази втора хипотеза беше приложена на практика на последните избори през април 2026 г., когато броят на избирателните секции в страните извън ЕС беше ограничен до максимум 20. Основното опасение на парламентарното мнозинство, приело промяната в Изборния кодекс (ИК), беше политическият проект на Румен Радев. Но и Делян Пеевски нямаше интерес изселниците да гласуват, защото в Турция не се радва на особена популярност.

Промяната в ИК е римейк на подобна от 2016 г., инициирана от Патриотичния фронт, чиято основна цел беше да се попречи на българските граждани да гласуват, а косвените жертви се оказаха имигрантите в други страни извън ЕС. Впрочем и тогава мярката беше отчасти в полза на ДПС. Същата година бившият председател на ДПС Лютви Местан създаде своя партия – ДОСТ, с която, в коалиция с НДПС на Орхан Исмаилов, се включи в изборната надпревара през 2017 г., разчитайки най-вече на избирателите от Турция. И макар да получи малко над 17% от гласовете извън България и 21,59% в Кърджали, общият резултат от близо 3% не беше достатъчен за влизане в парламента.

Друга практика за възпрепятстване на изселниците е опитът физически да им се попречи да гласуват в България. През същата 2017 година Валери Симеонов (председател на НФСБ, част от Патриотичния фронт) упражни физическо насилие върху жени, дошли от Турция за изборите. Той нарече една от тях „нагла“, защото „си знаеше правата“, и я определи като „пълничката баба“.

Да „лекуваш“ гангрена с грим

Трябва да се признае, че въпреки расизма и ксенофобията си, акциите в махалите и затрудняването на изселниците в Турция да упражняват правото си на глас са опити за справяне със системни проблеми в българския политически живот. И те са, че местата с компактно ромско население са особено уязвими на контролиран вот, а българските турци – поне до изборите на 19 април 2026 г., когато досегашният модел претърпя сериозни поражения – масово гласуват за ДПС (понякога се появява конкуренция в лицето на друга „турска“ партия, която бързо залязва).

За да е такъв обаче т.нар. етнически вот, има причини и те не се премахват с козметично замазване на симптомите. Основният проблем е

паразитирането върху уязвимостта с политически цели.

Уязвимостта може да има много лица: бедност и задлъжнялост, страх да не разрушат единственото ти жилище, дискриминация и омраза от страна на мнозинството. Но също и увреждане, зависимост от работодател и липса на алтернативи за работа, необходимост от инфраструктура и пр.

Нещата всъщност не опират до етноса, нито до характеристиките на населеното място, макар ромите, турците и хората в малките населени места да са по-уязвими. Но дори софиянци бяха „наказани“, че са избрали за кмет Васил Терзиев, който пък не се е снимал с Пеевски. Докато столичани се ядосват защо е зациклил ремонтът на бул. „Стамболийски“ и защо не се извършват редица подобрения в града, се оказва, че София е получила едва 13% от бюджетното финансиране, което е заявила – по-малко в парично изражение, отколкото например Ветово или Гърмен.

В крайна сметка контролираният вот опира до политически натиск,

който, ако не срещне никаква съпротива, както беше по времето на правителството на Росен Желязков, се разпространява като гангрена далеч отвъд „обичайните заподозрени“ гласоподаватели в ромските квартали и „крепостите“ на ДПС. Ала както беше казал експертът по сигурност и бивш заместник вътрешен министър Филип Гунев, най-лесно е МВР да се концентрира върху криминалния контингент, защото „нагоре вече е опасно“ и „политически рисково“.

Как беше сега?

В опитите за ограничаване на контролирания вот служебното правителство на Андрей Гюров, наред с обичайните акции в рискови ромски квартали, се опита да стигне и там, където „вече е опасно“. То реагираше на сигнали срещу кметове, общински съветници, кандидат-депутати с имунитет.

Мащабът на проверките показа, че опити за влияние върху вота може да се правят на най-различни места. Беше арестуван например директорът на пощата в Кърджали по сигнал, че е отправял заплахи, свързани с изборите. Според МВР той е карал служители на хуманитарна организация (по-късно се разбра, че става дума за Българския червен кръст) да казват, че храната, която дават на уязвими хора, е подарък от ДПС.

Друга форма на натиск са заплахите към хора с увреждания и близките им, които се грижат за тях, че ако не гласуват за определена партия, няма да получат пари за личен асистент или размерът на средствата ще бъде намален. Това е един от разнообразните методи за шантаж, свързан с достъпа до социални програми.

Вотът може да се контролира също чрез работодатели, които нареждат на служителите си за кого да гласуват – под страх от уволнение или намаляване на парите „под масата“, или пък с обещание за „материално стимулиране“. Колкото по-крупни са тези работодатели, толкова по-голям е ефектът. ТЕЦ „Бобов дол“ например е бил тема на журналистически разследвания във връзка с контролирания вот. Няколко дни преди изборите полицаи от управлението на МВР в Кюстендил извършиха проверки и иззеха документи, списъци и пари, които дават сериозни основания да се предположи, че „има нещо гнило“.

Разширяването на периметъра на борбата с изборните нарушения ясно показа,

че проблемът с купения и контролирания вот не е въпрос на етнос, култура или майчин език, а идва отгоре. Както гласи известната до баналност поговорка, рибата се вмирисва откъм главата. Докато правосъдната система обаче е политически зависима, не може да се очаква, че „главата“ ще отговаря за престъпленията си.

Освен това – защото като съдия е наясно докъде се простират границите на действие на един вътрешен министър – Дечев не си позволи зрелищни акции, които впоследствие да се обърнат срещу него – например да изгони Борислав Сарафов от кабинета на главния прокурор, за което беше нееднократно призоваван. За разлика от Бойко Рашков, който през 2022 г. разпореди да бъдат арестувани за 24 часа Бойко Борисов, пиарката му Севдалина Арнаудова и бившият министър на икономиката Владислав Горанов. Макар тази акция да предизвика бурна радост сред критиците на ГЕРБ, тя се оказа фиаско, за което ПП, а покрай тях и ДБ платиха висока цена.

Макар да не стигна до вмирисаната глава, постижението на правителството на Андрей Гюров е, че не се задоволи само с опашката на рибата, а се придвижи малко към перките ѝ, между острите и отровни шипове. Кой знае, ако някое правителство успее да стигне до главата, току-виж се окаже, че тя получава нареждания от друга, по-голяма и по-миризлива глава.

Fast16 Malware

2026-04-30 Bruce Schneier

Post Syndicated from Bruce Schneier original https://www.schneier.com/blog/archives/2026/04/fast16-malware.html

Researchers have reverse-engineered a piece of malware named Fast16. It’s almost certainly state-sponsored, probably US in origin, and was deployed against Iran years before Stuxnet:

“…the Fast16 malware was designed to carry out the most subtle form of sabotage ever seen in an in-the-wild malware tool: By automatically spreading across networks and then silently manipulating computation processes in certain software applications that perform high-precision mathematical calculations and simulate physical phenomena, Fast16 can alter the results of those programs to cause failures that range from faulty research results to catastrophic damage to real-world equipment.”

Another news article.

Lots of interesting details at the links.

The ‘Great Man’ Presidency

2026-04-30 The Atlantic

Post Syndicated from The Atlantic original https://www.youtube.com/watch?v=K2VFYtQeoxk

Междинни избори, крайни послания и вечният бунт на избирателя

2026-04-30 Яна Хашъмова

Post Syndicated from Яна Хашъмова original https://www.toest.bg/mezhdinni-izbori-krayni-poslaniya-i-vechniyat-bunt-na-izbiratelya/

Междинни избори, крайни послания и вечният бунт на избирателя

Живея в една абсурдна политическа среда. Всеки път, когато се случи нещо невъобразимо, си казвам, че това е дъното, но след това се оказва, че има и друго дъно, още по-дълбоко. И така вървим към ядрото на земята. Иска ми се да се събудя от кошмара или да напусна кошмарната кинопрожекция, но и двете не ми се получават. Всички около мен са се вторачили в наближаващите междинни избори тук (САЩ) с надежда, страх и тревожност.

Две партии – две философии за властта

С наближаването на тези избори през ноември 2026 г. Демократическата и Републиканската партия оформят рязко различаващи се стратегии. Разликите са не само идейни, а и философски: как се печели власт, на кого се говори като избирател и кой плаща сметките. Партийните послания са продукт не само на идеология, а и на финансиране, вътрешнопартийни противоречия и структурни предимства. С други думи, не е важно единствено какво казваш, а с кого си свързан, докато го казваш.

Междинни избори, крайни послания и вечният бунт на избирателя

Демократите – „партията на хората“

Демократите влизат в цикъла на 2026 г. със самочувствието на партията на „гражданската енергия“, малките дарители и активизма „по места“. Доста ранните финансови успехи, почиващи на хиляди малки дарения, и ентусиазмът на прогресивните PAC-ове¹ им позволява да създадат удобен наратив: „Ние сме подкрепяни от хората, не от милиардерите.“ Кандидати като Джеймс Таларико, Джон Ософ и Шерод Браун вече са събрали милиони долари, което говори за мащаба на прогресивния ентусиазъм. Но зад тази вълна от малки дарения се крие старият проблем – вътрешното разделение.

Прогресивното крило настоява за системни реформи, икономическа справедливост и борба с неравенствата. Умерените, особено в колебаещите се райони, предпочитат по-тих тон, стабилност, прагматизъм и „да не плашим центъра“. Общият знаменател? Защита на демокрацията и противопоставяне на политики, асоциирани с Доналд Тръмп. Но тук изпъква един премълчаван проблем: демократите упорито подценяват реалната опасност от нечестни избори. А тя, при управление с открито пренебрежение към институциите, не е хипотеза, а реална възможност.

Още по-проблематично е неразбирането или пренебрегването на културното разделение на обществото. Избирателите все по-рядко гласуват според икономическите си интереси и все по-често – според културната си идентичност. Няма го класовото съзнание на Карл Маркс. Докато демократите обясняват как икономическите им програми „помагат на всички“, републиканците говорят за разпадащия се традиционен свят – такъв, какъвто го знаем и харесваме. И страхът, за разлика от икономическите данни, определя политическия избор.

Републиканците – ред, страх и чекове с много нули

Републиканската партия залага на по-различен подход: организационна мощ, структурни предимства и големи донори. През 2025 г. републиканските национални комитети събраха повече средства от демократите, а ролята на супер PAC-ове като Senate Leadership Fund и Congressional Leadership Fund расте. Като добавим към това щедрите дарения на Илон Мъск, и наративът се оформя: партията на бизнеса ще успокои икономическото недоволство, ще подобри пограничната сигурност и ще се справи с културната тревожност. Този подход енергизира твърдото електорално ядро на MAGA.

Социалните мрежи – бойно поле, не форум

Както винаги, социалните мрежи са централната арена на конфликтите. Руското присъствие не повтаря шока от 2016 г., но остава устойчив фон за внасяне на неистини и съмнения. Целта е по-скоро да накараш избирателя да не вярва на нищо. Изкуствен интелект, фалшиви новинарски сайтове, координирани публикации в X, Telegram и периферни платформи работят за задълбочаване на недоверието. Демократите залагат на TikTok и Instagram, на инфлуенсъри и кратки видеа, които „разказват политиката“. Републиканците доминират в екосистеми, построени около личности и завъртени през гнева и усещането за несправедливост. Две различни дигитални пространства почти без припокриване и без шанс да се убеди избирател, чиито медийни алгоритми му представят само това, което очаква да види.

Бунтът като политически жест

Към тези сравнително добре структурирани стратегии трябва да добавим и неструктурираното, а именно емоцията. Най-ефективната ѝ форма днес е популизмът, подправен с обещания за радикална промяна. Преди около две години във Великобритания Киър Стармър спечели с обещание за стабилност и бързо стана непопулярен. В Япония Санае Такаичи победи с конфронтация и радикални предложения и продължава да бъде харесвана в иначе традиционно мъжка политическа среда. Същото видяхме и в Ню Йорк с Мамдани, който се представи като бунтар в кампанията си, и засега подкрепата му продължава да е висока. Изглежда, че в сегашните времена избирателите предпочитат бунта пред реконструкцията. Гласува се със сърцето, а не с разума. Разочарованието идва после.

А в България? Същият сценарий на по-малка сцена

Трудно ми е да избегна паралелите с българските избори от 19 април. И в България имаше съмнения, изказани от евродепутатка, за руска намеса, а TikTok закри десетки фалшиви акаунти. Социалното и културно разделение е сходно, а търсенето на „рязка промяна“ – същото.

Докато американските партии се мъчат да обединят разцепени крила, българските трудно формулират ясно разпознаваеми послания. Избирателят по традиция се впечатлява от личности, не от програми. От Сакскобургготски, през Станишев, Борисов, до Радев наказателният вот и отричането на статуквото тежат повече от всяка управленска платформа. Освен антикорупционните и антиолигархични послания, подкрепени с близо десет години популизъм по време на президентските мандати на Радев, политическата му програма е неясна. Не може да се разбере и от парламентарните членове на „Прогресивна България“, които засега са група от няколко известни спортисти, някои познати лица от служебните кабинети на Радев и други с неизяснени позиции.

Остава популизмът само с няколко от множеството примери: най-високия пилон с българското знаме в Европа, недопустимия от конституционна гледна точка референдум за еврото, последното новогодишно поздравление като президент, в което той пак критикува приемането на еврото, а в същото време подчертава, че България принадлежи към ЕС заради „цивилизационния си принос“. Всички тези примери, включително имена на успешни атлети в партийните листи, са пряко свързани с големия разказ на българската национална идентичност – гордост, бунт и символи на величие. Политиката се превръща в емоционален спектакъл, а не се държи като програма за бъдещето.

Разумът губи и емоцията печели

Докато републиканците в САЩ определено разчитат на страха и на емоциите, които той предизвиква у избирателите, демократите все още колебливо се опитват да активират други чувства у своите избиратели за междинния вот през 2026 г. А резултатите от българските и други избори показват едно и също: когато недоволството е повсеместно, избирателят търси не най-добрата политика, а най-силното чувство. Питате се дали в Унгария все пак не надделя разумът? Може би разумът надделя, защото страхът от заплахите на Орбан престана да действа.

¹ PAC (Political Action Committee) е организация, която набира и разходва средства за подкрепа или противопоставяне на кандидати и политики в изборния процес в САЩ.

Gigabyte GeForce RTX 5060 OC Low Profile 8G Mini-Review

2026-04-30 Ryan Smith

Post Syndicated from Ryan Smith original https://www.servethehome.com/gigabyte-geforce-rtx-5060-oc-low-profile-8g-mini-review/

Catering to the small form factor PC market, Gigabyte has released a low-profile version of its GeForce RTX 5060 card. The RTX 5060 OC LP delivers all of the performance of a full-sized card, but in half the volume

The post Gigabyte GeForce RTX 5060 OC Low Profile 8G Mini-Review appeared first on ServeTheHome.

Data Mesh at Grab Part II: The Foundational Tools behind Certification

2026-04-30 Grab Tech

Post Syndicated from Grab Tech original https://engineering.grab.com/data-mesh-part-2-the-foundational-tools-behind-certification

Introduction

In Part I, we discussed why Grab is investing in a data mesh, referred to as the Signals Marketplace within Grab, as part of our evolving data culture. We also explained how data certification aids teams in reliably reusing data across different domains. However, cultural change doesn’t occur through principles alone; it happens when tools reshape people’s daily behaviors. Therefore, it is crucial for us to develop effective platforms that integrate these practices.

This follow-up focuses on these platforms that make certification work at Grab:

Hubble – the central metadata management platform with a built-in certification engine.
Genchi – the data quality observability platform.
Data Contract Registry – the central service for managing data contracts.

Together, these platforms turn data mesh principles into an operational system that scales across hundreds of thousands of datasets, streams, attributes, and metrics.

Hubble: The data discovery and governance layer

Hubble is Grab’s central metadata management platform and data catalog for all data assets, including datasets, dashboards, metrics, Machine learning (ML) models, and more. Built on top of the open‑source DataHub and heavily extended for Grab’s needs, it is the discovery and governance layer for the Signals Marketplace.

Figure 1. Hubble cataloging data assets across various data platforms in Grab.

What Hubble does for data mesh

For certification and data mesh, Hubble provides a few key capabilities:

Search and discovery: Data analysts/scientists, engineers, and product managers use Hubble to search the rich swath of data assets, then inspect schemas, documentation, lineage, and usage statistics in one place. This replaces back-channel questions and tribal knowledge with a single, self-serve catalog.
Ownership and domains: Every asset is tied to a domain and explicit technical and business owners. This enforces the domain ownership model that Signals Marketplace depends on. Producers are clearly accountable for the quality and lifecycle of the data products they publish.
Data contracts and documentation: Data contracts, classifications, and rich documentation live as structured metadata attached to each asset, not scattered across wikis and slide decks. Producers and consumers share the same source of truth when they ask questions like, “what does this table guarantee?”.
Lineage and impact analysis: Hubble provides table, column, and metric-level lineage so owners can see which teams and pipelines depend on their data before making breaking changes or deprecations. Instead of guessing, they can answer “what will I break?” with a single click.
Certification status: The familiar “Hubble green tick” turns trust into a first-class signal in the catalog. Assets that meet Grab’s certification criteria are clearly marked with a drill-down view of which criteria are satisfied (ownership, documentation, contracts, quality tests, upstream certification) and which are still missing.

From a consumer’s point of view, this collapses a lot of uncertainty into a simple workflow: search → filter to “certified” → pick the most suitable asset. They don’t need to reverse-engineer reliability from table names and hearsay.

Hubble’s system architecture

The open-source DataHub architecture is fundamentally event-driven and designed for high extensibility, moving away from the “passive” catalogs of the past, towards a “living” metadata graph. DataHub models everything as an Entity (e.g., a Dataset), composed of multiple Aspects (atomic versioned metadata like SchemaMetadata or Ownership), connected by Relationships (e.g., DownstreamOf).

Since introducing DataHub as Grab’s central data catalog in 2022, we’ve tailored it to Grab’s specific needs while continuously rebasing onto the latest open-source DataHub releases. This lets us adopt new capabilities from the community quickly, contribute improvements back, and evolve Hubble without forking away from the main project.

On top of the DataHub foundation, Hubble ingests metadata from Grab’s source platforms in two ways. Source systems either push changes as they happen, or Hubble periodically pulls metadata via Airflow jobs into the central metadata service that exposes GraphQL and REST APIs. Every change is then published to Kafka as metadata events (low-level change logs for indexers and audits, and higher-level semantic events for workflows), keeping Hubble’s search and lineage indices fresh and allowing downstream integrations like certification, deprecation notices, and governance automation to react to metadata changes in near real time.

This architecture is crucial for a data mesh because metadata evolves more rapidly than organizational changes. As domains change, tables are relocated, or pipelines are refactored, Hubble continuously updates, allowing certification to keep pace without the need for manual re-audits.

Computational certification via the certification engine on Hubble

A data asset’s certification state is not a manual label, it is computed by an event-driven certification engine built on the DataHub Actions framework. As source platforms for tables, streams, metrics, and user attributes push metadata into Hubble, every change becomes a metadata event. The engine subscribes to these events and re-evaluates the certification state of the data asset based on the predetermined certification criteria.

Conceptually, assets move between four states:

Uncertified: Never met all criteria.
Certified: Asset itself meets all required criteria.
CertifiedPlus: Stricter conditions than Certified, requiring both the asset and all of its upstreams to meet the criteria.
Revoked: Previously certified but now out of compliance.

The state diagram below captures how assets move between these states as metadata and upstream health change.

While each asset type can add its own nuances (for example, metrics and attributes may also require explicit endorsement from business data owners), the core certification criteria are consistent:

Ownership and domain: Clear domain assignment plus accountable technical and business data owners.
Documentation and semantics: Table/metric documentation and, where relevant, column-level descriptions so consumers understand what the data means.
Lineage and upstream trust: For stronger levels like CertifiedPlus, upstream lineage must be present, and upstream assets must themselves be certified.
Contracts and runtime quality: Linked data contracts that spell out expectations, backed by required Genchi tests for freshness, volume/completeness, schema stability, and critical business checks.
Governance signals: No conflicting deprecation flags or policy violations (for example, missing required classifications on sensitive data).

If an asset satisfies the base criteria, the engine writes a certification aspect back into Hubble and surfaces it as a green tick; if the asset later falls out of compliance, certification is revoked, and downstream assets are re-evaluated as needed. This is because all certification changes are stored as time-series metadata and driven by events rather than a one-off checklist; certification becomes a continuous, metadata-driven process that keeps pace as the entity evolves.

Genchi: The data quality observability layer

Genchi is Grab’s in-house, self-service data quality observability platform. It allows teams to define and run data quality tests on their datasets, receive alerts when something goes wrong, and integrate those tests directly into data contracts so that issues are caught and contained before they impact downstream consumers.

Figure 4. Genchi job configuration page, where dataset owners enroll a table and set up freshness, volume, schema, and other data quality tests for it.

What Genchi does for data mesh

In a data mesh, every domain is responsible for the quality of the data products it publishes. Genchi is the guardrail that makes that responsibility practical at scale. At its core, Genchi turns “good data” into clear, testable pillars that a data asset must satisfy:

Freshness and timeliness: Is the data recent enough to trust? Genchi runs data freshness and pipeline-freshness checks so owners know when today’s numbers are really “today’s” and can spot delayed loads before they hit dashboards or models.
Completeness and volume: Are we seeing all the records we expect? Volume and completeness tests compare current loads against historical baselines or source systems to flag partial backfills, silent drops, or suspicious spikes.
Structural stability (schema): Did the shape of the data change? Schema checks detect added/removed columns and type changes so that teams don’t discover breaking changes only after pipelines or reports start failing.
Semantic validity (values and business rules): Do the values themselves make sense? Column-level and X-Validation tests enforce constraints like uniqueness, ranges, patterns, cross-table reconciliations, and more advanced anomaly detection on row counts and null percentages.

Wrapped around these pillars is the operational layer:

Genchi runs these checks continuously (on schedule or on pipeline completion), emits real-time alerts, and helps teams drill into failing records and trends instead of debugging blind.
Its health signals flow into the catalog and incident tooling, so consumers see quality status alongside metadata and contract breaches are handled consistently.

The result is a mesh where domains publish data products with explicit, machine-enforced quality guarantees, and consumers can safely reuse them without a central team hand-holding every request.

Genchi’s system architecture

The Genchi system is designed to handle validation workflows triggered by user actions or automated schedules. It utilizes Temporal for reliable workflow orchestration and Kafka for event-driven data distribution to downstream consumers.

Triggering tests on pipeline completion with Sync with Pipeline (SWP)

Before SWP, Genchi tests lived on their own cron schedules, completely decoupled from the Airflow pipelines that actually produced the data. Teams had to manually copy pipeline crons into Genchi, juggle offset/lookback math to point at the “right” pipeline batch, and hope that nothing drifted over time. The result: misconfigured pipeline duration Service Level Agreement (SLA) checks, and tests sometimes running too early, too late, or against the wrong batch. This leads to noisy alerts and false-positive Data Production Issue (DPI).

To solve this, Genchi leans on Lighthouse, Grab’s pipeline execution and monitoring service. Lighthouse tracks when Airflow jobs start, finish, and which data interval they cover, and exposes that as structured execution events that the rest of the observability stack can consume.

SWP then flips Genchi from “best-effort cron alignment” to event-driven orchestration. Instead of guessing when a pipeline should have finished, Genchi listens to Lighthouse execution events. When a pipeline run is completed, Lighthouse emits an event with the run’s schedule and data interval; Genchi consumes that event, spins up an ad-hoc validation run aligned to that execution, and runs data-quality tests on the corresponding slice of data.

Pipeline-freshness is modeled as its own run type, separate from the data-quality tests that run on pipeline completion. Instead of inspecting rows, it is triggered asynchronously on the same schedule as the pipeline and tracks when each run actually completes in Lighthouse. This gives data producers an intuitive way to get alerted when a pipeline exceeds its expected runtime, and to review historical runtime behavior for any drift over time.

In practice, this makes test orchestration both simpler and more trustworthy. Users no longer need to think about crons or offsets for their data validation jobs. “Run after my pipeline finishes” becomes the default, with advanced overrides for custom schedules when needed. Misconfigured freshness tests and noisy DPIs drop, because Genchi is now anchored to real pipeline execution signals rather than approximations.

Figure 6. Genchi pipeline-freshness run page for a table, showing the historical runtime patterns and the SLA status.

Data Contract Registry: The producer–consumer agreement layer

At Grab, a data contract is the explicit, versioned agreement between a producer and its consumers that defines the data’s shape and semantics, the quality and availability guarantees around it, and the rules for how and for how long it may be used. The Data Contract Registry is the source of truth for these agreements, while Genchi and platform-specific observability stacks continuously verify that reality still matches what the contract promises.

What Data Contract Registry does for data mesh

Within Grab’s data mesh, the Data Contract Registry is the producer–consumer agreement layer: it centralizes contracts for key assets (data lake tables, Kafka streams, metrics) so expectations on shape, quality, SLAs, and lifecycle live in one canonical place instead of being scattered across individual platforms. That single source of truth underpins Hubble certification (only assets with valid contracts can be certified), gives Kinabalu (Grab’s central incident lifecycle orchestrator) the context it needs to open and route DPIs when checks fail, and lets Ouroboros (a table lifecycle management tool) interpret lifecycle clauses consistently.

This is important for a data mesh because it transforms the concept of “data as a product” from a mere slogan into an operational reality. Contracts provide domain teams with a clear and enforceable method to specify their guarantees, offering consumers a solid foundation for trust and data reuse across domains. Importantly, a contract is only valuable if its promises are verifiable and enforceable. Schema expectations, quality checks, and SLAs are all connected to concrete tests and health endpoints, enabling downstream platforms to automatically detect breaches and manage or mitigate breaking changes, rather than treating the contract as static documentation.

On top of storing contracts, the registry also manages contract changes. When a contract evolves, say a schema tweak, a new freshness SLA, or a planned deprecation, it identifies the right stakeholders (direct downstream owners, heavy query users, and, for critical assets, deeper dependencies) and pushes targeted Slack notifications. Producers get a structured way to roll out changes safely while consumers get timely, actionable signals instead of surprise breakages so that both enforcement and change management are baked into the mesh.

In addition to storing contracts, the registry also manages contract changes. When a contract evolves such as a schema adjustment, a new freshness SLA, or a planned deprecation, it identifies the appropriate stakeholder (direct downstream owners, heavy query users, and critical assets with deeper dependencies) and then sends targeted Slack notifications to these stakeholders. This process provides producers with a structured method to implement changes safely, while consumers receive timely and actionable alerts, preventing unexpected disruptions. As a result, both enforcement and change management are seamlessly integrated into the data mesh.

The data contract specification

Under the hood, a data contract in the registry is a JSON construct that follows the contract specification. Grab’s data contract specification is inspired by the public Data Contract Specification, but adapted to our environment so that contracts plug directly into our observability stack and automated incident management workflows.

Notably, we embed data health and test health URLs in the contract itself. Each data-quality rule points to a concrete health endpoint, so Kinabalu can determine contract breaches and create DPIs by calling those test health URLs, without hard-coding what “healthy” means. For example, a completeness test on the latest partition can be marked healthy only if the last N days are complete, not just because the most recent test run happened to pass. The data health URL at the contract root then lets Kinabalu fetch the overall diagnosis and decide who the DPI should be assigned to. More on this will be covered in Part III.

Here’s a simplified example of a contract for a data-lake table:

{
  "specification_version": 1,
  "asset_urn": "urn:li:dataset:(urn:li:dataPlatform:hive,genchi.validation_jobs,PROD)",
  "entity_type": "datalake_table",
  "health_url": "https://example-hugo.grab.com/assets/genchi.validation_jobs/health",
  "contract_details": {
    "contact": {
      "oncall_group": "oncall-genchi",
      "slack_channel": "ask-genchi"
    },
    "terms": {
      "usage": "Source of truth for all genchi validation jobs.",
      "limitations": "Not suitable for real-time use cases.",
      "notice_period_in_days": 14
    },
    "schema": [
      {
        "type": "genchi",
        "health_url": "https://example-genchi.grab.com/assets/genchi.validation_jobs/tests/fundamental_schema_test/health",
        "uid": "fundamental_schema_test",
        "version": 1
      }

    ],
    "sla": {
      "freshness": [
        {
          "type": "genchi",
          "health_url": "https://example-genchi.grab.com/assets/genchi.validation_jobs/tests/fundamental_freshness_test/health",
          "uid": "fundamental_freshness_test",
          "version": 1
        }
      ],
      "lifecycle": null
    },
    "data_quality": [
      {
        "type": "genchi",
        "health_url": "https://example-genchi.grab.com/assets/genchi.validation_jobs/tests/fundamental_completeness_test/health",
        "uid": "fundamental_completeness_test",
        "version": 1
      }
    ]
  }
}

The contract in the registry only stores references to enforceable rules, which are an identifier and version, like the example above, rather than the full configuration body. This keeps contracts lightweight and tool-agnostic, while giving rule-enforcement tools (Genchi for data-quality tests, Ouroboros for table lifecycle) and Kinabalu a stable handle to resolve the actual rule definition in their own systems, without duplicating configuration or letting it drift across platforms.

Conclusion

By bringing Hubble, Genchi, and the Data Contract Registry together, we provide the foundational tools to build trust in certified data assets. Hubble enables discovery and establishes domains and ownership; the Data Contract Registry captures explicit expectations between producers and consumers; and Genchi continuously validates those promises with tests on freshness, volume, schema, and business rules. Hubble’s certification engine then evaluates these ownership, contract, and quality signals to decide whether an asset meets Grab’s standards and surfaces that as a visible certification state. As a result, consumers can confidently default to certified assets, usage converges on a smaller, better-governed pool of datasets, and certification becomes a mechanism that changes producer behavior and guides consumer choice. We saw this convergence in practice. In just one year since the Signals Marketplace campaign began in 2024, the number of P80 datasets (the most used tables that account for 80% of all queries) has dropped by over 58%.

This data foundation is especially important in an AI-first future for Grab. Certified streams, tables, metrics, and attributes give AI agents and automated analytics a default substrate they can rely on. With Hubble and Genchi, data producers have clear ownership, contracts, and observability. Data consumers can discover and trust certified assets without guesswork, and platform teams can measure and improve Signals Marketplace health over time (for example, queries on certified assets, lineage depth, and cost). Together, these capabilities turn “data mesh” from a slogan into an operational, AI-ready marketplace of reliable, reusable signals that power decisions across Grab.

Figure 7. Building trust in certified data assets through discovery, contracts, and continuous validation.

What’s next

In the next blog, we’ll zoom into the DPI process itself with Kinabalu as the incident lifecycle orchestrator:

How Genchi test failures and data contract breaches turn into DPIs.
How DPI is assigned based on root causes and what sets the priority level.
The patterns we’ve seen in “noisy” vs actionable DPIs, and what we’ve changed in our platforms.
How we’re using automation and agents to reduce DPI toil and close the loop back into certification.

We’ll walk through concrete case studies showing how a single broken table moves from first failure, to diagnosis and fix, to updated contracts and a more resilient certified data asset.

Join us

Grab is a leading superapp in Southeast Asia, operating across the deliveries, mobility, and digital financial services sectors, serving over 900 cities in eight Southeast Asian countries: Cambodia, Indonesia, Malaysia, Myanmar, the Philippines, Singapore, Thailand, and Vietnam. Grab enables millions of people every day to order food or groceries, send packages, hail a ride or taxi, pay for online purchases or access services such as lending and insurance, all through a single app. We operate supermarkets in Malaysia under Jaya Grocer and Everrise, which enables us to bring the convenience of on-demand grocery delivery to more consumers in the country. As part of our financial services offerings, we also provide digital banking services through GXS Bank in Singapore and GXBank in Malaysia. Grab was founded in 2012 with the mission to drive Southeast Asia forward by creating economic empowerment for everyone. Grab strives to serve a triple bottom line. We aim to simultaneously deliver financial performance for our shareholders and have a positive social impact, which includes economic empowerment for millions of people in the region, while mitigating our environmental footprint.

Powered by technology and driven by heart, our mission is to drive Southeast Asia forward by creating economic empowerment for everyone. If this mission speaks to you, join our team today!

Data Mesh at Grab Part II: The Foundational Tools behind Certification

2026-04-30 Grab Tech

Post Syndicated from Grab Tech original https://engineering.grab.com/data-mesh-2

Introduction

This follow-up focuses on these platforms that make certification work at Grab:

Hubble – the central metadata management platform with a built-in certification engine.
Genchi – the data quality observability platform.
Data Contract Registry – the central service for managing data contracts.

Together, these platforms turn data mesh principles into an operational system that scales across hundreds of thousands of datasets, streams, attributes, and metrics.