如何使用 Apache SkyWalking Helm 在 Kubernetes 集群中部署 SkyWalking
在当今微服务架构日益流行的背景下,应用性能监控(APM)变得尤为重要。Apache SkyWalking 是一款开源的分布式追踪系统,它可以帮助您监控、追踪和诊断微服务架构中的问题。本文将向您介绍如何使用 Apache SkyWalking Helm 仓库在 Kubernetes 集群中快速部署 SkyWalking。
引言
随着微服务架构的复杂性增加,监控和诊断应用性能问题变得越来越困难。SkyWalking 提供了一种简单且高效的方式来监控微服务的性能,帮助开发人员和运维人员快速定位问题。使用 Kubernetes Helm 仓库可以极大地简化部署过程,让您能够快速开始监控。
主体
准备工作
在开始部署之前,您需要确保以下条件已经满足:
- Kubernetes 集群已搭建完毕
- Helm 3 已安装在您的本地环境
- 您具有访问 Kubernetes 集群的权限
模型使用步骤
以下是使用 Apache SkyWalking Helm 仓库在 Kubernetes 集群中部署 SkyWalking 的步骤:
1. 设置变量
首先,设置一些变量以便后续使用:
export SKYWALKING_RELEASE_VERSION=4.6.0 # 根据需要更改版本号
export SKYWALKING_RELEASE_NAME=skywalking # 根据场景更改发布名称
export SKYWALKING_RELEASE_NAMESPACE=default # 更改您想要安装 SkyWalking 的命名空间
2. 使用 Docker Helm 仓库安装发布版本
安装 SkyWalking 的发布版本,可以使用以下命令:
helm install "${SKYWALKING_RELEASE_NAME}" \
oci://registry-1.docker.io/apache/skywalking-helm \
--version "${SKYWALKING_RELEASE_VERSION}" \
-n "${SKYWALKING_RELEASE_NAMESPACE}" \
--set oap.image.tag=10.0.1 \
--set oap.storageType=elasticsearch \
--set ui.image.tag=10.0.1
如果您想要使用 BanyanDB 作为存储解决方案,可以尝试以下命令:
helm install "${SKYWALKING_RELEASE_NAME}" \
oci://registry-1.docker.io/apache/skywalking-helm \
--version "${SKYWALKING_RELEASE_VERSION}" \
-n "${SKYWALKING_RELEASE_NAMESPACE}" \
--set oap.image.tag=10.0.1 \
--set oap.storageType=banyandb \
--set ui.image.tag=10.0.1 \
--set elasticsearch.enabled=false \
--set banyandb.enabled=true \
--set banyandb.image.tag=0.7.0
3. 使用 Apache Jfrog Helm 仓库安装发布版本
对于早期版本的 SkyWalking,可以使用以下命令:
export REPO=skywalking
helm repo add ${REPO} https://apache.jfrog.io/artifactory/skywalking-helm
4. 安装开发版本
如果您想要从 master 分支安装 SkyWalking,可以按照以下步骤操作:
export REPO=chart
git clone https://github.com/apache/skywalking-helm
cd skywalking-helm
helm repo add elastic https://helm.elastic.co
helm dep up ${REPO}/skywalking
5. 安装卫星网关
如果您想要启用卫星网关,可以按照以下步骤操作:
helm install "${SKYWALKING_RELEASE_NAME}" ${REPO}/skywalking -n "${SKYWALKING_RELEASE_NAMESPACE}" \
--set satellite.enabled=true \
--set satellite.image.tag=v0.4.0
结果分析
部署完成后,您可以通过访问 SkyWalking UI 来查看监控结果。性能评估指标包括但不限于延迟、吞吐量和错误率。
结论
使用 Apache SkyWalking Helm 仓库在 Kubernetes 集群中部署 SkyWalking 是一个高效且简便的过程。它不仅可以帮助您快速搭建监控环境,还能够随着业务的发展进行灵活扩展。通过本文的介绍,您应该已经掌握了如何在 Kubernetes 中部署 SkyWalking 的基本步骤。在实际应用中,您可以根据具体的业务需求和性能指标进一步优化配置。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00