Odigos v1.0.144 版本发布:全面增强可观测性能力
Odigos 是一个开源的分布式追踪和可观测性平台,它能够自动检测应用程序并收集遥测数据(如追踪、指标和日志),帮助开发者更好地理解和监控他们的分布式系统。最新发布的 v1.0.144 版本带来了多项重要改进和新功能,进一步提升了系统的可观测性能力和用户体验。
核心功能增强
1. 新增 Red Hat UBI 支持
本次版本新增了对 Red Hat Universal Base Image (UBI) 的支持,包括:
- 添加了 UBI 专用的 Dockerfiles
- 创建了相应的构建目标
- 将 UBI 镜像集成到发布工作流中
这一改进使得 Odigos 能够更好地满足企业级用户的需求,特别是在需要符合特定安全标准的环境中。
2. 源代码级 CRD 文档
v1.0.144 版本引入了源代码级 CRD (Custom Resource Definition) 文档,这为开发者提供了:
- 更清晰的 API 参考文档
- 详细的字段说明
- 使用示例
这些文档将帮助开发者更高效地使用 Odigos 的定制资源,减少配置错误和理解成本。
3. 遗留 .NET 支持
考虑到企业环境中可能存在的遗留系统,本次更新增加了对旧版 .NET 框架的支持。这一功能:
- 扩展了 Odigos 的兼容性范围
- 确保传统 .NET 应用也能受益于自动检测
- 提供了平滑的迁移路径
架构与性能优化
1. 领导者选举配置增强
改进了领导者选举机制,包括:
- 更精细的配置选项
- 提高系统稳定性
- 优化故障转移过程
这些改进使得 Odigos 在大型集群中运行更加可靠。
2. 源到目的地分组功能
实现了 GEN-2030 功能,允许将多个源分组到同一个目的地。这一特性:
- 简化了配置管理
- 提高了数据路由效率
- 支持更灵活的可观测性策略
3. 检测实例限制
新增了检测实例限制功能,可以:
- 防止资源过度消耗
- 提高系统稳定性
- 提供更精细的资源控制
用户体验改进
1. UI 轻量模式
引入了全新的 UI 轻量模式,提供:
- 更简洁的界面
- 更快的加载速度
- 更好的移动设备兼容性
2. 只读模式支持
新增了只读模式功能,包括:
- UI 中的只读标识
- 后端对变更操作的拦截
- 通过配置标志启用
这一功能特别适合生产环境或审计场景,防止意外配置更改。
3. 诊断功能增强
改进了诊断工具,现在可以:
- 从数据收集和网关组件收集 pprof 数据
- 提供更全面的系统健康信息
- 帮助快速定位性能问题
开发者体验提升
1. 代码属性配置
新增了代码属性配置功能,允许开发者:
- 通过检测规则定义代码属性
- 更灵活地控制检测行为
- 实现更精细的可观测性策略
2. 环境变量注入
改进了环境变量注入机制,现在通过 webhook 实现:
- 更可靠的变量注入
- 更少的副作用
- 更好的兼容性
3. API 文档改进
重构了 API 文档结构:
- 更清晰的分类
- 更易读的格式
- 更完整的示例
安全与维护
1. 依赖项更新
升级了多个关键依赖项,包括:
- 控制器运行时到 0.20.1
- OpenTelemetry 到 1.34.0
- gRPC 到 1.70.0
这些更新带来了性能改进和安全修复。
2. 清理废弃功能
移除了多个已废弃的功能和组件,包括:
- 旧的卸载文档
- 过时的工作负载检测配置
- 不再使用的注解
这有助于保持代码库的整洁和可维护性。
总结
Odigos v1.0.144 版本是一个重要的里程碑,它通过新增功能、性能优化和用户体验改进,进一步巩固了其作为领先开源可观测性解决方案的地位。无论是对于需要监控传统应用的企业用户,还是追求最新可观测性技术的开发者,这个版本都提供了强大的功能和灵活的选项。特别是对 Red Hat UBI 的支持和只读模式的引入,使得 Odigos 更适合企业级生产环境。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0131
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00