Kener项目3.2.0版本发布:监控功能安全性与易用性全面升级
Kener是一个现代化的监控系统,专注于提供灵活、安全的监控解决方案。它支持多种监控类型,包括API监控、TCP监控和Ping监控等,允许用户通过自定义评估函数来实现复杂的监控逻辑。在最新发布的3.2.0版本中,Kener对监控评估功能进行了重大改进,显著提升了安全性和易用性。
安全评估机制重构
在之前的版本中,Kener使用JavaScript的eval()函数来执行用户自定义的监控评估逻辑。虽然eval()功能强大,但它存在严重的安全隐患,因为它可以执行任意代码,可能导致代码注入攻击。
3.2.0版本彻底重构了这一机制,改用更安全的Function()构造函数来替代eval()。Function()构造函数在沙盒环境中创建函数,不会自动访问当前作用域,从而大大降低了安全风险。这种改变不仅提高了系统的整体安全性,还保持了原有的灵活性。
API监控功能增强
API监控是Kener的核心功能之一,新版本对其进行了多项改进:
-
原始响应数据直接传递:不再需要base64编码/解码步骤,评估函数现在可以直接接收原始响应数据,简化了处理逻辑并提高了性能。
-
模块化支持:新增了
modules参数,允许评估函数直接使用预加载的模块。当前版本内置了cheerio模块,这是一个流行的HTML解析库,特别适合处理网页内容。 -
参数结构调整:评估函数的参数从
(statusCode, responseTime, responseDataBase64)变为(statusCode, responseTime, responseRaw, modules),使API更加直观。
这些改进使得编写API监控评估函数更加简单高效。例如,现在可以直接使用cheerio解析HTML响应,而不需要手动安装和加载这个库:
(async function (statusCode, responseTime, responseRaw, modules) {
const $ = modules.cheerio.load(responseRaw);
return $('title').text().includes('Expected Title');
})
TCP和Ping监控简化
对于TCP和Ping监控,新版本同样进行了简化:
-
直接数据访问:评估函数现在直接接收ping/TCP结果数组,不再需要通过base64编码传输数据。
-
参数简化:评估函数的参数从
(responseDataBase64)简化为(arrayOfPings),减少了不必要的解码步骤。 -
更好的错误处理:新增了对无效评估函数的检测和错误处理机制,提高了系统的稳定性。
这些改进使得编写TCP/Ping监控评估函数更加直观:
(async function (arrayOfPings) {
// 计算平均延迟
const sum = arrayOfPings.reduce((a, b) => a + b, 0);
const avg = sum / arrayOfPings.length;
return avg < 100; // 返回是否平均延迟小于100ms
})
迁移指南
对于现有用户,升级到3.2.0版本需要根据监控类型调整自定义评估函数:
API监控迁移
旧版本格式:
(async function (statusCode, responseTime, responseDataBase64) {
const resp = atob(responseDataBase64);
// 处理逻辑
})
新版本格式:
(async function (statusCode, responseTime, responseRaw, modules) {
// responseRaw已经是解码后的数据
// 可以使用modules.cheerio进行HTML解析
// 处理逻辑
})
TCP/Ping监控迁移
旧版本格式:
(async function (responseDataBase64) {
let arrayOfPings = JSON.parse(atob(responseDataBase64));
// 处理逻辑
})
新版本格式:
(async function (arrayOfPings) {
// arrayOfPings已经是解析后的数组
// 处理逻辑
})
总结
Kener 3.2.0版本通过重构评估机制、简化API和增强监控功能,为用户带来了更安全、更易用的监控体验。这些改进不仅提升了系统的安全性,还使自定义监控逻辑的编写更加直观和高效。对于现有用户,虽然需要进行一些迁移工作,但新版本带来的好处值得这一投入。
随着监控在现代IT系统中的重要性日益增加,Kener的这些改进使其成为一个更加可靠和强大的监控解决方案,适用于各种规模的部署环境。
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