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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08