Nightingale仪表盘公开访问配置与功能限制解析
公开访问配置要点
Nightingale监控系统中仪表盘的公开访问功能需要特别注意一个关键配置项。许多用户在设置仪表盘为"公开"和"允许公开访问"后,仍然会遇到需要登录才能查看图表的问题。这通常是由于系统配置中缺少了PromQuerier的启用设置。
要真正实现公开访问,管理员需要在系统配置中将PromQuerier参数设置为true。这个配置项控制着是否允许未经认证的用户查询Prometheus数据源。如果没有启用此选项,即使仪表盘本身设置为允许公开访问,后端数据查询仍然会返回401未授权状态。
功能限制说明
1. 分享页面的菜单项控制
当用户分享仪表盘页面时,会发现图表组件上仍然显示"分享"和"排查"等功能菜单。目前开源版本的Nightingale没有提供直接隐藏这些菜单项的配置选项。对于有定制化需求的组织,可以通过修改前端代码来实现这一功能。开发者可以搜索相关关键字定位到对应的前端组件代码进行修改。
2. 数据源类型支持
在页面监控功能中,Nightingale开源版本目前仅支持Prometheus、Elasticsearch和Loki这三种数据源。对于需要从MySQL数据库获取数据或者使用自定义接口作为数据源的需求,这些功能属于商业版本特性,尚未在开源版本中提供。
技术实现建议
对于希望扩展功能的开发者,可以考虑以下技术路线:
-
对于菜单项的隐藏,可以研究前端框架中的权限控制机制,添加对公开访问状态的特殊处理。
-
对于MySQL数据源支持,虽然开源版本不包含此功能,但有能力的团队可以参考现有数据源插件的实现方式,自行开发MySQL数据源插件。
-
自定义接口数据源可以通过开发中间转换服务实现,将接口数据转换为Prometheus或Loki兼容的格式。
总结
Nightingale作为开源监控系统,在仪表盘分享和公开访问方面提供了基础功能,但某些高级特性需要商业版本支持或自行开发实现。理解这些限制有助于用户更好地规划监控系统架构,根据实际需求选择合适的解决方案或开发路径。
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