Bitnami Kube-Prometheus 支持 Prometheus 3 的命名验证方案配置
随着 Prometheus 3 的发布,其引入了对标签和指标名称的 UTF-8 支持,这为监控系统带来了更灵活的命名能力。然而,在实际生产环境中,当我们需要将 Prometheus 与其他监控工具(如 Mimir)配合使用时,可能会遇到兼容性问题。本文将深入探讨如何在 Bitnami Kube-Prometheus Chart 中配置 nameValidationScheme 参数来实现兼容性。
Prometheus 3 的命名验证变化
Prometheus 3 的一个重要变化是放宽了对指标名称和标签的命名限制,现在支持完整的 UTF-8 字符集。这一变化虽然增加了命名的灵活性,但也带来了向后兼容性的挑战。特别是当与一些尚未完全支持 UTF-8 命名规范的监控系统(如 Mimir)集成时,可能会导致数据无法正确处理。
Prometheus 提供了两种命名验证方案:
- UTF-8 模式:完全支持 UTF-8 字符集(Prometheus 3 默认)
- 传统模式:保持与 Prometheus 2.x 相同的命名验证规则
Bitnami Kube-Prometheus 的配置现状
Bitnami Kube-Prometheus Chart 当前版本(11.1.7)尚未直接暴露 nameValidationScheme 参数的配置选项。这个参数由 Prometheus Operator 提供,允许用户在 Prometheus 自定义资源中指定命名验证方案。
在底层,Prometheus Operator 通过 Prometheus 自定义资源定义(CRD)支持这一配置,但 Bitnami Chart 的模板文件尚未将此参数暴露给用户进行配置。
解决方案实现
要解决这个问题,我们需要在 Bitnami Kube-Prometheus Chart 中增加对 nameValidationScheme 参数的支持。具体实现包括:
- 在 values.yaml 中添加配置选项:
prometheus:
nameValidationScheme: "Legacy"
- 修改 prometheus.yaml 模板文件,将配置传递给 Prometheus 自定义资源:
spec:
{{- if .Values.prometheus.nameValidationScheme }}
nameValidationScheme: {{ .Values.prometheus.nameValidationScheme | quote }}
{{- end }}
实际应用场景
在实际应用中,当出现以下情况时,建议将 nameValidationScheme 设置为 "Legacy":
- 与尚未完全支持 UTF-8 命名规范的监控系统集成
- 需要保持与 Prometheus 2.x 版本的完全兼容
- 使用某些对指标名称有特殊要求的告警规则或仪表盘
未来展望
随着监控生态系统的不断发展,预计主流监控工具都将逐步实现对 UTF-8 命名的完整支持。例如,Mimir 项目已经在路线图中规划了对 UTF-8 标签和指标的支持。届时,用户可以更自由地选择命名验证方案,而无需担心兼容性问题。
总结
通过扩展 Bitnami Kube-Prometheus Chart 以支持 nameValidationScheme 参数,用户可以更灵活地配置 Prometheus 的命名验证行为,确保与现有监控生态系统的兼容性。这一改进特别适合那些需要同时使用 Prometheus 和其他监控工具的企业环境,为平滑过渡到 Prometheus 3 提供了便利。
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