Caddy Docker Proxy 中实现多域名独立监控指标的方法
背景介绍
在使用Caddy Docker Proxy插件时,用户经常需要监控不同域名或子域名的访问情况。默认情况下,Caddy的指标处理器会聚合所有域名的监控数据,这给需要按域名分析访问情况的场景带来了不便。
问题分析
在Caddy v2.8.x及更早版本中,指标处理器(metrics handler)会将所有域名的访问数据合并统计,无法区分不同域名的访问情况。这对于托管多个独立网站或服务的场景来说,监控数据的粒度显得过于粗糙。
解决方案
Caddy开发团队已经意识到这个问题,并在最新版本中提供了解决方案:
-
版本要求:该功能已在Caddy v2.9.0-beta.3版本中实现,并将在下一个稳定版(v2.9.0)中正式发布。
-
实现原理:通过PR #6531的修改,Caddy现在可以按主机名(host)区分和统计指标数据。这意味着每个域名或子域名都将有自己独立的访问统计。
-
配置方式:升级到支持版本后,无需额外配置,指标处理器会自动按域名区分统计。用户可以在Grafana等监控系统中看到按域名分类的详细指标。
注意事项
-
版本兼容性:生产环境建议等待v2.9.0稳定版发布后再升级,测试环境可以使用v2.9.0-beta.3体验此功能。
-
指标访问限制:默认情况下,Caddy的指标接口只允许本地访问(127.0.0.1)。如需远程访问,需要修改Caddyfile配置,添加适当的访问控制规则。
-
监控系统适配:在使用Grafana等工具展示指标时,可能需要调整查询语句和面板配置,以充分利用新的按域名分类的指标数据。
总结
Caddy Docker Proxy通过最新版本的更新,解决了多域名监控数据聚合的问题,为每个域名提供了独立的访问指标统计。这一改进大大增强了Caddy在复杂部署环境中的可观测性,使运维人员能够更精确地分析每个域名的访问情况和性能表现。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。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
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00