如何在Polly V8中抑制Execution Attempt日志
背景介绍
Polly是一个流行的.NET弹性库,用于处理瞬态故障和构建弹性应用程序。在Polly V8版本中,ResiliencePipelineBuilder引入了新的日志记录机制,其中包含了一些默认的日志输出,如"Execution attempt"日志。这些日志在某些情况下可能会造成日志系统的冗余输出。
问题现象
当使用ResiliencePipelineBuilder构建重试策略时,即使操作成功执行且无需重试,系统仍会记录类似以下的日志信息:
Execution attempt. Source: 'screenshot-stream-with-retries/(null)/Retry', Operation Key: 'null', Result: 'System.IO.MemoryStream', Handled: 'false', Attempt: '0', Execution Time: '730.3186'
这种日志在成功执行的场景下可能显得多余,增加了日志系统的噪声。
解决方案
方法一:调整Polly日志级别
最直接的解决方案是通过调整Polly的日志级别来控制日志输出。可以将Polly相关的日志级别设置为Warning或更高,这样就不会记录信息级别的Execution Attempt日志。
在ASP.NET Core应用中,可以在appsettings.json中配置:
{
"Logging": {
"LogLevel": {
"Polly": "Warning"
}
}
}
或者在Program.cs中使用代码配置:
builder.Logging.AddFilter("Polly", LogLevel.Warning);
方法二:使用日志过滤器
如果需要更精细的控制,可以创建自定义的日志过滤器来排除特定的日志消息。例如:
builder.Logging.AddFilter((provider, category, logLevel) =>
{
if (category.StartsWith("Polly") &&
logLevel == LogLevel.Information &&
message.Contains("Execution attempt"))
{
return false;
}
return true;
});
方法三:自定义日志记录器
对于更复杂的场景,可以实现自定义的ILoggerProvider和ILogger,在记录日志前进行检查和过滤。
最佳实践建议
-
生产环境:建议将Polly的日志级别设置为Warning或Error,除非特别需要调试弹性策略的执行细节。
-
开发环境:可以保留Info级别的日志,便于调试和验证弹性策略的正确性。
-
关键操作:对于特别重要的操作,可以考虑在OnRetry回调中记录自定义的详细日志,而不是依赖默认的Execution Attempt日志。
-
性能考虑:频繁的日志记录可能影响性能,特别是在高吞吐量系统中,应谨慎选择日志级别。
总结
Polly V8的ResiliencePipelineBuilder提供了强大的弹性策略构建能力,同时也带来了更详细的日志记录功能。通过合理配置日志级别或使用自定义过滤器,可以有效地控制日志输出,保持日志系统的整洁和高效。根据应用场景选择合适的日志级别配置,既能满足监控需求,又能避免日志过载。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00