Grafana Tempo 2.8.0-rc.1版本发布:分布式追踪系统的性能优化与功能增强
Grafana Tempo是一个开源的分布式追踪后端系统,专注于提供高性能、高可扩展性的追踪数据存储与查询能力。作为Grafana可观测性栈的重要组成部分,Tempo能够与Prometheus、Loki等工具无缝集成,为微服务架构提供完整的可观测性解决方案。
核心功能优化
最新发布的2.8.0-rc.1候选版本在TraceQL指标查询和系统稳定性方面做出了重要改进。TraceQL是Tempo专为追踪数据设计的查询语言,本次更新特别优化了其指标计算功能。
在TraceQL指标处理方面,开发团队实现了两个关键改进:首先是对示例数据的时间分布进行了优化,确保在时间范围内更均匀地展示示例;其次是增加了示例数量的硬性限制,防止查询返回过多数据导致性能问题。这些改进使得指标查询结果更加合理且系统资源使用更加可控。
关键问题修复
本次版本修复了多个影响系统稳定性和数据准确性的问题:
-
数据结构比较功能修复:解决了在比较操作中错误包含nestedSetParent等特殊字段的问题,确保数据比较逻辑的准确性。
-
分布式哈希冲突问题:修复了分发器(distributor)组件中潜在的哈希冲突问题,该问题可能导致span数据被错误存储。这一修复对于保证数据完整性至关重要。
-
结构指标计算修正:针对结构指标中的聚合率计算进行了修正,确保指标统计结果的准确性。
-
直方图和分位数示例:优化了TraceQL指标查询中直方图和分位数对应的示例数据展示,使用户能够获得更具代表性的数据样本。
技术实现细节
在底层实现上,开发团队对Tempo的核心组件进行了多项优化。分发器组件的改进特别值得关注,通过优化哈希算法和数据处理流程,有效防止了因哈希冲突导致的数据错位问题。这种改进对于大规模部署环境尤为重要,能够确保在高负载情况下仍能保持数据的准确存储。
TraceQL引擎的增强则体现在查询处理的多个层面。示例数据的优化分发算法不仅提高了查询结果的代表性,还通过硬性限制机制保护了系统资源。同时,针对特殊统计指标(如直方图和分位数)的处理逻辑也得到了完善,使复杂查询能够返回更准确的结果。
版本升级建议
作为2.8.0系列的候选版本,rc.1已经展现出良好的稳定性,特别适合需要以下功能的用户进行评估:
- 依赖TraceQL进行复杂指标分析的用户
- 大规模部署环境下对数据完整性要求严格的场景
- 需要精确直方图和分位数统计的应用
虽然候选版本已经过充分测试,生产环境部署仍建议等待正式版本发布。开发团队通常会根据rc版本的反馈进行最后的调整,确保正式版的稳定性和可靠性。
对于正在使用早期版本的用户,特别是遇到哈希冲突或指标计算问题的环境,建议密切关注2.8.0正式版的发布计划,这些关键修复将显著提升系统的可靠性。
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