OpenNJet 3.2.2版本发布:性能监控增强与动态化能力优化
OpenNJet作为一款基于NGINX的高性能Web服务器和应用交付平台,在3.2.2版本中带来了多项重要改进。本次更新主要集中在系统监控能力的增强、动态化功能的优化以及多个关键问题的修复,进一步提升了系统的稳定性和可观测性。
核心功能增强
系统监控能力升级
新版本在指标展示方面做了重要扩展,新增了worker进程的CPU和内存使用情况监控。这一改进使得运维人员能够更直观地了解每个worker进程的资源消耗情况,便于及时发现潜在的性能瓶颈。
同时,upstream server的健康状态也被纳入监控指标范围。通过这一功能,管理员可以实时掌握后端服务器的健康状态,为负载均衡决策提供更全面的数据支持。
动态化架构优化
在动态化能力方面,3.2.2版本进行了多项架构优化:
-
range模块现在支持集群环境,相关资源名称会带有集群标识,便于在多节点环境下进行管理。
-
动态共享内存实现进行了重构,采用lvlhsh结构保存动态zone的元数据,提高了数据访问效率。
-
动态域名解析功能被迁移到ctrl模块,使架构更加清晰合理。
-
upstream的app_sticky功能实现了动态化支持,为会话保持提供了更灵活的配置方式。
-
Http Upstream的动态zone管理得到优化,提升了动态配置的稳定性和性能。
重要问题修复
本次版本修复了多个关键问题,包括:
-
健康检查SSL协议字段描述信息的准确性得到改进,同时移除了冗余的protocols_str字段。
-
修复了token同步模块中由于expired字段初始化问题导致的数据误清理问题。
-
解决了访问上游解析失败返回状态码9时可能导致的核心转储问题。
-
动态upstream中不能使用http块配置的resolver指令的问题得到修复。
-
修正了动态upstream查询时resolver_timeout字段显示异常的问题。
-
修复了upstream配置app sticky时,如果upstream为空可能导致的核心转储问题。
-
解决了vts模块中response_second指标显示异常的问题。
系统兼容性与安装
OpenNJet 3.2.2提供了多种安装方式,包括RPM包和DEB包,支持CentOS、Ubuntu等多种Linux发行版。对于容器化部署,官方提供了Docker镜像,用户可以通过简单的命令启动服务。
值得注意的是,本次更新对编译脚本进行了改进,支持通过NJET_PREFIX参数指定安装前缀,为自定义安装路径提供了便利。同时,rsync文件同步功能现在会保留源文件的user和group属性,提高了文件管理的准确性。
总结
OpenNJet 3.2.2版本通过增强系统监控能力、优化动态化架构以及修复关键问题,进一步提升了产品的稳定性和可用性。这些改进使得OpenNJet在应用交付、负载均衡等场景下表现更加出色,为开发者和管理员提供了更强大的工具支持。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C042
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0121
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