Micrometer 1.15.0-M2 版本发布:监控工具的重要更新
项目简介
Micrometer 是一个为 Java 应用提供度量指标的监控库,它类似于 SLF4J 在日志领域的作用,为各种监控系统提供了一个通用的接口。通过 Micrometer,开发者可以轻松地将应用指标发送到 Prometheus、Graphite、InfluxDB 等不同的监控系统中,而无需修改代码。
1.15.0-M2 版本核心更新
重要变更
本次里程碑版本包含了几项值得开发者注意的重要变更:
-
SignalFx 注册表的弃用:Micrometer 正式宣布弃用 micrometer-registry-signalfx 模块,推荐用户迁移到 micrometer-registry-otlp 模块。这一变更反映了行业向 OpenTelemetry 协议(OTLP)标准靠拢的趋势。
-
HTTP 客户端监控调整:移除了对 404 和 301 状态码的特殊处理,这一变更影响了 OkHttp、JDK HTTP 客户端和 Jetty 客户端的监控行为,使监控更加标准化。
-
里程碑发布位置变更:从本版本开始,里程碑版本将发布到 Maven Central 仓库,而非之前的仓库位置,这可能会影响部分用户的依赖配置。
新功能与增强
-
性能优化:改进了 DefaultLongTaskTimer 在处理无序停止任务时的平均性能表现,这对于高并发场景下的长任务监控尤为重要。
-
日志记录增强:
- 为 CountedAspect 和 TimedAspect 添加了指标记录失败的日志输出,帮助开发者更容易发现和诊断监控问题。
- 改进了 LoggingMeterRegistry 中 Timer 和 LongTaskTimer 的输出一致性,使日志更易于阅读和分析。
-
ExecutorService 监控扩展:新增了对 AutoShutdownDelegatedExecutorService 的支持,扩展了线程池监控的覆盖范围。
-
Log4j2 集成改进:当 LoggerContext 重新配置时,Log4j2Metrics 现在能够正确地重新绑定,解决了动态日志配置场景下的监控问题。
-
OTLP 注册表增强:现在支持通过任何协议发送指标数据,提供了更大的灵活性和兼容性。
问题修复
-
Log4j2Metrics 问题:
- 修复了在多注册表和非根日志记录器场景下的工作问题。
- 优化了 MetricsFilter 实例的创建逻辑,避免了不必要的实例创建。
-
日志输出问题:
- 修复了 LoggingMeterRegistry 中 LongTaskTimer 的输出格式问题。
- 解决了 Timer 和 FunctionTimer 在 LoggingMeterRegistry 中单位不一致的问题。
-
分布统计问题:修复了分布统计中 bucket_counts 总和与计数不匹配的问题,确保统计数据的准确性。
依赖项更新
本次版本更新了多个关键依赖项,包括:
- Google 认证库升级到 1.32.1
- AWS CloudWatch SDK 升级到 2.30.15
- Netflix Spectator 升级到 1.8.4
- SignalFx Java 客户端升级到 1.0.49
- Google Cloud 监控库升级到 3.58.0
- Netty 升级到 4.1.117.Final
- Dropwizard Metrics 升级到 4.2.30
开发者建议
对于正在使用或计划使用 Micrometer 的开发者,建议关注以下几点:
-
SignalFx 迁移:如果项目中使用 SignalFx 注册表,应开始规划向 OTLP 注册表的迁移,以跟上技术发展趋势。
-
HTTP 监控调整:检查应用中是否依赖了对 404/301 状态码的特殊监控处理,必要时进行调整。
-
日志监控:利用增强的日志功能,可以更有效地监控和诊断应用性能问题。
-
依赖管理:注意依赖项的版本变化,特别是如果项目直接或间接依赖了更新过的库。
Micrometer 1.15.0-M2 版本在监控功能、性能和稳定性方面都做出了重要改进,为开发者提供了更强大、更可靠的监控工具。随着向 OTLP 标准的靠拢,Micrometer 正在积极适应云原生和可观测性领域的最新发展趋势。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00