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。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
Kimi-K2-ThinkingKimi-K2-Thinking是最新开源思维模型,作为能动态调用工具的推理代理,通过深度多步推理和稳定工具调用(200-300次连续调用),在HLE、BrowseComp等基准测试中刷新纪录。原生INT4量化模型,256k上下文窗口,实现推理延迟和GPU内存使用的无损降低,支持自主研究、编码和写作等工作流。【此简介由AI生成】Python00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00