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。
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