KEDA v2.17.0 发布:云原生事件驱动自动伸缩的新特性解析
KEDA(Kubernetes Event-driven Autoscaling)是一个开源的Kubernetes扩展组件,它通过事件驱动的方式实现了应用的自动伸缩。与传统的HPA(Horizontal Pod Autoscaler)不同,KEDA能够基于各种事件源(如消息队列、数据库、云服务指标等)来动态调整Pod数量,为云原生应用提供了更加灵活和精准的伸缩能力。
核心特性更新
新增Scaler支持
本次v2.17.0版本引入了两个全新的Scaler(伸缩器),进一步扩展了KEDA的事件源支持范围:
-
NSQ Scaler:NSQ是一个实时分布式消息平台,新加入的NSQ Scaler使得KEDA能够监控NSQ主题中的消息积压情况,并根据消息数量自动调整消费者应用的实例数。这对于构建基于NSQ的异步处理系统特别有价值。
-
Temporal Scaler:Temporal是一个开源的微服务编排平台,新的Temporal Scaler可以监控工作流任务队列的长度,根据待处理任务数量自动扩展工作流工作者(Worker)实例。这为使用Temporal构建的复杂业务流程提供了弹性伸缩能力。
重要变更与改进
不兼容变更
-
InitialCooldownPeriod类型变更:将InitialCooldownPeriod从int32类型修改为*int32指针类型,这为配置提供了更灵活的处理方式,允许显式设置零值或空值。
-
Prometheus指标清理:移除了已标记为废弃的Prometheus指标,简化了监控指标集,提高了系统的可维护性。
-
External Scaler TLS配置变更:移除了External scaler中已废弃的tlsCertFile参数,推荐使用更现代的TLS配置方式。
功能废弃通知
NATS Streaming Server(Stan)Scaler:由于NATS Streaming Server项目本身已进入维护模式,KEDA宣布开始废弃其对应的Scaler。建议用户考虑迁移到NATS JetStream或其他现代消息系统。
技术实现亮点
-
更精确的冷却期控制:通过将InitialCooldownPeriod改为指针类型,KEDA现在能够更精确地区分"未设置"和"设置为零"两种情况,为伸缩行为提供了更细粒度的控制。
-
监控指标优化:移除废弃的Prometheus指标减少了系统的复杂度,同时降低了资源消耗,使监控数据更加清晰和高效。
-
安全性增强:External scaler的TLS配置现代化改进了安全性,符合当前云原生安全最佳实践。
应用场景建议
-
消息处理系统:新加入的NSQ Scaler使得基于NSQ构建的消息处理系统能够根据消息负载自动扩展,特别适合突发流量场景。
-
工作流编排:Temporal Scaler为复杂业务流程提供了弹性,当工作流任务激增时自动增加工作者实例,任务减少时自动收缩,优化资源使用。
-
平滑迁移策略:对于仍在使用NATS Streaming Server的用户,建议开始规划迁移到NATS JetStream或其他替代方案,以避免未来版本升级时的问题。
总结
KEDA v2.17.0通过新增对NSQ和Temporal的支持,进一步巩固了其作为Kubernetes事件驱动自动伸缩解决方案的领先地位。同时,通过清理废弃功能和优化现有实现,提高了系统的稳定性和可维护性。对于构建云原生、事件驱动架构的开发团队来说,这个版本提供了更多工具来构建弹性、高效的分布式系统。
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