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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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
Spark-Formalizer-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
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