Apache Dubbo 3.3.2 中 observability starter 导致 Actuator 端点失效问题解析
问题背景
在 Apache Dubbo 3.3.2 版本中,当开发者引入 dubbo-observability-spring-boot-starter 依赖后,Spring Boot Actuator 的默认端点(如 /info、/health)会出现无法访问的情况。这个问题会导致监控系统无法获取应用的基础健康状态信息,对生产环境监控造成影响。
问题现象
引入 observability starter 后,访问 /actuator 端点仅返回 Dubbo 相关的端点信息:
- /actuator/dubbo
- /actuator/dubbo/{command}
而标准的 Spring Boot Actuator 端点(如 /info、/health)则完全不可见。这种现象与 Spring Boot Actuator 的默认行为不符,通常 Actuator 会暴露多个内置端点用于应用监控。
问题根源
经过分析,这个问题源于 Spring Boot 的端点自动配置机制。在 Spring Boot 2.x 版本中,默认情况下只有 /health 和 /info 等少数端点是被启用的。当引入额外的 starter(如 Dubbo 的 observability starter)时,可能会覆盖默认的端点配置。
具体来说,dubbo-observability-spring-boot-starter 在初始化时没有正确处理与 Spring Boot Actuator 的集成,导致默认端点被禁用。
解决方案
临时解决方案
在 application.properties 或 application.yml 中显式启用所有端点:
management.endpoints.enabled-by-default=true
推荐解决方案
更精确地控制需要启用的端点:
management.endpoint.health.enabled=true
management.endpoint.info.enabled=true
# 其他需要的端点
技术原理
Spring Boot Actuator 的端点控制遵循以下规则:
- 每个端点都有独立的启用开关
- management.endpoints.enabled-by-default 控制所有端点的默认启用状态
- 特定端点的设置会覆盖全局默认值
Dubbo 的 observability starter 在实现时,可能无意中修改了这些默认配置,导致标准端点被禁用。正确的做法应该是在不影响现有端点配置的情况下,只添加 Dubbo 特有的监控端点。
最佳实践
- 在生产环境中,建议明确列出需要启用的端点,而不是简单地启用所有端点
- 对于 Dubbo 监控,可以单独启用 Dubbo 相关端点:
management.endpoint.dubbo.enabled=true - 定期检查 Spring Boot 和 Dubbo 的版本兼容性,特别是当使用 observability 相关功能时
总结
这个问题展示了 Spring Boot starter 之间可能存在的配置冲突。作为开发者,在引入新的 starter 时应该:
- 了解其对现有配置的影响
- 明确指定需要的监控端点
- 在测试环境中验证所有监控功能是否正常
Dubbo 社区已经在新版本中修复了这个问题,建议用户关注后续版本更新。对于使用 3.3.2 版本的用户,可以通过上述配置方案解决端点不可见的问题。
通过正确处理 Actuator 端点配置,开发者可以确保应用监控系统的完整性和可靠性,为运维提供全面的监控数据支持。
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