Apache SkyWalking 对 ActiveMQ Artemis 的追踪支持
2025-05-09 04:00:59作者:冯梦姬Eddie
随着消息中间件技术的不断发展,Apache ActiveMQ 项目在2023年推出了新一代的消息代理实现——Artemis。作为 ActiveMQ 5 的继承者,Artemis 经过重构和优化,在性能、可扩展性和云原生支持方面都有显著提升。本文将介绍 Apache SkyWalking 对 Artemis 的追踪支持情况。
Artemis 与经典 ActiveMQ 的差异
Artemis 虽然源自 ActiveMQ 5,但在实现上有诸多不同:
- 客户端库不同:Artemis 使用专门的 artemis-jakarta-client 库,而经典版使用 activemq-client
- 生产者实现:Artemis 的生产者方法为 doSendx,经典版为 send
- 消费者实现:Artemis 通过 getMessage 获取消息,经典版使用 dequeue 方法
这些底层实现的差异使得 SkyWalking 需要为 Artemis 提供专门的插件支持。
SkyWalking 的追踪支持
SkyWalking 社区正在为 Artemis 开发专门的追踪插件,主要关注以下方面:
- 生产者追踪:拦截 doSendx 方法,记录消息发送的链路信息
- 消费者追踪:监控 getMessage 调用,构建完整的消费链路
- 上下文传播:确保消息在生产和消费过程中的上下文信息能够正确传递
这种细粒度的追踪能力可以帮助开发者:
- 分析消息流转的完整路径
- 定位消息处理过程中的性能瓶颈
- 排查消息丢失或重复消费等问题
未来发展方向
除了基础的追踪功能外,SkyWalking 社区还计划:
- 服务器监控:收集 Artemis 服务器的运行指标,如队列深度、内存使用等
- 拓扑关系:构建消息生产者和消费者的拓扑关系图
- 告警功能:基于监控指标设置阈值告警
这些增强功能将使 SkyWalking 成为 Artemis 消息系统更全面的可观测性解决方案。
总结
随着 Artemis 在业界的逐步普及,SkyWalking 对其的支持将帮助用户更好地监控和管理基于 Artemis 的消息系统。从基础的追踪功能开始,逐步扩展到全面的监控能力,SkyWalking 致力于为用户提供完整的可观测性体验。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218