Grafana Tempo OTLP接收器默认绑定地址变更解析
2025-06-13 01:57:55作者:鲍丁臣Ursa
背景介绍
Grafana Tempo是一个开源的分布式追踪系统,它集成了OpenTelemetry Collector的接收器功能。近期在升级OpenTelemetry依赖版本时,发现了一个重要的行为变更:OTLP接收器的默认网络绑定地址从0.0.0.0变更为localhost,这影响了Tempo在容器化环境中的正常运行。
技术细节分析
OpenTelemetry的变更历史
OpenTelemetry Collector在v0.94.0版本中引入了一个重要的安全改进。此前版本中,当接收器配置未明确指定端点地址时,默认会绑定到0.0.0.0(所有网络接口)。这种设计虽然方便,但存在潜在的安全风险,可能使服务暴露在不必要的网络访问中。
为了解决这个问题,OpenTelemetry团队采取了分阶段改进方案:
- v0.94.0:引入
UseLocalHostAsDefaultHost特性门控,允许将未指定地址默认为localhost - v0.110.0:将该特性标记为稳定状态
- v0.112.0:完全移除了特性门控,新行为成为强制标准
对Tempo的影响
在Tempo的典型配置中,用户通常会使用简化的接收器配置:
distributor:
receivers:
otlp:
protocols:
grpc:
http:
在旧版本中,这种配置会使OTLP接收器监听:
- gRPC接口:
0.0.0.0:4317 - HTTP接口:
0.0.0.0:4318
而在新版本中,同样的配置会使接收器监听:
- gRPC接口:
localhost:4317 - HTTP接口:
localhost:4318
这种变化导致当Tempo运行在容器环境中时,外部无法访问这些接收器端口,因为localhost在容器环境下仅指容器内部。
解决方案与最佳实践
显式指定端点地址
推荐的做法是在配置中明确指定接收器应该绑定的网络地址:
distributor:
receivers:
otlp:
protocols:
grpc:
endpoint: "tempo:4317" # 使用服务名
http:
endpoint: "0.0.0.0:4318" # 显式绑定到所有接口
安全考量
虽然可以继续使用0.0.0.0来保持旧版行为,但这会重新引入安全风险。建议在生产环境中:
- 使用具体的服务名称或内部DNS名称替代
0.0.0.0 - 结合网络策略限制访问来源
- 考虑使用服务网格或API网关进行访问控制
Helm用户的注意事项
值得庆幸的是,Grafana官方提供的Tempo Helm图表已经预先配置了明确的端点地址(0.0.0.0),因此使用这些图表部署的用户不会受到此变更影响。
升级建议
对于计划升级Tempo版本的用户:
- 检查现有配置中是否包含未指定端点的接收器配置
- 评估网络访问需求,选择合适的绑定地址
- 在测试环境中验证新配置
- 查阅版本发布说明,了解其他可能的变更
总结
OpenTelemetry的这一变更是出于安全考虑的正确方向,虽然短期内可能带来一些配置调整的工作量,但从长远来看有助于提高系统的默认安全状态。Tempo用户应当理解这一变更的技术背景,并据此调整自己的部署配置,确保既能满足功能需求,又能维持适当的安全水平。
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217