Apache HertzBeat 1.7.1版本发布:监控告警系统的全面升级
Apache HertzBeat是一个开源的实时监控告警系统,它能够对各种服务、应用和基础设施进行监控,并在出现问题时及时发出告警。该项目采用分布式架构设计,支持多种数据采集方式,提供了丰富的可视化界面和灵活的告警配置功能。
核心功能改进
监控能力增强
-
新增PLC S7协议支持:本次版本新增了对西门子PLC S7协议的监控支持,使得工业自动化领域的设备也能被纳入监控范围。PLC S7协议是工业控制系统中广泛使用的通信协议,这一改进大大扩展了HertzBeat在工业物联网场景的应用能力。
-
视频监控设备支持:增加了对海康威视(Hikvision)、大华(Dahua)和宇视(Uniview)等主流视频监控设备的监控功能。这些设备在安防领域应用广泛,现在用户可以直接在HertzBeat中监控这些设备的运行状态。
-
Prometheus/VictoriaMetrics优化:改进了对Prometheus和VictoriaMetrics监控数据的处理逻辑,特别是在集群模式下的支持更加完善。同时修复了历史数据查询和图表展示中的一些问题,使监控数据更加准确可靠。
告警系统升级
-
基于标签的告警过滤:新版本引入了基于标签(label)的告警阈值设置和过滤功能。用户现在可以根据监控对象的标签来定义不同的告警规则,这使得告警配置更加灵活和精确。
-
告警抑制功能完善:增强了告警抑制(Alert Inhibit)能力,可以防止相关告警的重复通知。例如,当某个主机宕机时,可以自动抑制该主机上所有服务的告警,避免告警风暴。
-
系统通知集成:新增了通过系统通知提醒告警的功能,用户可以在不依赖外部通知渠道的情况下,直接在系统中接收告警信息。
架构与性能优化
-
日志与追踪集成:集成了OpenTelemetry框架,支持将日志和追踪数据发送到GreptimeDB等时序数据库。这一改进为系统提供了更强大的可观测性能力,便于问题排查和性能分析。
-
内存管理优化:针对收集器(collector)组件进行了内存使用优化,解决了可能出现的资源耗尽问题。同时改进了前端的内存管理,减少了内存增长和崩溃风险。
-
服务发现增强:新增了对Eureka、Consul和DNS等多种服务发现机制的支持,使得在动态环境中自动发现和监控服务变得更加容易。
用户体验改进
-
AI助手功能:引入了AI聊天机器人功能,用户可以通过自然语言交互获取监控信息和系统帮助,降低了使用门槛。
-
国际化支持:增加了对葡萄牙语和日语等更多语言的支持,使HertzBeat能够服务于更广泛的用户群体。
-
文档完善:补充了大量帮助文档,包括告警集成、监控配置、升级指南等内容,特别是针对Spring Boot应用的监控配置提供了详细说明。
安全与稳定性
-
安全问题修复:修复了多个潜在的安全隐患,包括远程执行风险和Webhook模板注入问题,提高了系统的安全性。
-
定时器优化:改进了HashedWheelTimer的实现,修复了pendingTimeouts计数不准确的问题,提升了任务调度的可靠性。
-
代码质量提升:增加了大量单元测试和端到端测试,覆盖了Redis、K8s、JDBC等多个组件的功能验证,确保系统的稳定性。
Apache HertzBeat 1.7.1版本通过这些改进,进一步巩固了其作为开源监控解决方案的地位。无论是功能丰富度、系统性能还是用户体验,都有了显著提升,能够更好地满足企业级监控需求。对于正在寻找轻量级、易扩展监控系统的用户来说,这个版本值得尝试。
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