OpenTelemetry .NET 核心库1.11.0版本发布:增强指标与追踪功能
OpenTelemetry是一个开源的观测性框架,它提供了一套统一的API、SDK和工具,用于收集、处理和导出遥测数据(包括指标、日志和追踪)。作为云原生计算基金会(CNCF)的毕业项目,OpenTelemetry已经成为现代分布式系统可观测性的标准解决方案。在.NET生态中,OpenTelemetry .NET项目为开发者提供了强大的工具来监控和诊断应用程序性能。
本次发布的OpenTelemetry .NET核心库1.11.0版本带来了几个重要的改进和修复,主要集中在指标和追踪功能方面。这些改进进一步增强了框架的稳定性和功能性,使开发者能够更精确地监控应用程序的运行状态。
指标功能增强:Meter标签支持
1.11.0版本中最重要的改进之一是增加了对Meter.Tags的全面支持。在.NET的Metrics API中,Meter是创建和记录指标的主要入口点。在此之前,当多个Meter实例具有相同名称但不同标签时,SDK可能会错误地将它们视为同一个Meter,导致指标数据混淆。
新版本解决了这个问题,现在SDK会同时考虑Meter的名称和标签来唯一标识每个Meter。这意味着开发者可以创建多个具有相同名称但不同标签的Meter实例,每个实例将正确地生成独立的指标数据。这一改进特别适用于多租户或复杂部署场景,其中需要区分来自不同环境或配置的相同组件产生的指标。
例如,在微服务架构中,如果同一个服务运行在不同的数据中心,开发者现在可以为每个数据中心的实例创建带有不同"location"标签的Meter,从而在指标中清晰地区分各个位置的性能数据。
追踪功能修复:TraceState传播问题
另一个重要修复涉及追踪功能中的TraceState传播问题。TraceState是W3C追踪规范中定义的一个机制,允许在分布式追踪中携带额外的上下文信息。在之前的版本中,当使用自定义Sampler设置TraceState时,如果创建的是仅用于传播的span(不记录采样数据的span),这些TraceState信息可能会丢失。
1.11.0版本修复了这个问题,确保无论span是否被采样,通过Sampler设置的TraceState都能正确传播。这对于需要跨服务传递特定上下文信息的场景尤为重要,比如在复杂的业务工作流中传递事务ID或业务相关的元数据。
其他组件更新
除了核心功能的改进外,本次发布还包含了多个相关组件的更新:
- OpenTelemetry.Exporter.Console:控制台导出器,用于开发和调试时查看遥测数据
- OpenTelemetry.Exporter.InMemory:内存导出器,主要用于测试场景
- OpenTelemetry.Exporter.OpenTelemetryProtocol:OTLP协议导出器,用于将数据发送到兼容的收集器
- OpenTelemetry.Exporter.Zipkin:Zipkin导出器,支持将数据发送到Zipkin后端
- OpenTelemetry.Extensions.Hosting:为ASP.NET Core应用提供便捷的集成支持
- OpenTelemetry.Extensions.Propagators:提供上下文传播的扩展支持
这些组件都同步更新到了1.11.0版本,与核心库保持兼容性。
升级建议
对于正在使用OpenTelemetry .NET的项目,建议评估1.11.0版本的新特性是否适用于当前场景。特别是那些:
- 需要基于不同标签区分相同组件指标的项目
- 依赖TraceState传递重要上下文信息的分布式系统
- 使用自定义Sampler并需要确保TraceState正确传播的应用
升级过程通常只需要更新NuGet包版本即可,但建议在测试环境中验证新版本的行为是否符合预期。
总结
OpenTelemetry .NET 1.11.0版本通过增强Meter标签支持和修复TraceState传播问题,进一步提升了框架的可靠性和灵活性。这些改进使得开发者能够更精确地收集和分析应用程序的观测数据,特别是在复杂的分布式环境中。作为.NET生态中可观测性的重要工具,OpenTelemetry .NET持续演进,为构建可观察、可维护的云原生应用提供强大支持。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00