OpenMeter v1.0.0-beta.202 版本发布:监控收集与订阅管理能力升级
OpenMeter 是一个开源的计量和计费系统,专注于为现代云原生应用提供灵活、可扩展的计量解决方案。该系统能够收集、聚合和分析使用数据,支持多种数据源和输出方式,为企业的计费、资源分配和成本优化提供数据基础。
核心功能增强
Prometheus 监控数据收集
本次版本新增了对 Prometheus 监控系统的原生支持。开发团队在 Collector 组件中实现了 Prometheus 输入功能,使得 OpenMeter 能够直接接收和处理 Prometheus 格式的监控数据。这一改进特别适合已经使用 Prometheus 进行系统监控的用户,可以无缝地将现有监控指标导入到 OpenMeter 的计量系统中。
技术实现上,Collector 现在能够解析 Prometheus 的 exposition 格式,并正确处理其中的时间戳和偏移量字段。这意味着监控数据的时序特性能够得到完整保留,为后续的计量和分析提供更准确的基础数据。
客户订阅管理功能完善
在订阅管理方面,本次更新带来了多项重要改进:
-
订阅恢复功能:系统现在支持恢复已取消的订阅,这一功能对于处理客户变更主意的场景非常有用。恢复操作会保持订阅的原始属性,包括创建日期、初始周期等元数据。
-
订阅列表查询:新增了客户订阅列表查询接口,允许通过客户标识快速检索其所有活跃和非活跃的订阅记录。这一功能增强了系统的可观测性,便于客户支持和管理人员进行问题排查。
-
持续订阅验证:改进了对持续订阅(无固定结束日期)的验证逻辑,确保这类订阅在创建和更新时符合业务规则要求。
计费系统优化
在计费模块中,开发团队进行了以下关键改进:
-
客户用量覆盖机制:新增了客户级别的用量覆盖API,允许为特定客户设置自定义的用量计算规则。这一功能在企业级场景中尤为重要,可以满足客户特殊定价或用量调整的需求。
-
发票删除修复:修复了发票删除操作中的错误处理问题,现在系统能够更优雅地处理删除过程中的异常情况,避免出现不一致状态。
-
余额快照索引:优化了余额快照的数据库索引结构,提高了大规模数据环境下余额查询的性能表现。
技术架构调整
本次发布包含了一些重要的技术架构调整:
-
依赖项升级:更新了多个关键依赖库,包括 ClickHouse 客户端、Prometheus 客户端库和 OpenTelemetry 相关组件,提升了系统的稳定性和安全性。
-
API简化:移除了计费系统中的通配符扩展查询功能,这一变更虽然带来了轻微的兼容性影响,但显著简化了API设计,提高了系统的可维护性。
-
实体转换优化:重构了部分代码以更一致地使用实体转换模式,减少了重复代码,提高了代码的可读性和可测试性。
总结
OpenMeter v1.0.0-beta.202 版本在监控数据收集和订阅管理两大核心领域带来了显著的功能增强。新加入的 Prometheus 支持扩展了系统的数据源兼容性,而订阅管理功能的完善则提升了产品的企业级特性。这些改进使得 OpenMeter 在云原生计量和计费领域的竞争力进一步增强。
对于现有用户,建议特别关注API的变更点,尤其是计费查询接口的调整。新用户则可以从这个版本开始体验更完善的监控数据集成能力。开发团队持续关注系统的稳定性和性能表现,这个版本也包含了多项底层优化,为大规模部署提供了更好的基础。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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