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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0120
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01