OpenTelemetry JavaScript 语义约定 v1.31.0 版本解析
OpenTelemetry 作为云原生时代可观测性领域的重要标准,其语义约定(Semantic Conventions)为各类遥测数据提供了统一的命名和结构规范。本文重点分析 OpenTelemetry JavaScript 实现中最新发布的语义约定 v1.31.0 版本带来的重要变化。
核心变更概述
本次 v1.31.0 版本更新主要围绕三个方面展开:CPU 监控指标的标准化重构、新增硬件主机监控指标,以及对 Kubernetes 资源指标的完善。这些变更体现了 OpenTelemetry 在系统监控领域的持续演进。
CPU 监控指标重构
本次版本对 CPU 相关指标进行了重要重构,将原先以 system.cpu 为前缀的指标统一迁移到新的 cpu 命名空间下:
- 原
system.cpu.frequency变更为cpu.frequency - 原
system.cpu.time变更为cpu.time - 原
system.cpu.utilization变更为cpu.utilization
这种重构使得指标命名更加简洁,同时与其他技术栈的命名保持更好的一致性。开发者需要注意及时更新代码中对这些指标的引用。
新增硬件主机监控指标
v1.31.0 引入了以 hw.host 为前缀的一系列新指标,用于监控主机硬件状态:
hw.host.ambient_temperature:主机环境温度hw.host.energy:主机能耗hw.host.heating_margin:主机加热余量hw.host.power:主机功率
这些指标特别适用于需要监控物理服务器或边缘设备硬件状态的场景,为基础设施监控提供了更丰富的维度。
Kubernetes 资源指标完善
在 Kubernetes 监控方面,本次更新主要涉及:
-
复制控制器(ReplicationController)相关指标的命名规范化:
- 原
k8s.replication_controller.available_pods变更为k8s.replicationcontroller.available_pods - 原
k8s.replication_controller.desired_pods变更为k8s.replicationcontroller.desired_pods
- 原
-
新增多个 Kubernetes 资源属性:
- HPA(Horizontal Pod Autoscaler)相关属性:
k8s.hpa.name和k8s.hpa.uid - ResourceQuota 相关属性:
k8s.resourcequota.name和k8s.resourcequota.uid - ReplicationController 标识属性:
k8s.replicationcontroller.name和k8s.replicationcontroller.uid
- HPA(Horizontal Pod Autoscaler)相关属性:
这些变更使得 Kubernetes 监控数据的结构更加完整和一致。
OpenTelemetry SDK 监控指标
本次更新还新增了多个用于监控 OpenTelemetry SDK 本身运行状态的指标:
- 导出相关指标:
otel.sdk.exporter.span.exported.count、otel.sdk.exporter.span.inflight.count - 处理相关指标:
otel.sdk.processor.span.processed.count、otel.sdk.processor.span.queue.capacity、otel.sdk.processor.span.queue.size - Span 相关指标:
otel.sdk.span.ended.count、otel.sdk.span.live.count
这些指标为诊断和优化 OpenTelemetry SDK 的性能提供了有力工具。
移动端应用监控增强
针对移动应用场景,新增了以下属性:
- Android 应用状态:
android.app.state,包含 background/created/foreground 等状态值 - iOS 应用状态:
ios.app.state,包含 active/background/foreground/inactive/terminate 等状态值
这些属性使得移动应用的性能监控能够更准确地反映应用的实际运行状态。
其他重要变更
-
终端用户相关属性:
- 重新启用了
enduser.id属性 - 新增
enduser.pseudo.id用于匿名用户标识
- 重新启用了
-
代码追踪相关:
- 废弃了
code.namespace属性,建议将其内容合并到code.function.name中 - 将
code.filepath重命名为code.file.path
- 废弃了
-
生成式 AI 相关:
- 新增了多个 Agent 和 Tool 相关属性
- 将
gen_ai.openai.request.response_format替换为更通用的gen_ai.output.type
升级建议
对于正在使用 OpenTelemetry JavaScript 实现的开发者,建议:
- 检查项目中是否使用了本次变更中废弃的属性,及时更新为新的命名
- 评估新增指标和属性是否适用于当前监控场景,考虑纳入监控体系
- 特别关注 CPU 指标的变化,确保指标采集和展示不受影响
OpenTelemetry 语义约定的持续演进体现了其在统一可观测性标准方面的努力,开发者及时跟进这些变化将有助于构建更加标准化和可维护的监控系统。
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