Prometheus JMX Exporter中配置黑名单过滤JMX指标的最佳实践
2025-06-26 02:34:04作者:瞿蔚英Wynne
在使用Prometheus JMX Exporter监控Java应用时,合理配置黑名单(blacklistObjectNames)是优化监控数据收集的重要环节。本文将通过一个实际案例,深入解析如何正确配置JMX Exporter来过滤不需要的JMX指标。
问题背景
在监控Apache Artemis消息队列时,用户希望过滤掉特定前缀的地址队列指标,特别是以"Queue.PlannedEvent"开头的地址。这些指标在JMX中表现为artemis_address_size_bytes,但直接配置黑名单规则时遇到了过滤无效的问题。
关键发现
1. ObjectName的精确匹配
JMX MBean的ObjectName必须完全匹配才能生效。在案例中,Artemis的ObjectName包含引号包裹的属性值,如:
org.apache.activemq.artemis:broker="0.0.0.0",component=addresses,address="Queue.PlannedEvent"
而最初配置的黑名单规则缺少这些引号,导致匹配失败。
2. 通配符的使用技巧
在黑名单配置中,可以使用通配符(*)来匹配多个指标。正确的通配符使用方式是在ObjectName的末尾或特定属性值上,例如:
org.apache.activemq.artemis:broker="0.0.0.0",component=addresses,address="Queue.PlannedEvent*",*
这种模式可以匹配所有以"Queue.PlannedEvent"开头的地址指标。
配置建议
- 使用JConsole验证ObjectName:在配置前,先用JConsole等工具确认实际的MBean名称格式
- 保持属性值引号:如果JMX Bean的属性值包含特殊字符或空格,确保在配置中保留引号
- 合理使用通配符:在需要批量过滤的场合,使用通配符提高配置效率
- 测试验证:每次修改配置后,重启JMX Exporter并检查/metrics端点确认过滤效果
完整配置示例
lowercaseOutputName: true
lowercaseOutputLabelNames: true
whitelistObjectNames:
- "org.apache.activemq.artemis:*"
blacklistObjectNames:
- "org.apache.activemq.artemis:broker=\"0.0.0.0\",component=addresses,address=\"Queue.PlannedEvent*\",*"
rules:
- pattern: 'org.apache.activemq.artemis<broker="\S+", component=addresses, address="(\S+)"><>AddressSize:'
name: artemis_address_size_bytes
type: GAUGE
labels:
address: $1
help: 队列预估使用的字节数,用于控制分页和阻塞
通过以上配置,可以有效地过滤掉不需要监控的特定队列指标,同时保留其他有价值的监控数据。理解JMX ObjectName的格式要求和通配符的正确使用方式是配置成功的关键。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
225
251
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
319
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868