Odigos 1.0.144版本发布:全面增强可观测性能力
Odigos是一个开源的分布式追踪系统,专注于为云原生应用提供无缝的可观测性解决方案。该项目通过自动检测应用程序并收集遥测数据,帮助开发者快速定位和解决分布式系统中的问题。
核心功能增强
本次发布的1.0.144版本在多个方面进行了重要改进:
1. 新增Red Hat UBI支持
项目现在提供了基于Red Hat Universal Base Image(UBI)的Docker镜像和构建目标。这使得Odigos能够更好地运行在Red Hat OpenShift等企业级Kubernetes环境中,满足了企业用户对安全性和合规性的要求。
2. 强化Source CRD功能
新增了Source CRD文档,完善了相关功能实现。Source CRD现在支持reported name字段,同时废弃了原有的odigos.io/reported-name注解。这一改进使得资源管理更加规范化和标准化。
3. 增强.NET支持
特别增加了对传统.NET框架的支持,扩展了Odigos在微软技术栈中的适用性。开发者现在可以更方便地在.NET应用中使用Odigos进行分布式追踪。
架构与性能优化
1. 领导者选举配置增强
改进了领导者选举机制,提高了系统在高可用场景下的稳定性。新的配置能够更好地处理节点故障转移情况,确保服务连续性。
2. 资源使用优化
通过限制instrumentation实例数量,有效控制了资源消耗。同时更新了OpenTelemetry相关依赖至最新版本,提升了性能并修复了已知问题。
用户体验改进
1. UI界面升级
引入了全新的UI组件库,支持明暗两种主题模式。新增了只读模式指示标记,当系统处于只读状态时会明确提示用户。
2. 文档全面更新
重构了架构和流水线部分的文档,自动生成了CLI和CRD API参考文档。新增了专业版功能文档,帮助用户更好地理解和使用高级特性。
安全与稳定性
1. 依赖项升级
更新了多个关键依赖项,包括:
- 将controller-runtime升级至0.20.1版本
- 更新gRPC至1.70.0
- 升级OpenTelemetry至1.34.0
这些更新带来了性能提升和安全修复。
2. 环境变量处理优化
改进了环境变量注入机制,使用webhook方式注入instrumentation相关环境变量,提高了可靠性和安全性。同时完善了卸载过程中的环境变量清理逻辑。
新增特性亮点
1. Traceloop目标支持
新增了对Traceloop目的地的支持,扩展了数据输出选项。用户现在可以将追踪数据直接发送到Traceloop进行分析。
2. 代码属性配置
通过instrumentation规则支持代码属性配置,开发者可以更精细地控制哪些代码部分需要被检测。
3. 诊断功能增强
现在可以从数据收集和网关组件收集pprof数据,帮助开发者更全面地诊断系统问题。同时优化了诊断过程中的限流处理。
向后兼容性说明
本次版本中标记了一些即将废弃的功能:
- 废弃了WorkloadInstrumentationConfig
- 标记了instrumentedApplication为即将废弃
- 移除了odigos.io/reported-name注解
建议用户尽快迁移到新的Source CRD和相关字段。
Odigos 1.0.144版本通过上述多项改进,进一步提升了系统的功能性、稳定性和易用性,为开发者提供了更强大的分布式追踪解决方案。无论是新增的Red Hat UBI支持,还是增强的.NET检测能力,都体现了项目团队对多样化应用场景的关注。建议现有用户尽快升级以获取这些改进和新特性。
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 StartedRust0190
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 Notebook0113
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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08