Prometheus JMX Exporter 1.2.0 版本发布:增强安全与监控能力
Prometheus JMX Exporter 是一个用于将Java应用程序的JMX指标暴露为Prometheus格式的监控工具。它通常以Java代理或独立应用的形式运行,能够帮助开发者和运维人员轻松地将JVM和应用程序的内部状态集成到Prometheus监控生态系统中。
1.2.0版本核心特性
双向TLS认证增强安全性
1.2.0版本引入了对双向TLS认证的支持,这是本次更新的重要安全增强。双向TLS(mTLS)不仅要求服务器向客户端证明其身份,还要求客户端向服务器证明其身份。这种机制特别适合需要高安全性的生产环境,可以有效防止未经授权的访问。
实现上,JMX Exporter现在支持通过配置指定信任存储(trustStore)和需要客户端认证(needClientAuth)的参数。当配置了这些参数后,客户端必须提供有效的证书才能访问暴露的指标端点。
指标自定义器(BETA功能)
这个版本引入了一个实验性的"metric customizer"功能,允许使用MBean的值作为另一个指标的标签。这个功能为监控提供了更大的灵活性,例如:
- 可以将某个MBean的属性值(如应用版本号)作为标签添加到所有相关指标上
- 能够基于动态变化的MBean值创建更有意义的指标分组
- 实现指标之间的关联性增强,提高监控数据的可读性和分析能力
需要注意的是,这个功能目前处于BETA阶段,API可能会在后续版本中发生变化。
技术实现改进
性能优化
1.2.0版本对内部缓存机制进行了优化,通过intern技术处理MBean名称,减少了内存使用并提高了比较效率。这种优化对于监控大量MBean的场景特别有益。
并发处理增强
修复了配置重载时可能出现的并发问题,提高了在高负载或频繁配置变更情况下的稳定性。这对于需要动态调整监控配置的生产环境尤为重要。
依赖管理
项目构建系统进行了重构,现在将Java agent的依赖项进行了shade处理(打包时重命名依赖包路径),避免了与应用程序其他部分的依赖冲突。同时,collector jar现在会发布到Maven中央仓库,方便Java开发者直接引用。
使用建议
对于考虑升级的用户:
- 如果需要增强监控端点的安全性,特别是暴露在公网的环境,强烈建议启用新的mTLS功能
- 对于复杂的监控需求,可以尝试使用新的metric customizer功能,但要注意其BETA状态
- 升级时注意检查配置文件兼容性,特别是如果使用了自定义的SSL/TLS配置
总结
Prometheus JMX Exporter 1.2.0版本通过引入双向TLS认证和灵活的指标自定义功能,显著提升了工具的安全性和可用性。这些改进使得它更适合企业级生产环境,同时也为高级监控场景提供了更多可能性。对于已经使用该工具的用户,升级到1.2.0版本可以获得更好的安全性和性能体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00