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。
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