


[Pemantauan Nightingale] Kali pertama bertemu Nightingale, masih kuat!
Kata Pendahuluan
Kebolehmerhatian adalah sakit kepala bagi kebanyakan syarikat kecil dan sederhana, yang kebanyakannya nyata dalam perkara berikut aspek :
- Perisian sumber terbuka yang berbeza diperlukan untuk dipasang untuk mencapai fungsi yang berbeza, seperti menggunakan Skywalking untuk melaksanakan pemantauan pautan, menggunakan ELK untuk melaksanakan pengumpulan dan pemantauan log, dan menggunakan Grafana+Prometheus untuk melaksanakan penunjuk pemantauan.
- Di belakang setiap perisian sumber terbuka adalah sistem bebas antara satu sama lain sebelum ini (Grafana Family Bucket telah digabungkan).
- Pulau data, pautan, log dan penunjuk semuanya berasingan dan tiada sambungan diwujudkan. Penyelesaian pada masa ini di pasaran adalah sama ada produk komersial atau dibangunkan sendiri.
Protagonis artikel ini sebenarnya tidak bersatu Pada peringkat semasa, komponen sumber terbuka yang berbeza masih digunakan untuk melaksanakan fungsi yang berbeza, N9e boleh melihatnya pada panel utama yang sama sambungan antara data Masih belum berlaku.
Kalau begitu kenapa anda masih perlu belajar N9e?
Kerana ke sanalah ia menuju.
Seperti yang dinyatakan di atas, Grafana sudah melakukannya Berdasarkan gabungan Grafana+Loki+Tempo+Prometheus, pemantauan, penunjuk, dan pautan boleh dikaitkan Apakah perbezaan antara N9e dan Grafana?
Dalam kata-kata Encik Qin: Grafana lebih baik dalam mengurus panel pemantauan, dan N9e lebih baik dalam mengurus peraturan penggera.
N9e boleh menghantar peraturan penggera yang berbeza kepada kumpulan dan kumpulan perniagaan yang berbeza untuk mengelak daripada menjana sejumlah besar mesej penggera dalam satu kumpulan, yang akan membawa kepada kisah serigala yang menangis dari semasa ke semasa.
Setelah mengatakan semua itu, apakah rupa N9e?
Berikut ialah sistem yang telah saya gunakan.
Seperti yang anda lihat, pada panel ini, kami boleh melaksanakan:
- Pengurusan penggera
- Pertanyaan penunjuk siri masa
- Analisis log
- Penjejakan pautan
- Penyembuhan diri penggera
- Pengurusan kakitangan
- ....
Dengan cara ini anda tidak perlu bertukar-tukar antara beberapa apl, yang pantas.
Seni Bina Sistem
Bercakap tentang seribu hingga sepuluh ribu, jika anda tidak memahami seni bina, ia akan menjadi sia-sia.
Sekarang mari kita lihat rupa seni bina N9e Hanya dengan memahami cara N9e berfungsi daripada logik seni bina akan memberi manfaat besar kepada kedua-dua penggunaan dan penyelenggaraan.
N9e terutamanya mempunyai penyelesaian penggunaan penumpuan pusat dan penyelesaian penggunaan hibrid tenggelam tepi, yang akan diterangkan di bawah.
Penyelesaian penggunaan tertumpu pusat
Gambar pertama:
Penyelesaian ini adalah untuk mewujudkan kluster N9e , data pemantauan wilayah lain dihantar ke kluster ini, yang memerlukan sambungan rangkaian yang baik antara kluster pusat dan wilayah lain.
Untuk gugusan pusat, ia merangkumi komponen berikut terutamanya:
- MySQL: digunakan untuk menyimpan maklumat konfigurasi dan peristiwa penggera.
- Redis: digunakan untuk menyimpan Token JWT, maklumat meta mesin dan data lain.
- TSDB: pangkalan data siri masa, yang menyimpan penunjuk pemantauan.
- N9e: perkhidmatan teras, memproses permintaan web dan menyediakan enjin penggera
- LB: menyediakan fungsi beban untuk berbilang N9e.
Untuk Wilayah lain, anda hanya perlu menggunakan Categraf, yang akan menolak data pemantauan setempat ke gugusan pusat.
Seni bina ini dicirikan oleh kesederhanaan dan kos penyelenggaraan yang rendah. Premisnya ialah pautan rangkaian antara bilik komputer mestilah agak baik Jika rangkaian tidak baik, penyelesaian berikut mesti digunakan.
Penyelesaian penggunaan hibrid tenggelam tepi
Seni bina ini merupakan tambahan kepada penyelesaian penggunaan pusat, terutamanya untuk rangkaian Situasi buruk:
- Alihkan pangkalan data siri masa TSDB, get laluan pemajuan dan enjin penggera ke Wilayah tertentu dan biarkan Wilayah itu sendiri mengendalikannya. Walau bagaimanapun, Wilayah masih perlu mewujudkan sambungan degupan jantung dengan kluster pusat, dan pengguna masih boleh melihat maklumat pemantauan Wilayah lain melalui panel pemantauan kluster pusat.
- Jika anda sudah mempunyai Prometheus, anda juga boleh menyambung terus Prometheus sebagai sumber data.
Di dalam bilik komputer tepi, apabila menggunakan perpustakaan pemasaan, enjin penggera dan get laluan pemajuan, sila ambil perhatian bahawa enjin penggera perlu bergantung pada pangkalan data kerana peraturan penggera perlu disegerakkan dan gerbang pemajuan juga perlu bergantung pada pangkalan data kerana ia memerlukan Untuk mendaftarkan objek ke dalam pangkalan data, anda perlu membuka rangkaian yang berkaitan.
!! PS: Untuk penyelesaian ini, rangkaian itu sendiri tidak bagus, dan rangkaian perlu dibuka, mungkin Ia masih akan terjejas oleh masalah rangkaian.
Pengerahan mesin tunggal
Mengapa kita harus memilih penggunaan mesin tunggal di sini?
Sebenarnya, saya mahu menggunakan setiap komponen bersebelahan antara satu sama lain, yang akan membantu untuk memahami keseluruhan mod pengendalian N9e.
!! Petua: Saya menggunakan sistem Ubuntu 22.04.1 di sini
Pasang MySQL
Pasang Redis!! Demi kelajuan, saya memasang Mariadb
yang akan bermula secara automatik selepas pemasangan selesai. Kemudian tetapkan kata laluan pengguna untuk pangkalan data.# 更新镜像源 $ sudo apt-get update # 更新软件 $ sudo apt-get upgrade # 安装Mariabd $ sudo apt-get install mariadb-server-10.6Salin selepas log masuk# 连接数据库 $ sudo mysql # 设置权限和密码 > GRANT ALL PRIVILEGES ON *.* TO 'root'@'localhost' IDENTIFIED BY '1234'; >flush privileges;Salin selepas log masuk
# 更新镜像源 $ sudo apt-get update # 更新软件 $ sudo apt-get upgrade # 安装Redis $ sudo apt install redis-server
akan dimulakan secara automatik secara lalai.
Pasang TSDBTerdapat banyak pilihan untuk TSDB pada N9e:
PrometheusM3DB- VictoriaMetrics
- InfluxDB
- Thanos Di sini saya memilih VictoriaMetrics.
# 下载二进制包 $ wget https://github.com/VictoriaMetrics/VictoriaMetrics/releases/download/v1.90.0/victoria-metrics-linux-amd64-v1.90.0.tar.gz # 解压 $ tar xf victoria-metrics-linux-amd64-v1.90.0.tar.gz # 启动 $ nohup ./victoria-metrics-prod &>victoria.log &
Salin selepas log masukPerhatikan sama ada 8428 bermula.
# 下载最新版本的二进制包 $ wget https://github.com/ccfos/nightingale/releases/download/v6.0.0-ga.3/n9e-v6.0.0-ga.3-linux-amd64.tar.gz # 解压 $ mkdir n9e $ tar xf n9e-v6.0.0-ga.3-linux-amd64.tar.gz -C n9e/ # 检验目录如下 $ ll total 35332 drwxrwxr-x7 jokerbai jokerbai 40964月 12 14:05 ./ drwxr-xr-x4 jokerbai jokerbai 40964月 12 14:05 ../ drwxrwxr-x3 jokerbai jokerbai 40964月 12 14:05 cli/ drwxrwxr-x 10 jokerbai jokerbai 40964月 12 14:05 docker/ drwxrwxr-x4 jokerbai jokerbai 40964月 12 14:09 etc/ drwxrwxr-x 20 jokerbai jokerbai 40964月 12 14:05 integrations/ -rwxr-xr-x1 jokerbai jokerbai 252805124月6 19:05 n9e* -rwxr-xr-x1 jokerbai jokerbai 108380164月6 19:05 n9e-cli* -rw-r--r--1 jokerbai jokerbai297844月6 19:04 n9e.sql drwxrwxr-x6 jokerbai jokerbai 40964月 12 14:05 pub/
dan kemudian import pangkalan data N9e. # 导入数据库
$ mysql -uroot -p <n9e.sql
Salin selepas log masukUbah suai fail konfigurasi N9e dalam fail etc/config.toml dalam direktori semasa.
# 导入数据库 $ mysql -uroot -p <n9e.sql
[[Pushgw.Writers]] # Url = "http://127.0.0.1:8480/insert/0/prometheus/api/v1/write" Url = "http://127.0.0.1:8428/api/v1/write"
Kemudian mulakan perkhidmatan N9e.
# 启动服务 $ nohup ./n9e &>n9e.log & # 检测17000端口是否启动 $ ss -ntl | grep 17000 LISTEN 04096 *:17000*:*
Pasang Categraf
Categraf ialah Ejen pemantauan dan pengumpulan yang akan menolak maklumat yang dikumpul kepada TSDB. # 下载
$ wget https://download.flashcat.cloud/categraf-v0.2.38-linux-amd64.tar.gz
# 解压
$ tar xf categraf-v0.2.38-linux-amd64.tar.gz
# 进入目录
$ cd categraf-v0.2.38-linux-amd64/
Salin selepas log masukUbah suai fail konfigurasi Dalam conf/config.toml, bahagian yang diubah suai adalah seperti berikut:
# 下载 $ wget https://download.flashcat.cloud/categraf-v0.2.38-linux-amd64.tar.gz # 解压 $ tar xf categraf-v0.2.38-linux-amd64.tar.gz # 进入目录 $ cd categraf-v0.2.38-linux-amd64/
[[writers]] url = "http://127.0.0.1:17000/prometheus/v1/write" [heartbeat] enable = true
Kemudian mulakan Categraf.
$ nohup ./categraf &>categraf.log &
Tambah sumber data
Sekarang jika anda pergi menyemak penunjuk data siri masa, anda tidak boleh cari mereka. Kerana tiada sumber data telah ditambahkan.
Tambah sumber data dalam Konfigurasi Sistem->Sumber Data, seperti berikut:
Kemudian anda boleh melihat data penunjuk yang sepadan.
Anda juga boleh melihat data pemantauan hos melalui papan pemuka terbina dalam, seperti berikut:
Ringkasan
Artikel ini memberi anda gambaran awal tentang Nightingale, memberikan pengenalan ringkas kepada keseluruhan seni binanya, dan kemudian membawa anda dari yang telah saya pasang ia dari 0 hingga 1 untuk memberi semua orang pemahaman yang jelas tentang komponen Nightingale. Pada masa ini, Nightingale telah dikemas kini kepada versi V6 Versi ini mempunyai banyak percubaan berfungsi baharu, seperti akses kepada ELK, akses kepada Jaeger, dll. Siri ini akan terus dikemas kini pada masa hadapan.
Atas ialah kandungan terperinci [Pemantauan Nightingale] Kali pertama bertemu Nightingale, masih kuat!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Anotasi teks ialah kerja label atau teg yang sepadan dengan kandungan tertentu dalam teks. Tujuan utamanya adalah untuk memberikan maklumat tambahan kepada teks untuk analisis dan pemprosesan yang lebih mendalam, terutamanya dalam bidang kecerdasan buatan. Anotasi teks adalah penting untuk tugas pembelajaran mesin yang diawasi dalam aplikasi kecerdasan buatan. Ia digunakan untuk melatih model AI untuk membantu memahami maklumat teks bahasa semula jadi dengan lebih tepat dan meningkatkan prestasi tugasan seperti klasifikasi teks, analisis sentimen dan terjemahan bahasa. Melalui anotasi teks, kami boleh mengajar model AI untuk mengenali entiti dalam teks, memahami konteks dan membuat ramalan yang tepat apabila data baharu yang serupa muncul. Artikel ini terutamanya mengesyorkan beberapa alat anotasi teks sumber terbuka yang lebih baik. 1.LabelStudiohttps://github.com/Hu

Anotasi imej ialah proses mengaitkan label atau maklumat deskriptif dengan imej untuk memberi makna dan penjelasan yang lebih mendalam kepada kandungan imej. Proses ini penting untuk pembelajaran mesin, yang membantu melatih model penglihatan untuk mengenal pasti elemen individu dalam imej dengan lebih tepat. Dengan menambahkan anotasi pada imej, komputer boleh memahami semantik dan konteks di sebalik imej, dengan itu meningkatkan keupayaan untuk memahami dan menganalisis kandungan imej. Anotasi imej mempunyai pelbagai aplikasi, meliputi banyak bidang, seperti penglihatan komputer, pemprosesan bahasa semula jadi dan model penglihatan graf Ia mempunyai pelbagai aplikasi, seperti membantu kenderaan dalam mengenal pasti halangan di jalan raya, dan membantu dalam proses. pengesanan dan diagnosis penyakit melalui pengecaman imej perubatan. Artikel ini terutamanya mengesyorkan beberapa alat anotasi imej sumber terbuka dan percuma yang lebih baik. 1.Makesen

Khalayak yang biasa dengan "Westworld" tahu bahawa rancangan ini terletak di taman tema dewasa berteknologi tinggi yang besar di dunia masa hadapan Robot mempunyai keupayaan tingkah laku yang serupa dengan manusia, dan boleh mengingati apa yang mereka lihat dan dengar, serta mengulangi jalan cerita teras. Setiap hari, robot ini akan ditetapkan semula dan dikembalikan kepada keadaan asalnya Selepas keluaran kertas kerja Stanford "Generative Agents: Interactive Simulacra of Human Behavior", senario ini tidak lagi terhad kepada filem dan siri TV telah berjaya menghasilkan semula ini tempat kejadian di "Bandar Maya" Smallville 》Alamat kertas peta gambaran keseluruhan: https://arxiv.org/pdf/2304.03442v1.pdf

Teknologi pengesanan dan pengecaman muka adalah teknologi yang agak matang dan digunakan secara meluas. Pada masa ini, bahasa aplikasi Internet yang paling banyak digunakan ialah JS Melaksanakan pengesanan muka dan pengecaman pada bahagian hadapan Web mempunyai kelebihan dan kekurangan berbanding dengan pengecaman muka bahagian belakang. Kelebihan termasuk mengurangkan interaksi rangkaian dan pengecaman masa nyata, yang sangat memendekkan masa menunggu pengguna dan meningkatkan pengalaman pengguna termasuk: terhad oleh saiz model, ketepatannya juga terhad. Bagaimana untuk menggunakan js untuk melaksanakan pengesanan muka di web? Untuk melaksanakan pengecaman muka di Web, anda perlu biasa dengan bahasa dan teknologi pengaturcaraan yang berkaitan, seperti JavaScript, HTML, CSS, WebRTC, dll. Pada masa yang sama, anda juga perlu menguasai visi komputer yang berkaitan dan teknologi kecerdasan buatan. Perlu diingat bahawa kerana reka bentuk bahagian Web

SOTA baharu untuk keupayaan memahami dokumen multimodal! Pasukan Alibaba mPLUG mengeluarkan kerja sumber terbuka terkini mPLUG-DocOwl1.5, yang mencadangkan satu siri penyelesaian untuk menangani empat cabaran utama pengecaman teks imej resolusi tinggi, pemahaman struktur dokumen am, arahan mengikut dan pengenalan pengetahuan luaran. Tanpa berlengah lagi, mari kita lihat kesannya dahulu. Pengecaman satu klik dan penukaran carta dengan struktur kompleks ke dalam format Markdown: Carta gaya berbeza tersedia: Pengecaman dan kedudukan teks yang lebih terperinci juga boleh dikendalikan dengan mudah: Penjelasan terperinci tentang pemahaman dokumen juga boleh diberikan: Anda tahu, "Pemahaman Dokumen " pada masa ini Senario penting untuk pelaksanaan model bahasa yang besar. Terdapat banyak produk di pasaran untuk membantu pembacaan dokumen. Sesetengah daripada mereka menggunakan sistem OCR untuk pengecaman teks dan bekerjasama dengan LLM untuk pemprosesan teks.

FP8 dan ketepatan pengiraan titik terapung yang lebih rendah bukan lagi "paten" H100! Lao Huang mahu semua orang menggunakan INT8/INT4, dan pasukan Microsoft DeepSpeed memaksa diri mereka menjalankan FP6 pada A100 tanpa sokongan rasmi daripada Nvidia. Keputusan ujian menunjukkan bahawa kaedah baharu TC-FPx FP6 kuantisasi pada A100 adalah hampir atau kadangkala lebih pantas daripada INT4, dan mempunyai ketepatan yang lebih tinggi daripada yang terakhir. Selain itu, terdapat juga sokongan model besar hujung ke hujung, yang telah bersumberkan terbuka dan disepadukan ke dalam rangka kerja inferens pembelajaran mendalam seperti DeepSpeed. Keputusan ini juga mempunyai kesan serta-merta pada mempercepatkan model besar - di bawah rangka kerja ini, menggunakan satu kad untuk menjalankan Llama, daya pemprosesan adalah 2.65 kali lebih tinggi daripada dua kad. satu

Izinkan saya memperkenalkan kepada anda projek sumber terbuka AIGC terkini-AnimagineXL3.1. Projek ini adalah lelaran terkini model teks-ke-imej bertema anime, yang bertujuan untuk menyediakan pengguna pengalaman penjanaan imej anime yang lebih optimum dan berkuasa. Dalam AnimagineXL3.1, pasukan pembangunan menumpukan pada mengoptimumkan beberapa aspek utama untuk memastikan model mencapai tahap prestasi dan kefungsian yang baharu. Pertama, mereka mengembangkan data latihan untuk memasukkan bukan sahaja data watak permainan daripada versi sebelumnya, tetapi juga data daripada banyak siri anime terkenal lain ke dalam set latihan. Langkah ini memperkayakan pangkalan pengetahuan model, membolehkannya memahami pelbagai gaya dan watak anime dengan lebih lengkap. AnimagineXL3.1 memperkenalkan set teg khas dan estetika baharu

Alamat kertas: https://arxiv.org/abs/2307.09283 Alamat kod: https://github.com/THU-MIG/RepViTRepViT berprestasi baik dalam seni bina ViT mudah alih dan menunjukkan kelebihan yang ketara. Seterusnya, kami meneroka sumbangan kajian ini. Disebutkan dalam artikel bahawa ViT ringan biasanya berprestasi lebih baik daripada CNN ringan pada tugas visual, terutamanya disebabkan oleh modul perhatian diri berbilang kepala (MSHA) mereka yang membolehkan model mempelajari perwakilan global. Walau bagaimanapun, perbezaan seni bina antara ViT ringan dan CNN ringan belum dikaji sepenuhnya. Dalam kajian ini, penulis menyepadukan ViT ringan ke dalam yang berkesan
