Dynatrace 对 Cloud Foundry 应用的支持已有时日,这有助于应用团队能够更深入地了解、优化其分布式微服务环境。我们始终致力于为您提供针对您技术堆栈的全面深入分析。我高兴地在这里宣布,Dynatrace 成为首个具备 Cloud Foundry 全栈式深入分析能力的监测解决方案,并且实现了自动化,无需配置。它不仅能监测 Cloud Foundry 集群的平台健康状况和资源优化情况,还能自动监测您部署的各种应用。
Cloud Foundry 集群健康状况监测
通过向您的 Cloud Foundry 虚拟机部署 Dynatrace OneAgent,您可以深度监测所有的 Cloud Foundry 组件,其中包括 Diego Cells、Cloud Controller、Gorouter 等。借助这些功能,Dynatrace 让您能够优化您的集群组件规模、检测出发生故障或资源供给不足的组件,并利用人工智能技术对您的整个堆栈进行分析。
通过向您的集群组件部署 OneAgent,您可以得到每一个虚拟机的健康状况指标,其中包括 CPU 使用情况、磁盘 IO、网络 IO。它还能对您的 Cloud Foundry 组件之间的进程网络通信质量进行深入分析。
自动监测 Cloud Foundry 应用,可深入到代码级和查询级
Dynatrace 面向 Cloud Foundry 环境的全栈式监测内置了用于 Garden-runC 容器的自动插装功能。这意味着Dynatrace OneAgent 可自动检测出部署在 Cloud Foundry 上的每一个应用,同时自动启动深度应用监测。
Dynatrace OneAgent不仅能提供Garden容器中所运行应用的指标,还能提供您分布式应用实例的代码级可视化。
深度监测可为您的微服务团队提供优化服务性能所需的深入分析,同时确保完美的可用性和功能性。
分布式服务自动跟踪
在微服务环境中,尤其是部署于 Cloud Foundry 的微服务环境,分布式服务自动跟踪是一种强大的手段,能够持续、无缝地跟踪整个微服务架构的健康状况。
服务跟踪可追踪请求调用微服务的方式、Cloud Foundry应用如何在整个系统内扩散。服务跟踪还有助于识别在服务到服务的通信链路中出现的性能瓶颈和失败请求。现在,在错综复杂的微服务堆栈中查找性能不佳的问题根源要比以往任何时候都要容易。由于Dynatrace OneAgent能够自动监测Diego Cells上的所有Cloud Foundry应用,因此这些自动跟踪功能可自动应用于您的Cloud Foundry应用。
集成您现有的 BOSH 部署
Dynatrace 的 Cloud Foundry 全栈式监测还能与 BOSH 部署无缝集成。Dynatrace 还提供了一个可作为插件使用的 BOSH 版本,您可以将 OneAgent 部署到您的虚拟机集群,其中包括 Diego Cells 等。该 BOSH 版本还包括用于 Windows Diego Cells 的 OneAgent部署,因此可自动监测基于 .NET Framework 的应用。
有关 Dynatrace BOSH 插件的全部细节,请参见“我如何部署 OneAgent 才能实现全栈式 Cloud Foundry 监测?”一文。
我们与 Pivotal 通力合作,推出了在 Pivotal Cloud Foundry 上用于 Pivotal Cloud Foundry 的 Dynatrace 全栈式插件。因此,如果您正在使用 Pivotal Cloud Foundry,可前往 Pivotal Network 下载Dynatrace 全栈式插件。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。