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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。