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
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。