prometheus-operator监控mysql

Prometheus MySQL 性能监控 Prometheus 是一种开源的监控系统和时序数据库,旨在收集和处理大量数据并提供可视化、监控警报等功能。它支持多种语言、多种部署方式,并且非常灵活,而且社区支持非常活跃,为用户提供了很多优秀的解决方案。MySQL 是一种流行的关系型数据库管理系统,用于存储和管理结构化数据。MySQL 数据库对于 web 应用程序、企业级应用程序和数据仓库等应用场景都非常适用。 阅读详情

之前有一个是使用docker-compose部署的exporter服务.这篇文章使用deploy部署服务.

先看下配置信息

直接上yaml文件,这里为了简单,将所有的配置都写到了一个文件中,这里只是做了配置,后面才是创建相关信息,以及展开说明了下各个项目的配置

[root@prometheus-operator /zpf/prometheus/exporter]$cat deploy-all.yaml
---
# ConfigMap 配置:存储 MySQL Exporter 的连接配置
apiVersion: v1
kind: ConfigMap
metadata:
  name: mysql-exporter-config  # ConfigMap 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
data:
  my.cnf: |                   # 配置文件内容,会被挂载到容器中
    [client]
    host=192.168.59.21        # MySQL 服务器地址
    user=app                  # 连接用户名
    password=mysql            # 连接密码
    port=3306                 # MySQL 端口

# Deployment 配置:定义 MySQL Exporter 的部署方式
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: mysql-exporter        # Deployment 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
  labels:
    app: mysql-exporter       # 标签,用于 Service 和 ServiceMonitor 选择
spec:
  replicas: 1                 # 副本数量
  selector:
    matchLabels:
      app: mysql-exporter     # 选择器,匹配 Pod 标签
  template:
    metadata:
      labels:
        app: mysql-exporter   # Pod 标签,与 selector 匹配
    spec:
      imagePullSecrets:
        - name: aliyun-docker-images-registry  # 私有镜像拉取密钥
      containers:
      - name: mysql-exporter
        image: registry.cn-beijing.aliyuncs.com/scorpio/mysqld-exporter:0.17.2  # 镜像地址
        args:                   # 启动参数
          - "--collect.info_schema.processlist"    # 启用各种收集器
          - "--collect.info_schema.innodb_metrics"
          - "--collect.info_schema.tablestats"
          - "--collect.info_schema.tables"
          - "--collect.info_schema.userstats"
          - "--collect.engine_innodb_status"
          - "--config.my-cnf=/etc/mysql/my.cnf"    # 指定配置文件路径
        ports:
        - containerPort: 9104   # 容器暴露的端口
        volumeMounts:
        - name: config-volume   # 挂载 ConfigMap 到容器
          mountPath: /etc/mysql
      volumes:
      - name: config-volume     # 定义 volume,来源是 ConfigMap
        configMap:
          name: mysql-exporter-config  # 引用上面定义的 ConfigMap

# Service 配置:为 MySQL Exporter 创建服务端点
---
apiVersion: v1
kind: Service
metadata:
  name: mysql-exporter        # Service 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
  labels:
    app: mysql-exporter       # 标签,用于 ServiceMonitor 选择
spec:
  selector:                   # 选择器,关联到 Deployment 的 Pod
    app: mysql-exporter       # 匹配 Deployment 中定义的 Pod 标签
  ports:
    - name: http-metrics      # 端口名称,被 ServiceMonitor 引用
      port: 9104              # Service 端口
      targetPort: 9104        # 目标容器端口
      protocol: TCP
  type: ClusterIP             # 服务类型,集群内部访问

# ServiceMonitor 配置:告诉 Prometheus 如何发现和抓取指标
---
apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
  name: mysql-exporter        # ServiceMonitor 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
spec:
  endpoints:
  - port: http-metrics        # 引用 Service 中定义的端口名称
    interval: 15s             # 抓取间隔
  selector:
    matchLabels:
      app: mysql-exporter     # 选择器,匹配 Service 的标签
  namespaceSelector:
    matchNames:
    - monitoring              # 只监控 monitoring 命名空间中的服务

说明一下各部分的作用:

部署ConfigMap

用于后面deploy文件的挂载,实现mysql-client的配置持久化

#配置一个Configmap,将mysql-client需要的配置信息,后面会以configmap的形式挂载到deploy中,
# ConfigMap 配置:存储 MySQL Exporter 的连接配置
apiVersion: v1
kind: ConfigMap
metadata:
  name: mysql-exporter-config  # ConfigMap 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
data:
  my.cnf: |                   # 配置文件内容,会被挂载到容器中
    [client]
    host=192.168.59.21        # MySQL 服务器地址
    user=app                  # 连接用户名
    password=mysql            # 连接密码
    port=3306                 # MySQL 端口

创建DeployMent,是mysqld-exporter的工作容器主体
# Deployment 配置:定义 MySQL Exporter 的部署方式
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: mysql-exporter        # Deployment 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
  labels:
    app: mysql-exporter       # 标签,用于 Service 和 ServiceMonitor 选择
spec:
  replicas: 1                 # 副本数量
  selector:
    matchLabels:
      app: mysql-exporter     # 选择器,匹配 Pod 标签
  template:
    metadata:
      labels:
        app: mysql-exporter   # Pod 标签,与 selector 匹配
    spec:
      imagePullSecrets:
        - name: aliyun-docker-images-registry  # 私有镜像拉取密钥
      containers:
      - name: mysql-exporter
        image: registry.cn-beijing.aliyuncs.com/scorpio/mysqld-exporter:0.17.2  # 镜像地址
        args:                   # 启动参数
          - "--collect.info_schema.processlist"    # 启用各种收集器
          - "--collect.info_schema.innodb_metrics"
          - "--collect.info_schema.tablestats"
          - "--collect.info_schema.tables"
          - "--collect.info_schema.userstats"
          - "--collect.engine_innodb_status"
          - "--config.my-cnf=/etc/mysql/my.cnf"    # 指定配置文件路径
        ports:
        - containerPort: 9104   # 容器暴露的端口
        volumeMounts:
        - name: config-volume   # 挂载 ConfigMap 到容器
          mountPath: /etc/mysql
      volumes:
      - name: config-volume     # 定义 volume,来源是 ConfigMap
        configMap:
          name: mysql-exporter-config  # 引用上面定义的 ConfigMap
创建Service,用于代理上面创建的deploy服务对外提供访问用

# Service 配置:为 MySQL Exporter 创建服务端点
---
apiVersion: v1
kind: Service
metadata:
  name: mysql-exporter        # Service 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
  labels:
    app: mysql-exporter       # 标签,用于 ServiceMonitor 选择
spec:
  selector:                   # 选择器,关联到 Deployment 的 Pod
    app: mysql-exporter       # 匹配 Deployment 中定义的 Pod 标签
  ports:
    - name: http-metrics      # 端口名称,被 ServiceMonitor 引用
      port: 9104              # Service 端口
      targetPort: 9104        # 目标容器端口
      protocol: TCP
  type: ClusterIP             # 服务类型,集群内部访问
创建operator使用的Monitoring资源,

创建这个资源服务的作用是将已经对外提供的服务让prometheus-operator读取到.

也就是prometheus知道从哪里拉取监控数据


# ServiceMonitor 配置:告诉 Prometheus 如何发现和抓取指标
---
apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
  name: mysql-exporter        # ServiceMonitor 名称
  namespace: monitoring       # 部署在 monitoring 命名空间
spec:
  endpoints:
  - port: http-metrics        # 引用 Service 中定义的端口名称
    interval: 15s             # 抓取间隔
  selector:
    matchLabels:
      app: mysql-exporter     # 选择器,匹配 Service 的标签
  namespaceSelector:
    matchNames:
    - monitoring              # 只监控 monitoring 命名空间中的服务

创建上面的各项服务

创建资源
#创建资源
[root@prometheus-operator /zpf/prometheus/exporter]$kubectl  create -f deploy-all.yaml
service/mysql-exporter created
servicemonitor.monitoring.coreos.com/mysql-exporter created
configmap/mysql-exporter-config created
deployment.apps/mysql-exporter created
查看各部分创建结果
#查看ConfigMap创建结果
[root@prometheus-operator /zpf/prometheus/exporter]$kubectl get cm -A|grep mysql
monitoring                        mysql-exporter-config                                  1      67s
#查看创建详细信息
[root@prometheus-operator /zpf/prometheus/exporter]$kubectl get cm -n monitoring                        mysql-exporter-config -o yaml
apiVersion: v1
data:
  my.cnf: |
    [client]
    host=192.168.59.21
    user=app
    password=mysql
    port=3306
kind: ConfigMap
metadata:
  creationTimestamp: "2025-04-22T03:09:31Z"
  name: mysql-exporter-config
  namespace: monitoring
  resourceVersion: "8080337"
  uid: 3829a17f-ab58-451f-bffb-614212e9811d

#查看deploy创建结果
[root@prometheus-operator /zpf/prometheus/exporter]$kubectl get deploy -A|grep mysql
monitoring                     mysql-exporter                    1/1     1            1           76s

#查看service创建结果
[root@prometheus-operator /zpf/prometheus/exporter]$kubectl get svc -A|grep mysql
monitoring                     mysql-exporter                            ClusterIP   10.233.37.86    <none>        9104/TCP                        82s
#查看ServiceMonitor创建结果
[root@prometheus-operator /zpf/prometheus/exporter]$kubectl get ServiceMonitor -A|grep mysql
monitoring   mysql-exporter            2m1s
验证页面是否已经抓取到exporter的相关信息

页面已经可以展示mysql-exporter的相关信息.

Prometheus+Grafana监控Mysql数据库 使用Prometheus + Grafana对mysql数据库进行监测 阅读详情

相关推荐

Prometheus实战教程:监控mysql数据库

使用prometheus+Grafana+mysql_exporter实现监控mysql数据库各项指标数据。 mysql_exporter:采集mysql数据库各项指标数据 prometheus:获取mysql_exporter数据 Grafana:展示prometheus采集的数据

guting18893110463的博客 1442

prometheus 监控mysql数据库

prometheus 监控mysql数据库

bearboy80的专栏 1万+

将 MySQL 通过 bitpoke/mysql-operator 部署到 k8s 内部

目前 openbayes 的几乎所有组件都部署在 k8s 内部,但 mysql 作为核心的数据存储节点对其要求都蛮高的,通常来说是需要独立部署的,对于目前的业务场景,其要求主要包含以下几点: 需要持久化存储,一旦数据丢失问题非常严重 对性能有要求,不然会拖垮依赖它的一切服务 需要一些额外的备份机制,可以快速的从一个备份做恢复 需要对应的监控体系 mysql 需要可以比较容易的通过各种客户端访问,方便不同的角色对数据做分析或者做 debug 在规模比较大的时候可能会做读写分离 之所以希望将 mysql 部

eisen 的博客 1197

用Prometheus全面监控MySQL服务:一篇文章搞定

在现代应用中,MySQL数据库的性能和稳定性对业务至关重要。有效的监控可以帮助预防问题并优化性能。Prometheus作为一款强大的开源监控系统,结合Grafana的可视化能力,可以提供全面的MySQL监控方案。上述执行的命令当初我尝试是在同一个网络组之下运行,如果你也想尝试一定要先建立好网络组不然会报错,不知道如何配置的可以看我另外一篇文章直达链接最后说一句(求关注,别白嫖我)如果这篇文章对您有所帮助,或者有所启发的话,帮忙扫描下发二维码关注一下,您的支持是我坚持写作最大的动力。

舒一笑的博客 7222

【HarmonyOS 5】鸿蒙APP使用【团结引擎Unity】开发的案例教程

以下是基于团结引擎开发鸿蒙Unity应用的详细案例教程,整合环境配置、工程适配、跨语言通信等核心环节。

2201_75709314的博客 2482

kubeadm init 运行时kebelet启动失败问题

解决k8s kubeadm init时遇到的kubelet问题

ZDPZN的博客 6074

Prometheus Operator终极指南:如何高效监控MySQL主从复制与性能指标

Prometheus Operator是一款强大的工具,能够帮助用户在Kubernetes环境中轻松部署和管理Prometheus监控系统,实现对MySQL主从复制与性能指标的高效监控。 ## 一、Prometheus Operator架构解析 Prometheus Operator的架构设计清晰,能够实现对监控对象的有效管理。其核心组件包括Operator、Prometheus Server

gitblog_00114的博客 755

WRF-Chem新手避坑指南:从chem_opt到emiss_opt,那些手册里没明说的参数配置实战

本文为WRF-Chem新手提供从chem_opt到emiss_opt的参数配置实战指南,解析官方文档中未明确的常见陷阱与解决方案。通过华北重霾案例,详细讲解化学机制选择、排放源配置及特殊参数组合的注意事项,帮助用户避开常见错误,提升模拟效率。

weixin_30897079的博客 279

Prometheus Operator监控数据库:MySQL与PostgreSQL最佳实践

你是否还在为数据库性能问题排查头疼?当业务高峰期遇到MySQL连接数暴增或PostgreSQL查询延迟时,是否因为缺乏实时监控而错失最佳处理时机?本文将带你通过Prometheus Operator(普罗米修斯运营商)实现对MySQL和PostgreSQL数据库的零侵入监控,无需复杂配置即可掌握关键指标,读完你将获得: - 3分钟部署数据库监控的实操指南 - 12个核心性能指标的解读方法 - 开箱...

gitblog_00337的博客 844

EduCoder 计算机网络实验 IP协议分析

第1关:跟踪抓包 任务描述 相关知识 IPV4数据包 截获数据报 分析截获结果 使用git将本地文件推送到远程仓库永久保存 操作要求 任务描述 本关任务:使用 Ping 命令发送数据报,用 Wireshark 截获数据报,分析 IP 数据报的格式,理解 IPV4 地址的编址方法,加深对 IP 协议的理解。 相关知识 为了完成本关任务,你需要掌握: 截获数据报; 简单分析数据包格式。 IPV4数据包 网际协议第 4 版(Internet Protocol version 4

qq_41975868的博客 1万+

Flotherm XT学习历程

大家好,通过半年的热仿真软件学习使用,最终发现最好用,最好上手的软件就是Flotherm XT,对新手非常友好,但由于软件近几年才发布,网上教程非常少,后面我将在这里持续分析软件使用心得,和大家一起学习。

xiaoredred的博客 6259

使用prometheus operator监控部署在k8s集群外的mysql实例

问题背景 平台使用了mysql,部署在k8s集群之外,但是prometheus operator部署在集群内部,涉及如何监控外部的mysql实例问题。 问题调研 MySQL的监控可以使用prometheus的mysql-exporter暴露metrics;对于mysql处在k8s集群外场景,使用手工创建k8s的endpoint对象,创建时指定endpoint对...

V 云原生实践课堂 1795

Android 9.0 系统framework关于忘记开机锁屏密码进不去系统桌面清除锁屏密码问题的解决

在9.0的系统rom定制化开发中,在一些产品中带锁屏密码的功能中,系统默认是滑动解锁,但是客户会设置锁屏密码,在某些时候会 忘掉锁屏密码,导致需要进入恢复出厂设置然后才能进入系统桌面,这样就导致系统的保存的资料都丢失了,所以需要要求提供接口 在下拉状态栏中或者系统服务中在忘记锁屏密码后不恢复出厂设置的情况下,可以清除锁屏密码,接下来就来实现功能

安卓兼职framework和app工程师的博客 615

Prometheus Operator实战—— Prometheus、Alertmanager、Grafana 监控mysql

MySQL是一个关系型数据库管理系统,由瑞典MySQL AB公司开发,目前属于Oracle旗下的产品。MySQL是最流行的关系型数据库管理系统之一。数据库的稳定运行是保证业务可用性的关键因素之一。本文将介绍如何使用Prometheus提供的MySQLD Exporter实现对MySQL数据库性能以及资源利用率的监控和度量。

LoveSummer 4万+

YOLO26改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头

本文记录的是基于移动倒置瓶颈 MBConv 的 YOLO26 的检测头轻量化改进方法研究。采用了独特的倒置瓶颈结构,通过的操作以及,在高效提取特征的同时极大地降低了计算量。本文将的设计优势融入j检测头中,使其在目标检测任务中不仅能够更精准地识别各类目标,还能在计算资源有限的情况下快速响应,展现出更为卓越的实时检测能力。EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks的实现代码如下: 首先在代码中加入如下代码: 其

Limiiiing的博客 286

AI 智能体(Agent)应用开发工程师 · 进阶面试 (五)

在有多位 Agent 共同参与决策时(如评审委员会、代码审查小组),它们可能提出截然相反的建议。共识机制就是用来在这种冲突中得出唯一行动方案的规则。常用机制:多数投票:每个 Agent 一票,根据投票结果决定。实现简单,但忽略了专业度差异。加权投票:根据 Agent 的角色重要性或历史表现赋予不同权重,例如首席架构师 Agent 的票权重是普通开发者 Agent 的 2 倍。管理者仲裁:由一个权限更高的 Manager Agent 听取各方理由后做出最终裁决。这类似于层级制组织决策。辩论收敛。

篮球界最会写bug的人;程序猿中打球最菜的人。 393

prometheus mysql http_prometheus operator监控外部应用mysql

mysqld_exporter官方文档:https://github.com/prometheus/mysqld_exporter下载exporter:wgethttps://github.com/prometheus/mysqld_exporter/releases/download/v0.12.1/mysqld_exporter-0.12.1.linux-amd64.tar.gz设置expo...

weixin_33998152的博客 328

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

prometheus-operator部署服务监控其他节点mysql服务

创建本地my.cnf文件,用户挂载到docker-compose中就,进行配置文件持久化。这里我使用的是单节点部署k8s服务仅作为测试使用,生产环境根据实际情况做修改.prometheus监控页面成功显示mysql相关信息。用于exporter到mysql服务上进行数据采集.所以通过页面应该是可以看到mysql的相关指标信息.创建docker-compose文件,部署。

crontab_e的博客 581

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

k8s容器内部通过Prometheus Operator部署MySQL Exporter监控k8s集群外部的MySQL

k8s容器内部通过Prometheus Operator部署MySQL Exporter监控k8s集群外部的MySQL在按照下面步骤操作之前,请先确保服务器已经部署k8s,prometheus,prometheus operator,关于这些环境的部署,可以自行查找相关资料安装部署,本文档便不在此赘述。关于prometheus监控这部分,大致的系统架构图如下,感兴趣的同学可以自行研究一下,这里就不再具体说明。

qq_39287495的博客 1275

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

监控mysql数据变化_Kubernetes kubeprometheus中添加自定义监控项监控MySQL

以前传统方式去监控一个mysql服务,首先需要安装mysql-exporter,获取mysql metrics,并且暴露一个Port端口,等待prometheus服务来拉取监控信息,然后去Prometheus Server的prometheus.yaml文件中在scarpe_config中添加mysql-exporter的job,配置mysql-exporter的地址和端口等信息,再然后...

weixin_39892565的博客 1402

【K8S使用Helm部署MySQL一主多从并集成Prometheus监控】

本文基于 K8s 实验环境,采用 Helm 工具完成 MySQL 集群自动化部署。文中依次完成 Helm 安装、配置文件自定义、集群部署与状态校验等操作,保障集群稳定运行。同时结合 Prometheus 与 Grafana 组件搭建监控体系,完成监控实例接入与可视化面板配置,实现对 MySQL 集群运行状态、各项性能指标的实时观测。整套方案流程清晰、可落地性强,不仅提升了数据库部署与运维效率,也为云原生架构下 MySQL 集群的搭建、日常运维与故障排查提供了完整的实践参考

m0_63756214的博客 238

云原生环境 Prometheus 企业级监控实战

node-exporter + prometheus + grafana是一套非常流行的 Kubernetes 监控方案。它们的功能如下:

zlyyljlckx的博客 1438

实战指南:5分钟在Kubernetes上部署高可用MySQL集群的秘诀

还在为Kubernetes环境中的MySQL高可用部署而烦恼吗?传统的数据库部署方式在容器化环境中显得力不从心,手动配置复制、故障转移和备份不仅耗时耗力,还容易出错。MySQL Operator正是为了解决这一痛点而生,它让数据库管理员和开发者在Kubernetes上获得"一键式"的MySQL高可用体验。 ## 为什么MySQL Operator是Kubernetes数据库管理的革命性工具?

gitblog_01098的博客 631

3个技术突破让你轻松管理Kubernetes上的MySQL集群:解决高可用与自动化运维难题

在云原生时代,数据库的高可用性和自动化运维一直是技术团队面临的重大挑战。传统的MySQL部署在Kubernetes环境中常常面临故障切换延迟、备份恢复复杂、扩缩容困难等问题。MySQL Operator的出现,正是为了解决这些痛点,让MySQL在Kubernetes上的管理变得简单而可靠。 ## 场景挑战:当MySQL遇上Kubernetes的困境 许多团队在将MySQL迁移到Kubernet

gitblog_00770的博客 409

基于Prometheus Operator的Kubernetes监控体系实战部署

本文详细介绍了基于Prometheus Operator在Kubernetes中构建自动化监控体系的实战部署过程。通过Operator模式,将Prometheus从手动配置的‘宠物’转变为声明式管理的‘牲畜’,利用ServiceMonitor等CRD实现动态服务发现,大幅简化了k8s监控环境的构建与维护。

sky77的博客 450
上一篇: prometheus-operator部署服务监控其他节点mysql服务
下一篇: jenkins授权管理.
被一米六支配的恐惧
博客等级 码龄9年 246粉丝 95原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值