7 Kong 指标监控与报警

Kong网关 | 「Kong & Prometheus & Grafana」 实时监控 一、安装 Go 1、下载 wget https://dl.google.com/go/go1.12.14.linux-amd64.tar.gz 2、解压 tar -zxvf go1.12.14.linux-amd64.tar.gz 3、配置环境变量 vim /etc/profile export PATH=$PATH:/usr/local/go/bin source /etc/profile ... 阅读详情

图片不清晰可以去看word文档:word文档地址:https://github.com/IceEmblem/LearningDocuments/tree/master/%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99/%E5%B9%B3%E5%8F%B0%E6%97%A0%E5%85%B3/Kong%20%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0

如下介绍prometheus监控系统

Kong prometheus插件

kong提供了prometheus插件,用于收集kong的指标信息,如下我们通过konga添加插件prometheus插件
在这里插入图片描述

添加后我们访问http://127.0.0.1:8001/metrics就可以看到prometheus收集的指标

服务器监测

在装有kong的服务器上面安装一个监测程序,用于监测服务器的状态

# docker run -d --name node-exporter \
--network kongnet \
--restart=always \
-p 9100:9100 \
prom/node-exporter:latest

安装prometheus

如下我们安装prometheus监控采集程序,该程序会搜集目标服务器的指标

1.创建/etc/prometheus/prometheus.yml文件,其内容如下:

# 全局配置
global:
  scrape_interval:     15s # 采集间隔时间。 默认为每 1 分钟。
  evaluation_interval: 15s # 每 15 秒评估一次规则。 默认值为每 1 分钟。

# 抓取端口配置
scrape_configs:
  - job_name: 'kong'
    static_configs:
      - targets: ['kong:8000']  # kong 监测点地址
        labels:
          instance: kong

  - job_name: 'node-exporter'
    static_configs:
      - targets: ['node-exporter:9100'] # node-exporter 监测点地址
        labels:
            instance: node-exporter

2.启动prometheus

# docker run -d --name prometheus \
--network kongnet \
--restart=always \
-p 9090:9090 \
-v /etc/prometheus/prometheus.yml:/etc/prometheus/prometheus.yml \
prom/prometheus:latest

安装grafana

grafana具有丰富的监控展示功能,并且具有报警功能,如下我们安装grafana
1.创建grafana数据存储目录

# mkdir -p /var/lib/grafana && chmod 777 /var/lib/grafana

2.启动grafana

# docker run -d --name=grafana \
--network kongnet \
--restart=always \
-p 3000:3000 \
-v /var/lib/grafana:/var/lib/grafana \
grafana/grafana:latest

3.访问http://127.0.0.1:3000/login,登录grafana,用户名密码均为admin
在这里插入图片描述

4.在设置页面添加我们的prometheus数据源
在这里插入图片描述

这里只需要填写prometheus的服务器地址即可
在这里插入图片描述

5.导入仪表盘
https://grafana.com/grafana/dashboards/ 上提供了各种仪现成表盘,我们只需要输入ID即可添加仪表盘,如下我们在import页面输入id导入node-exporter 和 kong的仪表盘,对应的id为
node-exporter:11074
Kong for prometheus:7424
在这里插入图片描述

我们通过Browse页面可以浏览我们的仪表盘列表,点击对应的行进入对应的仪表盘

grafana邮件报警

下面配置grafana通过邮件进行报警
1.导出grafana的配置

# mkdir /etc/grafana && docker exec -it grafana cat /etc/grafana/grafana.ini > /etc/grafana/grafana.ini

2.修改配置的如下字段,如下使用的是QQ邮箱

[smtp]
enabled = true
host = smtp.qq.com:465
user = 137xxxxxx@qq.com         -- 用于登录的邮箱
password = rwxxxxxxxxxxxxxx     -- 邮箱的smtp授权码
from_address = 137xxxxxx@qq.com    -- 发送报警邮件的邮箱
from_name = Grafana             -- 发送报警邮件的名称

3.重新安装grafana

# docker run -d --name=grafana \
--network kongnet \
--restart=always \
-p 3000:3000 \
-v /var/lib/grafana:/var/lib/grafana \
-v /etc/grafana/grafana.ini:/etc/grafana/grafana.ini \
grafana/grafana:latest

4.新建一个联系点
在这里插入图片描述

5.创建报警规则
我们按照grafana的默认配置创建一个报警规则,当规则被触发后将发送邮件报警
在这里插入图片描述

6.更改通知策略
我们将Notification policies的根改为刚才新建的Test联系点,这样所有规则的发出的报警都会通过我们的Test联系点
在这里插入图片描述

7.测试
我们将容器node-exporter停止,grafana将会向我们发送邮件

感想:grafana的配置真麻烦,关键文档还是英文的,看不懂

踩坑

1.坑1
上篇文章kong容器的生成漏写了2个环境变量导致konga连接不上kong了,后续我已经补回来了
-e “KONG_ADMIN_LISTEN=0.0.0.0:8001”
-e “KONG_ADMIN_LISTEN_SSL=0.0.0.0:8444” \

从Notebook到生产环境:机器学习模型服务化实战指南 机器学习模型服务化是将训练好的算法转化为稳定、可监控、可扩展的在线API的关键过程。其核心原理在于解耦模型逻辑与业务系统,通过容器化打包、标准化接口(如gRPC/REST)、微服务架构和全链路可观测性实现工程闭环。技术价值体现在提升模型迭代效率、保障线上稳定性、支持灰度发布与快速故障定位。典型应用场景包括风控模型实时评分、推荐系统在线推理、NLP服务化部署等。本文聚焦真实生产环境下的Triton模型服务、Kong网关治理、Feast特征一致性及Prometheus黄金指标监控等落地细节,覆盖Docker镜像 阅读详情

相关推荐

机器学习模型生产化落地:特征一致性与可观测性实战

机器学习模型部署不是简单封装API,而是构建可信赖的在线推理系统。其核心在于解决训练与推理间的数据一致性、服务稳定性与行为可解释性三大挑战。特征一致性保障模型输入在离线训练与线上服务中语义、类型、时效完全对齐;可观测性则通过特征新鲜度、预测分布漂移、服务健康度等黄金指标,将模糊的‘感觉异常’转化为精准告警。这些能力直接决定模型能否在高并发、低延迟、强一致的工业场景中持续交付业务价值——如电商实时推荐、金融风控决策或工业缺陷识别。本文聚焦真实产线中的Triton+Feast+Kong技术栈组合,提供从配置校验

weixin_34326179的博客 386

prometheus监控kong网关数据

prometheus监控kong网关数据

运维小桃子 1809

机器学习模型服务化:从Notebook到高可用生产的落地实践

模型服务化(Model Serving)是将训练完成的机器学习模型转化为稳定、可扩展、可观测的生产级API的关键环节。其核心原理在于解耦模型推理与业务治理,通过标准化接口、动态批处理、版本管理与流量控制实现高性能与高可用。技术价值体现在显著提升推理吞吐、降低P99延迟、保障灰度发布与秒级回滚能力。典型应用场景包括推荐系统、实时风控、NLP在线服务等对低延迟和高可靠性要求严苛的工业级AI系统。本文聚焦Triton Inference Server与Kong网关协同架构,深入解析模型服务化在真实流量下的工程落地

weixin_33700350的博客 3112

konga+prometheus监控服务

首先在Konga控制台启用prometheus插件,如下图所示,直接在全局范围启用该插件,关于prometheus插件更多配置详见。在搜索框内输入kong_bandwidth,看是否能查询出数据,能查询说明安装成功。上面的IP要使用实际kong的IP,且不能使用localhost代替。如果见到类似以下数据说明启动成功。在服务器使用docker命令安装。启动好之后在服务器上测试。

圣灵骑士 657

MLOps生产实战:模型封装、服务化与全链路监控

机器学习模型部署不是简单运行predict函数,而是涉及模型封装、API服务构建和持续监控的系统工程。其核心原理在于解耦开发与生产环境依赖、建立韧性服务架构、定义可行动的业务级监控指标。技术价值体现在提升模型推理性能、保障服务高可用、实现故障快速定位与自动响应。典型应用场景包括金融风控实时评分、电商搜索排序、OCR在线识别等需低延迟、高稳定性的线上AI服务。本文聚焦ONNX标准化封装、Triton多框架服务编排及Prometheus+Grafana全链路可观测性实践,覆盖从Notebook到Kubernet

weixin_30892889的博客 351

Kong与Prometheus集成实现AI服务全链路监控

Kong与Prometheus的集成为AI服务提供了全链路、可观测、可追溯的监控能力。本文面向中国AI应用开发者,系统讲解Kong Prometheus插件的原理、配置、监控指标与实战案例,配合Python代码、Mermaid图表、最佳实践与常见问题,助力开发者高效实现AI服务的可观测性与运维自动化。Kong与Prometheus的集成为AI服务提供了全链路、可观测、可追溯的监控能力。通过本指南,开发者可快速上手插件配置、Python采集与大盘搭建,助力AI服务高质量运维。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 1124

Kong Prometheus 插件使用教程

Kong Prometheus 插件使用教程 项目介绍 Kong Prometheus 插件是一个开源的监控插件,用于在 Kong API 网关中集成 Prometheus 监控系统。该插件可以收集 API 请求的各项指标,并通过 Prometheus 进行展示和分析。这有助于用户实时监控 API 的性能和健康状况。 项目快速启动 安装 Kong 首先,确保你已经安装了 Kong。可以通过以下命令...

gitblog_00407的博客 1313

Kong-API-Manager:具有Prometheus和Splunk的Kong API管理器

API管理器堆栈 运行Kong Server + Konga + Prometheus + Grafana + API和DDBB + Splunk 克隆proyect并运行docker-compose https://github.com/safernandez666/Kong-API-Manager.git && cd Kong-API-Manager chmod +x kong-start.sh sh kong-start.sh 运行堆栈 货柜 检查容器的名称以进行将来的配置。 建筑学 在香港创建服务 curl -i -X开机自检--url --data'名称= MyAPI' --data'url = ' 测试 curl -i 在服务上创建路线 curl -i -X POST --data'paths [] = /' -数据名称=主要 测试 curl -i -X GET

Kong网关在Docker环境中的网络问题与优化实践

云原生网关Kong在Docker环境中常遇到网络兼容性问题,特别是在复杂的网络拓扑结构中。Docker的iptables规则与Kong的Nginx内核配置可能产生冲突,导致TCP连接卡死或延迟。通过调整Kong的Nginx配置和Docker网络设置,可以有效解决这些问题。此外,Kong的限流模块可以通过自定义插件实现本地化提示,提升用户体验。本文结合Docker网络原理和Kong网关的实际应用,探讨了在生产环境中部署和优化Kong的最佳实践,包括网络配置、性能调优和故障自愈方案。这些经验对于构建高可用的AP

weixin_33910460的博客 401

AMEsim柱塞泵的建模学习

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、为什么要对柱塞泵进行仿真?二、Amesim中柱塞泵的模型1.amesim中自己的定排量五柱塞的斜盘柱塞泵2.压力、流量仿真总结 前言 最近在学习Amesim进行柱塞泵的仿真学习,顺便在这里记录我的学习过程,这是我的初衷 提示:以下是本篇文章正文内容,下面案例可供参考 一、为什么要对柱塞泵进行仿真? 柱塞泵是功能和动力学比较复杂的流体机械。而在实际实验中,往往没有条件或者需要对柱塞泵做一些优化,所以需要我们利用仿真...

innocent_cft的博客 8187

AutoCAD矢量数据导出全攻略:GIS4CAD插件一键转shp/mdb/kml(附安装包)

本文详细介绍了GIS4CAD插件如何高效解决AutoCAD矢量数据向GIS格式转换的难题。通过一键操作,用户可将CAD中的规划图、地形图等无损转换为行业标准的shp、mdb、kml等多种格式,并确保属性完整与坐标准确。文章提供了从插件安装、数据准备到实战导出的全流程指南,是城市规划、测绘等领域专业人士提升数据互操作效率的必备攻略。

a2b3c4d5e的博客 284

第一本微服务网关图书上市,详解 GitHub 28.3k+ 标星项目 Kong

题图 | Technology vector created by starline - www.freepik.com目前,无论在国内还是国外,互联网公司广泛使用基于 Nginx 或 O...

图灵教育 1014

从NHANES到发表:如何用survey包完成符合CDC要求的统计分析(含完整R代码)

本文详细介绍了如何利用R语言的survey包,对美国国家健康与营养调查数据进行符合CDC要求的统计分析。文章重点解析了NHANES数据的复杂抽样设计、权重变量的正确选择与调整,并提供了从数据获取、清洗、构建调查设计对象到执行加权回归及生成发表级表格的完整R代码实战指南,帮助研究者避免常见错误,确保分析结果的准确性与可发表性。

weixin_29054245的博客 521

网关、微服务、Nginx、OpenResty和Kong

网关是一种高性能、低延迟的流量负载均衡服务,是大型分布式系统中用来保护内部服务的一道安全屏障。它可以对请求实施统一拦截,并帮助开发人员轻松地向外界提供服务,使得开发人员不必考虑路由、版本、缓存、认证、授权、身份验证、限流、熔断、灰度、过滤、转换、计费、审计、脱敏、日志和监控等事情,只需要专注于业务的实现即可。另外,除了将网关应用于常见的代理服务之外,还可以将之广泛应用于WAF(Web应用防火墙)、CDN(内容分发网络)、边缘计算(Edge Computing)、IoT(物联网)、在线聊天、在线直播等多个领域

weixin_41924879的博客 1974

ICT调试技巧:从基础到实战的全面指南

本文提供了一份全面的ICT调试技巧指南,涵盖从基础认知到实战应用的全过程。详细解析了ICT设备硬件结构、程序文件构成,并重点讲解了调试界面的核心参数与高效快捷键。通过跳线、电阻、电容及二极管等常见元器件的实战调试案例,分享了参数设置要点与典型问题解决方案,帮助工程师快速掌握ICT调试核心技能,提升测试效率与准确性。

weixin_29202213的博客 342

四旋翼滑模控制:从理论到Simulink实现

本文深入探讨了四旋翼滑模控制的理论与Simulink实现,对比了其相较于PID控制在抗干扰和鲁棒性方面的显著优势。文章详细介绍了从精确动力学建模、内外环滑模控制器设计到指令解算的完整流程,并分享了Simulink仿真搭建、参数调试及抗扰性能验证的实战经验,帮助工程师掌握在复杂环境下提升四旋翼稳定性的进阶技能。

weixin_29163581的博客 375

机器学习模型生产化落地:从Notebook到高可靠服务的完整路径

机器学习模型部署不是简单将Jupyter代码转为API,而是面向真实业务场景的工程化转型。其核心在于解决可靠性、可观测性与可维护性三大挑战,关键技术包括模型服务化(如Triton/KServe)、特征服务解耦(Feast)、契约驱动架构(gRPC+Protobuf)以及三位一体可观测性(Prometheus+Jaeger+结构化日志)。通过蓝绿发布、金丝雀灰度、模型包标准化(ONNX+metadata+Docker)和生产就绪检查清单,团队可系统性规避‘上线即故障’陷阱。本文聚焦模型生产化(MLOps Pa

weixin_33722405的博客 422

K8s(二十一):在 Kubernetes 集群中部署 MySQL8.0 高可用集群(1主2从)

🔴 K8s(二十一):在 Kubernetes 集群中部署 MySQL8.0 高可用集群(1主2从)

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 3万+

生产级机器学习服务五大生死线:可观测性、弹性伸缩与合规审计实战

机器学习模型上线不是终点,而是工程化交付的起点。从‘能跑’到‘敢用’,核心在于构建具备可观测性、弹性伸缩、灰度发布、模型漂移防御和合规审计就绪能力的生产系统。这已超越传统MLOps范畴,进入模型即系统(MiS)新范式——要求数据流、控制流、状态流与事件流深度协同,并以OpenTelemetry、Kong、PostgreSQL+MinIO等轻量但经战场验证的技术栈落地。尤其在金融、电商等高敏场景,特征漂移、GPU显存碎片、签名验签断层、影子流量失效等真实故障频发,倒逼团队将安全合规嵌入架构DNA,让每一次监管

weixin_33845881的博客 358

3分钟学会SQL中的断点去重技术,轻松搞定连续重复数据去重问题?

传感器采集的温度数据中,存在连续重复的值,需仅在数值变化时保留记录(例如:温度从 25°C 变为 26°C 时记录一次)。:判断逻辑,current_value!若当前温度与前一行的温度不同(或为第一条记录),则保留该行。的技术,常用于时间序列或状态日志中。:将连续相同值的记录合并,只保留断点处的记录。保留断点处的记录(即温度变化时的第一条)。原始数据表 sensor_data。最终仅保留值变化的断点记录。获取前一行的温度值。

石榴姐yyds 1019

YOLO26优化:FPN涨点&轻量化篇 |多级特征融合金字塔(HS-FPN),助力小目标检测

高层筛选特征金字塔网络(HS-FPN),能够刷选出大小目标,增强模型表达不同尺度特征的能力,助力小目标检测

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 331

模型上线后崩溃的7种死法与工程化解法

机器学习模型部署不是简单的文件拷贝,而是从算法验证迈向系统可靠性的关键跃迁。其核心挑战在于生产环境的不确定性——网络延迟、数据漂移、并发冲突、版本不兼容等,都会导致静默失败或服务雪崩。真正的ML工程瓶颈不在建模层,而在集成、可观测、治理与容错能力。本文聚焦特征服务熔断、Schema强校验、分布式状态一致性、ONNX跨语言序列化、K8s资源隔离、灰度发布机制及Fallback可观测性等实战要点,覆盖金融风控、电商推荐等高要求场景,为构建具备SLA保障、可审计、可降级的生产级模型服务提供可复用的技术路径。

turnRound 467

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

MLOps生产实战:模型封装-服务-监控铁三角

机器学习模型部署不是简单运行predict函数,而是构建可维护、可观测、具备韧性的生产级服务。其核心在于将模型从实验代码转化为标准化软件制品,依托ONNX等跨框架格式实现环境隔离与契约定义;通过异步API、限流熔断与优雅降级保障服务可用性;并建立覆盖基础设施、服务性能与数据/模型漂移的三维监控体系。这些实践直指MLOps落地的关键瓶颈——数据漂移检测、GPU资源泄漏、首次请求超时及概率校准失真。本文以真实故障排查为线索,系统拆解从Notebook到Kubernetes的端到端工程化路径,为已掌握模型训练、正

weixin_34101784的博客 367

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

机器学习模型生产部署实战:从Notebook到高可用服务

机器学习模型部署是连接算法研发与业务价值的关键环节,其本质是将训练好的模型转化为可监控、可伸缩、可回滚的工程化服务。核心原理在于打破‘建模即终点’的认知误区,将模型、特征、后处理统一纳入服务化生命周期管理。技术价值体现在稳定性提升(如P95延迟压测)、资源效率优化(GPU利用率≥75%)和合规可追溯性(哈希上链、版本留痕)。典型应用场景覆盖金融风控实时评分、电商推荐CTR预估及IoT边缘预测等高并发、低延迟需求。本文聚焦ONNX跨框架导出、Triton GPU推理调优、Kong网关熔断降级及特征服务分层缓存

axfcjwkbi259888707的博客 348

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

微服务最佳实践:MSE 微服务引擎

MSE 是什么 微服务引擎 MSE(Microservice Engine)是一个面向业界主流开源微服务框架 Spring Cloud 和 Dubbo 的一站式微服务平台。其由四个主要部分组成:微服务治理中心、微服务注册中心、微服务配置中心、微服务网关。先从一些关键词了解下各个组件的特性: • 微服务治理中心:无侵入增强主流开源微服务框架,丰富的服务治理功能 • 微服务注册中心/配置中心:全托管,高可用,丰富完善的监控报警,丰富的控制台运维操作,引擎类型丰富 • 微服务网关:全托管,支持主流开源微服务

阿里巴巴中间件 1078

A2A应用开发核心技术解析与实战指南

A2A(Application to Application)应用开发是企业数字化转型中的关键技术,通过API网关、消息队列等技术实现系统间自动化数据交换。API网关作为系统外交官,需考虑性能、协议支持和监控能力;消息队列如Kafka和RabbitMQ则像数据高速公路,确保信息高效可靠传输。数据转换和安全认证是A2A的核心支柱,涉及JSONata、OAuth2.0等技术。实战中,从环境搭建到代码实现,再到监控配置,每一步都需精细设计。性能调优和故障排查经验表明,合理配置缓存、线程池和证书管理对系统稳定性至关

weixin_33711647的博客 361
上一篇: 7 .NET 依赖注入
下一篇: 8 Kong 高级
dabusidede
博客等级 码龄9年 84粉丝 208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