开源应用诊断利器 Arthas GitHub Star 突破两万

 

一、Arthas Star突破2万啦

https://github.com/alibaba/arthas

随着微服务的流行,应用更加轻量和开发效率不断提升,但是带来的困境是线上问题排查越来越复杂困难。传统的Java排查问题,需要重启应用再进行调试,但是重启应用之后现场会丢失,问题难以复现。 因此自2018年9月,阿里巴巴开源了久经考验,深受开发者喜爱的应用诊断利器Arthas。在阿里巴巴内部Arthas每年诊断数百万次,服务10000+应用,年节约9000人日。 Arthas通过创新的字节码织入技术,可以在应用无需重启时,查看调用上下文,高效排查问题;结合火焰图,可以直接定位热点,发现性能瓶颈;通过redefine技术,实现在线热更新代码;同时支持黑屏化和白屏化诊断,可以连接诊断大规模的集群。 在2019年2月时,我们做了Arthas Star破万里的回顾:新的开始 | Arthas GitHub Star 破万后的回顾和展望 时间飞逝,转眼间一年过去了,Arthas的Star数突破2万了~ 下面来回顾Arthas去年的一些工作。 二、Arthas 过去一年的工作

在过去的一年里,Arthas发布了8个release版本,做了大量的改进,下面列出一些重点:

  • 增加 mbean/heapdump/vmoption/logger/stop/perfcounter/echo/tee 等命令

  • 支持火焰图 async-profiler,快速定位性能瓶颈

  • 支持 tunnel-server,轻松实现大规模管控

  • 支持加载外部配置 arthas.properties

  • JDK13全面支持

  • 支持在应用启动时以java agent的方式使用

 

 

火焰图

在arthas里,通过简单的profiler start和profiler stop命令就可以启动生成火焰图,并且可以在浏览器里直接查看。

 

 

Arthas IDEA插件

开源社区里的 汪吉小哥哥 编写了Arthas IDEA插件,提供了很多常用的功能支持,非常好用。

 

 

Cloud toolkit插件

Cloud Toolkit 是阿里巴巴开发的免费本地 IDE 插件,帮助开发者更高效地开发、测试、诊断并部署应用。通过插件,可以将本地应用一键部署到任意服务器,甚至云端(ECS、EDAS、SAE、ACK、ACR 和 小程序云 等);并且还内置了 Arthas 诊断、Dubbo工具、Terminal 终端、文件上传、函数计算 和 MySQL 执行器等工具。 通过Cloud Toolkit插件使用Arthas一键诊断远程服务器

 

三、感谢贡献者们

在过去的一年里,Arthas获得2019开源中国最受欢迎软件奖,同时在开源贡献者人数从40增长到85,非常感谢他们的工作:

参与贡献: https://github.com/alibaba/arthas/blob/master/CONTRIBUTING.md

 

四、Arthas有奖征文活动

https://mp.weixin.qq.com/s/TPiD5E5xetOSYjgyw8TTQw

 

 

五、Arthas 规划

  • RESTful API支持

  • 插件化支持

  • 全新的字节码框架ByteKit

这三个特性社区小伙伴们提了很多次,已在实质性开发中了。同时希望大家可以提出建议和参与 :)

作者信息:陈志轩(断岭). 阿里巴巴中间件技术专家. 负责阿里巴巴开源应用诊断利器Arthas,内部应用容器开发,Spring Boot的微服务框架的落地。关注开发体验,微服务,APM,应用诊断技术。

上云就看云栖号:更多云资讯,上云案例,最佳实践,产品入门,访问:https://yqh.aliyun.com/

本文为阿里云原创内容,未经允许不得转载。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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