Kamon 是一组用于监控运行在 JVM 上的应用的工具和框架。
示例代码：
public class GetStarted {
public static void main(String[] args) {
Kamon.start();
final Histogram someHistogram = Kamon.metrics().histogram("some-histogram");
final Counter someCounter = Kamon.metrics().counter("some-counter");
someHistogram.record(42);
someHistogram.record(50);
someCounter.increment();
// This application wont terminate unless you shutdown Kamon. Kamon.shutdown();
}}
实体对象：
-
操作 TraceContext 收集trace信息全都在于与tracing API以及当前的存储了信息的TraceContext交互，因为他是由你的应用程序产生的。这一节将教你能创建的所有基本的操作，并实关闭一个TraceContext和与它有关的segment。 注意：即使你了解到如何操作TraceContext很重要，一些kamon模块如Akka,Scala,Spray和Play!模块也已经提
-
采样方式 通过kamon.trace.sampler可以配置一个采样器，这可以决定哪些 span 应该被发送到 span 报告器。采样器类型有几个可能的值，分别是： always：报告所有 trace，会忽略配置的其他规则。ConstantSampler类 never：不报告任何 trace，会忽略配置的其他规则。ConstantSampler类 random：随机采样器，由于概率设置中定义的概率
-
原文 http://kamon.io/documentation/get-started/ 从kamon开始 kamon以一个核心模块和一些可选模块发布。核心模块由具有所有metric recording和trace manipulation 功能的API构成，可选模块提供了字节码形式的基本组建，并且可以报告你的应用程序的性能。你可以在你的应用程序中将所有模块作为简单的库添加到依赖中，此外，如果你
-
Tracing 模块 Tracing 模块提供基本的API让你能够记录你的应用程序中有用的功能点信息，允许你获取你的应用程序运行时更深层次的和更精确的数据，以及内部组件的运行状态。 在metrics模块引导你监测你的应用程序中特定的模块时，tracing模块工作在更高的层次，当组建之间的交互，提供具体的面向用户的功能是关系的主题。在这里，主要目的是了解功能X和功能Y的行为方式，如果可能，并知道这些
-
trace订阅协议 当你给你的应用程序配置使用“Simple Tracing”级别时，每当一个trace被选择和报告时，你能够订阅tracing模块，并接收TraceInfo 信息。订阅使用Kamon.tracer.subscribe(...) 方法，如下所示： Scala： Kamon.tracer.subscribe(subscriber) Java: Kamon.tracer().subsc
-
Python是一种面向对象的脚本语言，设计模式是可复用的编程解决方案，二者在各种现实场景中应用都十分广泛。本书是针对Python代码实现设计模式的经典作品，着重讨论了用于解决日常问题的所有GoF设计模式，它们能帮助你构建有弹性、可伸缩、稳健的应用程序，并将你的编程技能提升至新的高度。第2版探讨了桥接模式、备忘模式以及与微服务相关的几种模式。 本书用现实生活中的例子带你了解各种常用的设计模式，介绍了
-
除了Spark的监控功能，Spark Streaming增加了一些专有的功能。应用StreamingContext的时候，Spark web UI 显示添加的Streaming菜单，用以显示运行的receivers（receivers是否是存活状态、接收的记录数、receiver错误等）和完成的批的统计信息（批处理时间、队列等待等待）。这可以用来监控 流应用程序的处理过程。 在WEB UI中的Pr
-
微服务的特点决定了功能模块的部署是分布式的，大部分功能模块都是运行在不同的机器上，彼此通过服务调用进行交互，前后台的业务流会经过很多个微服务的处理和传递，出现了异常如何快速定位是哪个环节出现了问题？ 在这种框架下，微服务的监控显得尤为重要。本文主要结合Spring Boot Actuator，跟大家一起分享微服务Spring Boot Actuator的常见用法，方便我们在日常中对我们的微服务进行
-
Kubernetes 使得管理复杂环境变得更简单，但是对 kubernetes 本身的各种组件还有运行在 kubernetes 集群上的各种应用程序做到很好的洞察就很难了。Kubernetes 本身对应用程序的做了很多抽象，在生产环境下对这些不同的抽象组件的健康就是迫在眉睫的事情。 我们在安装 kubernetes 集群的时候，默认安装了 kubernetes 官方提供的 heapster 插件，
-
在前面的安装heapster插件章节，我们已经谈到Kubernetes本身提供了监控插件作为集群和容器监控的选择，但是在实际使用中，因为种种原因，再考虑到跟我们自身的监控系统集成，我们准备重新造轮子。 针对kubernetes集群和应用的监控，相较于传统的虚拟机和物理机的监控有很多不同，因此对于传统监控需要有很多改造的地方，需要关注以下三个方面： Kubernetes集群本身的监控，主要是kube
-
上一节我们和大家介绍了Prometheus的数据指标是通过一个公开的 HTTP(S) 数据接口获取到的，我们不需要单独安装监控的 agent，只需要暴露一个 metrics 接口，Prometheus 就会定期去拉取数据；对于一些普通的 HTTP 服务，我们完全可以直接重用这个服务，添加一个/metrics接口暴露给 Prometheus；而且获取到的指标数据格式是非常易懂的，不需要太高的学习成本
-
背景 APM 是应用性能监控的缩写。目前 APM 的主要功能着眼于分布式系统的性能诊断，其主要功能包括调用链展示，应用拓扑分析等。 Apache ShardingSphere 并不负责如何采集、存储以及展示应用性能监控的相关数据，而是将 SQL 解析与 SQL 执行这两块数据分片的最核心的相关信息发送至应用性能监控系统，并交由其处理。 换句话说，Apache ShardingSphere 仅负责产
-
SkyWalking 是 Seata 组件中重要的APM（应用性能监控）实现. 预备工作 当您将 SkyWalking 整合到您的 Seata 工程前，请确保后台已经启动 SkyWalking 服务，如果您尚且不熟悉 SkyWalking 的基本使用的话，可先行参考 SkyWalking 快速入门。建议使用 SkyWalking 8.4.0 及以上的版本。 快速上手 Seata 融合 SkyWal
-
上一篇文章《springboot(十九)：使用Spring Boot Actuator监控应用》介绍了Spring Boot Actuator的使用，Spring Boot Actuator提供了对单个Spring Boot的监控，信息包含：应用状态、内存、线程、堆栈等等，比较全面的监控了Spring Boot应用的整个生命周期。 但是这样监控也有一些问题：第一，所有的监控都需要调用固定的接口来查