部署prometheus

最新推荐文章于 2025-04-27 10:50:57 发布
最新推荐文章于 2025-04-27 10:50:57 发布
阅读量578 收藏 1
点赞数
分类专栏： K8s 文章标签： 运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ctf059/article/details/116402082
版权
本文详细介绍了如何在Kubernetes(K8S)环境中部署Prometheus，包括Prometheus的主要特点、组成、安装步骤以及相关的组件如AlertManager和Grafana的安装。Prometheus是一个由SoundCloud开发的开源监视系统和时间序列数据库，其特点是自定义多维数据模型、高效存储和强大的查询语言。部署结构包括Prometheus Server、Exporters、metrics-state、adapter、AlertManager和Grafana。文章还提供了镜像和资源文件的来源，并指导了如何发布服务以便通过弹性公网IP访问。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

部署prometheus

Prometheus介绍

Prometheus是SoundCloud开发的一个监视系统和时间序列数据库，开源。
K8S搭配Prometheus进行监控，google BorgMon监控开源

prometheus的主要特点

1.自定义多维数据模型
2.非常高效的存储，平均一个采样数据占~3.5bytes左右
3.在多维度上灵活且强大的查询语言（PromQI）
4.不依赖分布式存储，支持单主节点工作通过基于HTTP的pull方式采集时序数据，可通过push gateway进行时序列数据推送（pushing），可通过服务发现或静态配置去获取要采集的目标服务多种可视化图表及仪表盘
部署结构

Prometheus组成

  1. Prometheus Server：对监控数据的获取，存储以及查询
  2. Exporters:采集node节点的数据提供给Prom
  3. Server metrics-state：获取各种资源的最新状态（pod，deploy）
  4. adapter：获取APIServer的资源指标提供给Prom Server
  5. AlertManager：Prometheus体系中的告警处理中心
  6. Grafana：支持多种图形和Dashboard的展示
  7. operator：以扩展Kubernetes api的形式，帮助用户创建配置和管理复杂的有状态应用程序

镜像及资源文件

网址：https//github.com/coreos/kube-prometheus

安装部署Prometheus

导入镜像

[root@master images]# for i in *.gz;do docker load -i ${i};done
[root@master images]# img="prom/node-exporter v1.0.0
quay.io/coreos/prometheus-config-reloader v0.35.1
quay.io/coreos/prometheus-operator v0.35.1
quay.io/coreos/kube-state-metrics v1.9.2
grafana/grafana 6.4.3
jimmidyson/configmap-reload v0.3.0
quay.io/prometheus/prometheus v2.11.0
quay.io/prometheus/alertmanager v0.18.0
quay.io/coreos/k8s-prometheus-adapter-amd64 v0.5.0
quay.io/coreos/kube-rbac-proxy v0.4.1"
[root@master images]# while read _f _v;do 
  docker tag ${_f}:${_v} 192.168.1.100:5000/${_f##*/}:${_v}
  docker push 192.168.1.100:5000/${_f##*/}:${_v}
  docker rmi ${_f}:${_v}
done <<<"${
   img}"
[root@master images]# curl http://192.168.1.100:5000/v2/_catalog
{"repositories":["alertmanager","configmap-reload","coredns","dashboard","etcd","flannel","grafana","k8s-prometheus-adapter-amd64","kube-apiserver","kube-controller-manager","
最低0.47元/天 解锁文章
AI测试入门：基于 RAG 的 LLM 应用程序的测试方法「详细介绍」
blues_C的博客
10-12 1598
一个典型的 RAG 架构包括一个检索器（对知识库进行矢量搜索检索上下文的组件）和一个生成器（从检索器中获取检索上下文以构建提示并生成自定义 LLM 响应作为最终输出的组件）。在大多数情况下， 知识库”由存储在向量数据库（如 ChromaDB）中的向量嵌入组成。
面向LLM的RAG技术：综述
安静的软件工程师
01-22 2273
面向LLM的RAG技术：综述
一文读懂RAG和LLM微调，教你结合业务场景落地LLM应用
python1234_的博客
07-13 2414
1. 需要外部知识吗？对于以前摘要的风格进行摘要的任务，主要数据源将是以前的摘要本身。如果这些摘要包含在静态数据集中，就不太需要持续外部数据检索。但是，如果有一个频繁更新的摘要动态数据库，目标是不断与最新条目对齐的话，RAG可能在这个场景更好发挥作用。\2. 需要模型适配吗？这个用例的核心是适应专业领域或特定的写作风格。微调特别擅长捕捉风格细微差异、语调变化和特定领域的词汇，因此对于这个维度来说，微调也是是一个必要的选择。\3. 必须是最小化幻觉吗？在大多数LLM应用中，都会存在响应幻觉的问题。
一文讲明白所有RAG概念、分类、基本流程、实践、评估和优化等方向
最新发布
2401_85375186的博客
04-27 1049
如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
一文读懂：LLM大模型RAG
AAI666666的博客
07-09 4174
检索增强生成（Retrieval Augmented Generation），简称 RAG，已经成为当前最火热的LLM应用方案。
关于LLM（大语言模型）与RAG（检索增强生成）
ytt0523_com的博客
02-14 1003
1、LLM（Large Language Model）LLM，即大语言模型，是一种基于深度学习技术构建的超大规模语言模型。它通过在海量文本数据上进行训练，学习语言的模式和规律，从而能够生成自然语言文本。常见的LLM包括GPT系列、PaLM、文心一言等。核心特点：2、RAG（Retrieval-Augmented Generation）RAG，即检索增强生成，是一种结合检索和生成的技术。它在回答问题或生成文本时，会先从外部知识源（如数据库、文档库）检索相关信息，然后将检索结果与原始问题一起输入LLM，生成更准
LLM之RAG理论（十二）| RAG和Graph RAG对比
wshzd的博客
07-23 1476
与传统 RAG 相比，Graph RAG 的主要优势在于它能够检索有关查询中提到的实体的全面详细信息。当我们仔细观察架构时，我们可以看到，首先将文档拆分为可管理的块，并将这些块转换为实体和关系，这些实体和关系构成了知识图谱的基础。在基于LLM问答的系统中实施 RAG 的主要好处是它确保模型可以访问最新、最可靠的事实，并且用户可以访问模型的来源，确保其声明可以被检查为准确性并最终被信任。检索增强生成（RAG）是一个框架，通过支持外部知识源的模型来补充LLM信息的内部表示，从而提高LLM生成响应的质量。
LLM之RAG理论（四）| RAG高级数据索引技术
wshzd的博客
01-02 2506
例如，当解决有关SageMaker处理的特定方面的问题时，系统可以准确地识别与该特定部分相关的信息并对其进行优先级排序，避免与SageMaker模型构建无意中混淆，后者可能有共同之处，但需要不同的考虑。最终实现通用人工智能（AGI）的期望是由对人工智能初创公司的重大投资、最新进步背后的创造性思维以及更强大但更实惠的芯片的可用性推动的，尽管AGI完全融入我们的个人生活可能需要一段时间。较大的块可以捕获更多的上下文，但由于它们产生的噪声，处理它们需要更长的时间和更多的钱。
LLM之RAG理论（五）| 使用知识图谱增强RAG
wshzd的博客
01-14 5350
例如，依赖简单的语义相似性搜索进行上下文检索可能并不总是有效的，尤其是当查询缺乏足够的上下文时，或者当相关信息分散在庞大的文本语料库中时。无论是通过利用LLM的知识还是构建广泛的KG文本语料库，这一过程都显著增强了KG到文本的生成，特别是在训练数据有限的情况下。知识图谱表示了任意两个实体之间的关系，在这个结构中，节点表示着诸如人、地点或事件之类的实体，而边表示这些实体之间的连接。例如，Wikidata汇编了维基百科文章中的大量知识，产生了大量多样的KGs，其中包含数百万个实体和多种语言的关系。
LLM之RAG实战（十六）| 使用Llama-2、PgVector和LlamaIndex构建LLM Rag Pipeline
wshzd的博客
01-16 2337
它是为处理高维矢量数据而定制的，就像Llama-2等语言模型生成的数据一样。在这个片段中，我们从llama-2包中导入LlamaModel，并使用特定的模型变体（例如“llama2-large”）对其进行初始化，该模型将用于文本生成和矢量化。Hugging Face的transformer库是使用Llama-2等模型的基石，它为自然语言处理任务提供了对预先训练的模型和实用程序的轻松访问。RAG Pipeline的核心是一个函数，它接受用户查询，从数据库中检索相关上下文，并基于查询和检索到的上下文生成响应。
深入LLM与RAG 原理、实现与应用
01-20
在人工智能领域中，LLM（Language Model）即语言模型和RAG（Retrieval-Augmented Generation）即检索增强型生成模型是两种前沿技术。语言模型是指通过统计分析大量语言数据来预测语言序列中下一个最可能出现的元素，...
一文读懂：大模型RAG（检索增强生成）
热门推荐
m0_59164304的博客
04-11 3万+
本文概述 RAG 的核心算法，并举例说明其中的一些方法。RAG融合是一个强大的功能，能够提高RAG应用的语义搜索效率。通过使用语言模型生成多个查询并对搜索结果进行重新排序，RAG融合可以呈现更丰富多样的内容，并提供了一个额外的层次，用于调整应用。此外，RAG融合还可以实现自动纠正、节省成本以及增加内容多样性。但是，需要注意一些权衡，比如潜在的延迟问题、自动纠正的挑战以及成本影响。对于依赖常见概念但可能出现内部行话或重叠词汇的应用来说，RAG融合尤其有用。
LLM之RAG理论（二）| RAG综述论文详解
wshzd的博客
12-24 3628
论文地址：https://arxiv.org/pdf/2312.10997.pdf 大型语言模型（LLMs）展示了强大的能力，但在实际应用中仍面临挑战，如幻觉现象、知识更新缓慢，以及在回答中缺乏透明度。检索增强生成（RAG）指的是在使用LLMs回答问题之前，从外部知识库中检索相关信息。RAG已被证明能显著提高答案的准确性，减少模型的幻觉现象，特别是对于知识密集型任务。通过引用来源，用户可以验证答案的准确性，并增加对模型输出的信任。它还促进了知识更新和特定领域知识的引入。RAG有效地结合
LLM之RAG理论（六）| 高级RAG指南和技巧
wshzd的博客
01-22 1561
在基本的RAG场景中，大致有如下步骤：首先将文本划分为多个块，使用Transformer Encoder模型将这些块嵌入到向量中，将这些向量存储到向量数据库并建立索引，查询会检索向量数据库中相关的上下文，这些上下文和查询一起生成最终的LLM提示，并引导LLM合成响应。基本RAG需要从外部知识数据库中获取文档，然后，将这些文档与用户的查询一起被传输到LLM，用于生成响应。最基本、最简单的RAG系统有时候会检索不到相关的上下文，因此需要一些更高级的方法来增强RAG系统，比如：查询转换、重排序等。
RAG(检索增强生成)在LLM(大型语言模型)中的应用
fudaihb的博客
01-24 2838
在当今信息时代，大型语言模型（LLM）的崛起标志着自然语言处理领域的一次重大进步。这些模型不仅是深度学习的杰出代表，而且在多个领域中取得了显著的成功。本文将聚焦于检索增强生成（RAG）技术在大型语言模型中的应用，深入探讨其原理、应用以及与传统生成模型的差异
LLM与RAG的初识-1
m0_53374676的博客
02-23 1380
检索增强生成（Retrieval-Augmented Generation, RAG）是一种结合了信息检索和文本生成技术的自然语言处理（NLP）方法。这种方法利用大型语言模型（LLM）的生成能力，并结合了检索系统从大量数据中检索相关信息的能力。RAG的目标是生成既准确又具有信息量的文本，同时确保生成的文本与给定的查询或任务紧密相关。通过检索与输入查询最相关的信息片段，然后使用这些片段来指导、优化和丰富生成过程，RAG提高了生成文本的准确性和相关性。
关于RAG、LLM、AI Agent、Prompt的关联和差异
2301_76161259的博客
12-11 954
一、RAG：检索增强生成RAG 是 retrieval-Augmented Generation 的缩写，即检索增强生成。从字面意思理解，它主要增强搜索和检索的能力，力求 “找得更准”。二、LLM：大语言模型LLM：Large Language Model，即大语言模型，但我们知道 RAG 是基于 LLM 的。LLM 作为语言模型基础，为 RAG 等技术提供了支撑。三、AI Agent：智能体解决复杂业务AI Agent 如同一个智能体，通过 AI 的基础能力搭建而成，能解决复杂的业务问题。
rag LLM
03-29
### RAG 和 LLM 的实施与教程 #### 什么是RAG？ 检索增强生成（Retrieval-Augmented Generation, RAG）是一种结合了信息检索和自然语言生成的方法，旨在通过从外部数据库中检索相关信息来提高生成质量。这种方法能够有效解决传统大语言模型可能存在的幻觉问题，即生成的内容不符合事实的情况。 #### 实施方法 为了实现RAG，通常需要以下几个组件： - **向量存储**：用于保存文档的嵌入表示，以便快速查找相似内容。 - **检索器**：负责从向量存储中找到与查询最相关的文档片段。 - **生成器**：利用检索到的信息作为上下文输入给LLM，从而生成更精确的回答。 下面是一个简单的Python代码示例展示如何构建基本的RAG流程： ```python from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.llms import OpenAI from langchain.chains import RetrievalQA # 初始化OpenAI Embedding服务 embeddings = OpenAIEmbeddings() # 创建文本分割器实例 text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=0) # 假设我们有一组文档列表叫做texts texts = ["这是一篇关于人工智能的文章...", "..."] docs = text_splitter.create_documents(texts) # 构建Chroma向量库 db = Chroma.from_documents(docs, embeddings) # 定义问答链路 qa_chain = RetrievalQA.from_chain_type( llm=OpenAI(), chain_type="stuff", retriever=db.as_retriever() ) query = "请告诉我有关人工智能的知识" result = qa_chain.run(query) print(result) ``` 此脚本展示了如何使用LangChain框架搭建一个简易版的RAG应用[^2]。 #### 参考资料推荐 对于希望深入研究RAG技术及其实际操作的朋友来说，可以参考以下资源： - GitHub上的[simple-local-rag](https://github.com/kaiji8/simple-local-rag)，该项目提供了完整的端到端解决方案，并且经过优化便于理解和部署[^3]。 - Awesome LLM Resources网站收集了大量的高质量链接指向各种主题下的最佳实践案例和技术文章[^1]。
评论
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