100 Commits

This Branch

This Branch

All Branches

Author	SHA1	Message	Date
opsx	b8eca87a89	fix(alerts): Pro 到期后告警引擎停止评估 + 规则/通道写操作挂 RequirePro ... 用户指出的漏洞:免费期配完规则,到期后若引擎继续跑,告警等于免费功能,Pro 形同虚设; 重装又拿新试用继续白用。修复: - 引擎每轮先查 IsPro(),非 Pro 整轮跳过(规则与投递历史保留,重新授权即恢复) - 规则建/改、通道保存、立即检查挂 RequirePro 闸门(读列表/历史保持可见,升级引导有据可依) - 试用期内 IsPro=true 照常工作(实测建规则 200)	2026-11-01 06:06:10 +08:00
opsx	897899305f	fix(license): 试用态隐藏「退出授权」——试用不是授权,点了必报'当前未激活' ... canDeactivate 改为:有正式授权(plan=pro 且非 trial)且 admin 才显示; 试用态(库内无码)显示试用提示条而非退出按钮(实测复现:试用态点击退出 toast 报'当前未激活授权',按钮又因 pro=true 未消失,看似'点击没反应')	2026-11-01 05:59:18 +08:00
opsx	9a477e9c9b	feat(license): 首次安装 14 天 Pro 试用(无需授权码) ... - 首次启动落试用起点(DATA_DIR/.trial-start 0600 + 库内 settings 双写,取最早防分次续命); 窗口内 IsPro() 等效 Pro——日志分析/告警/AI 助手/审计全解锁,到期自动回免费版 - 防刷三层:时间戳双写(删任一不重发)+ 机器级指纹(machine-id / hostname+cpu, 故意不含 DATA_DIR 特征——目录特征会因删除重建漂移等于后门);指纹命中则落已过期起点 - LicenseStatusPayload 返回 trial{active,daysLeft} 与 plan=trial; 设置页授权区显示「Pro 试用中 · 剩余 N 天」提示条 - 单测:全新安装 14 天/到期回落/删时间戳重装不重发(指纹防刷)三用例 - 滥用评估:删库重装同机器被指纹拦截;换机器/VM 必然可重试(接受,Pro 功能零边际成本, 追杀到硬件级得不偿失);正式授权随时激活覆盖试用	2026-11-01 05:53:55 +08:00
opsx	f67b86e6bb	style: gofmt config.go	2026-11-01 04:08:50 +08:00
opsx	8423192719	test(license): 退出授权降级语义测试同步——远端失败清本机+标记而非报错保留	2026-11-01 04:08:12 +08:00
opsx	daa531f4ed	fix(license): 退出授权在拿不到解绑凭证时降级清本机,不再卡死报错 ... 根因(实测确认):授权服务 activate 响应不含 activation_token 字段,本机存证里 token 为空;deactivate 端要求该凭证 → 远端永远拒绝 → 用户点退出只会报 「远端解绑失败,本机授权未清除」且无法自愈。 修复:远端解绑失败时降级——清本机授权(回免费版,用户诉求达成), 返回 offlineLocalOnly 提示远端席位需服务端释放;服务端将来补发 token 后 此路径自动回到完整解绑。	2026-11-01 04:06:56 +08:00
opsx	8606b1ee31	fix(license): 计划摘要用可读文案，禁止裸打 planType ... trial 真码可能回 monthly；设置页映射为体验/包年/永久等 i18n， 短窗 monthly 软纠为体验；customer 空不渲染；到期仍用 expiresAt。	2026-11-01 04:00:12 +08:00
opsx	a6b0be9698	fix(license): 「智能运维(AI)」更名为「AI 助手」(Pro 功能清单中英)	2026-11-01 03:57:03 +08:00
opsx	914eec1e4b	feat(license): 退出授权文案精简与两态布局 ... 未授权隐藏退出；Pro+管理员可见「退出授权」；成功只 reload 授权态不整页刷。	2026-11-01 03:34:10 +08:00
opsx	cec7c6eeaf	feat(license): 退出授权 / 释放本实例（确认后 deactivate） ... 设置→授权 Pro 态管理员可退出：在线 LIC- 先调 opsx deactivate（含 activation_token），成功才清本地；失败保留现状。LICOFF- 仅解本机并提示后台名额可能仍占。禁静默清码。	2026-11-01 03:16:05 +08:00
opsx	f3d27ceb04	feat(license): show Instance ID with copy on settings + ProGate ... Always return machine fingerprint instanceId from license status for offline LICOFF- binding. Shared InstanceIdRow (zh/en) above activate.	2026-11-01 03:12:53 +08:00
opsx	db92426973	fix(license): 免费版文案精简——仅基础日志查询(中英)	2026-11-01 03:09:32 +08:00
opsx	62d9b81a70	fix(license): shared invalid/grace banners + instance copy ... Surface expired/over_instance/revoked red banners with CTAs via a shared LicenseStatusBanners used by settings and ProGate. Hide seats in product UI; keep HMAC dual-path and never silent-clear keys.	2026-11-01 03:08:37 +08:00
opsx	af0298e994	feat(license): dual-path opsx-licence client alongside HMAC ... Wire LIC-/LICOFF- activate/verify/heartbeat to licence.rlwj.cn/api, keep legacy HMAC accepted with deprecation banner, add instance_id fingerprint and licensing docs (product lokistack still needs admin create).	2026-11-01 02:55:37 +08:00
opsx	5f42d9f696	perf(logs): label 缓存 TTL 30s + 平台变更即时失效（回答"新 app 会不会延迟"） ... 问题：加了 60 秒缓存后，新增 app / 新副本 / 新主机采集器要等最久 60 秒 才出现在下拉里，抢修时"刚上线的服务查不到"是不可接受的。 两层处理： 1) TTL 60s → 30s（前后端一致） 纯 Loki 侧的变更（新 Pod 开始打日志、新副本、主机上新进程写日志） 最长 30 秒可见。这类变化平台无从感知，只能靠 TTL 兜住。 2) 平台侧变更**立即失效**（不等 TTL） 新增 InvalidateLabelCache()，在下列入口 defer 调用： CollectorService.Create / Update （主机模式 app 标签来源） DeploymentService.Delete （连带清理托管数据源） CreateLogSource / UpdateLogSource / DeleteLogSource 也就是"用户在平台上做了什么导致候选值集合变化"，缓存当场清掉， 下一个请求必然回源。这正好覆盖"主机采集的 app 标签"这个场景 —— 采集器一改，下拉里马上就有。 关于「要不要用定时任务预热」： 不做。预热只能省掉一次 25~40ms 的网络往返，却要多一个常驻任务和 一份额外的失败路径；而"时效性"问题已经由上面的即时失效解决了。 如果将来真要削掉这 40ms，更划算的做法是把 label 值随部署一起下发缓存， 而不是定时轮询 Loki。	2026-10-31 18:27:17 +00:00
opsx	25a5e57cb3	perf(logs): 未选命名空间时也加载 app 候选，下拉不再"空的要等" ... 原来快捷 LogQL 里 app 候选的逻辑是： if (!namespace) { setApps([]); return } // 没选命名空间就直接空列表 所以用户必须先点命名空间，app 下拉才会出现内容 —— 观感就是"app 下拉加载慢"， 其实是被这条早退挡住了，而不是请求慢。 改为：没有命名空间时拉一次**全量** app 候选（不传 selector）， 选了命名空间后按 `{namespace="..."}` 收窄。两者共用同一套批量接口与缓存， 不会多打 Loki（全量结果本来就会被缓存 60 秒）。	2026-10-31 18:25:58 +00:00
opsx	5f42ac5486	perf(logs): 快捷 LogQL 下拉加前后端双层缓存，重复打开不再转圈 ... === 先测清楚瓶颈在哪 === 后端单点实测（都很快，不是问题所在）： /logs/my-scope 10ms /logs/label/namespace/values 25ms /logs/label-values?scoped astralx 23ms /logs/label/app/values scoped 18ms 结论：慢的是**前端每次都重新走一遍请求链**（切数据源 / 切命名空间 / 重开面板 都会触发），三四次往返串起来 + 每次都有 loading 态，用户看到的就是转圈。 === 后端：label 候选值短缓存 === services/log_query.go：60 秒 TTL，key = sourceId|label|selector|时间窗(按 5 分钟取整)， 上限 500 条并做过期清理。理由：下拉值的时效性要求很低—— 新上线的 app 晚 1 分钟出现在候选里完全可以接受。 LokiLabelValuesBatch 内部逐个走 LokiLabelValues，所以批量接口自动受益。 === 前端：内存缓存 + 飞行中请求合并 === api/logs/index.ts：60 秒 TTL 的 Map，**缓存 Promise 而不是结果**， 所以并发的相同请求共享同一次飞行（去重）；失败立刻剔除缓存，避免缓存错误。 带 AbortSignal 的调用不参与缓存（用户主动取消的请求不应共享给别人）。 额外导出 invalidateLabelCache()，数据源变更时可手动清。 === 预期效果 === 首次打开：与之前相同（~100ms 量级） 再次切换 / 重开面板：直接命中内存，0 请求 服务端重复请求：25~40ms → 微秒级	2026-10-31 18:22:38 +00:00
opsx	4d582e62eb	fix(release): digest 校验改为轮询，避免 Docker Hub 传播延迟导致误判 ... 现象：刚 push 完立刻查 tags API，latest 已是新 digest 而 v0.1 还是旧值， 脚本按"三个 tag 不一致 = 并发覆盖"直接 exit 1，把正常发布拦下来了。 根因：Docker Hub 的 /v2/repositories/<repo>/tags/<tag> 有秒级~十几秒的 传播延迟，单次查询不能作为判据。 修复：轮询最多 12 次、每次间隔 5 秒（共 60 秒），三者一致才继续； 超时仍不一致则 exit 1，并在报错里区分两种可能： - latest 与 v0.1 不同 → 疑似并发构建覆盖（提示检查 flock 是否被绕过） - 仍为 "?" → 推送根本没成功或仓库不可达 本次实测：第 1 次轮询发现未同步，等待 5 秒后三者均为 1ce3d4166506 ✅ 顺带：不可变 tag 之前出现 -dirty 后缀，是因为改完脚本没提交就发版； 本次先提交再发版，tag 恢复干净（2.0.0-20261031-<sha>）。	2026-10-31 18:12:46 +00:00
opsx	0644dccf2a	test(routers): 断言跟上上游重构——/ai/analyze 改为 /ai/chat，补 license 路由 ... 上游 fbbd3a3/6923a12 把整页 AIOps 改成浮窗助手： - 删除 POST /ai/analyze（整页结构化分析） - 新增 POST /ai/chat（助手对话，AdminAuth + RequirePro） - 新增 GET /system/license、POST /system/license/activate 路由回归测试仍在断言已删除的 /ai/analyze，导致 TestCriticalRoutes 失败。 本次按实际路由更新断言（这正是这个测试的价值：路由被删/改名时立刻暴露）。 注：services.RunAIAnalysis / CollectAISignals 现在没有任何调用方（死代码）， 是否保留待确认——见 PR 讨论。	2026-10-31 18:08:59 +00:00
opsx	02c1ee8aa8	docs(ai): TestConfig key 解析注释精确化(仅注释,无逻辑变更)	2026-11-01 02:01:37 +08:00
opsx	550d8f4967	refactor(ai): 助手按 AI-AGENT 开发指南对齐(Ask 模式) ... 对照指南逐条评估后落地 4 项真实差距(MCP/Agent Loop/白名单等重型章节不适用,明确排除): - 上下文预算(指南 07 TrimMessages):历史按 24k 字符预算从最旧裁剪,system 标注 「更早的对话已省略」;抽 trimHistory 独立函数+单测(超预算丢最旧/小历史不裁) - 配额超限诚实终态(指南 05.3/06 禁止伪装 completed):不再 400 报错,返回提示 文案;前端渲染为 warning 提示条样式,对话上下文保留 - 回复脱敏(指南 08):assistant 回复同样过 RedactTextOnly,堵住模型复述样本 带回敏感串的通道 - 退避重试(指南 05.2):429/5xx/网络错误指数退避 1s→2s 最多 2 次(计入总超时), 鉴权/参数错不重试	2026-11-01 01:59:17 +08:00
opsx	448f695c28	fix(ai): 推理模型 content 为空时回退 reasoning_content ... 根因(带响应体日志实测确认):deepseek-v4-pro 等推理系模型把输出写在 reasoning_content,MaxTokens 较小时最终 content 为空串,被误判为「模型返回了 空内容(检查 baseURL)」——与 key/端点无关,保存的 key 解密与沿用逻辑均正常 (空参/掩码传参两路均能取到库内真值)。 修复:content 空白时回退使用 reasoning_content;移除调试日志。	2026-11-01 01:50:44 +08:00
opsx	37a610b603	refactor(settings): AI 模型接入拆为独立 tab 页(/settings/ai) ... 系统设置分组 tab 顺序:通用配置 → 用户管理 → 审计日志 → LDAP 接入 → AI 模型接入 → 默认镜像源;设置主页去掉内嵌卡片,子页复用 AiModelSection	2026-11-01 01:38:43 +08:00
opsx	6923a12dd9	fix(ai): 助手 chat 端点补 AdminAuth——前端浮球已限 admin,后端同步兜底防普通用户直调 API 耗 token	2026-11-01 00:48:00 +08:00
opsx	fbbd3a3c27	refactor(ai): 砍掉 /aiops 整页,模型配置迁入系统设置,浮窗助手保留 ... 评估结论落地:整页分析只喂聚合统计(模型看不到日志原文),结论价值低于 /analysis 图表自身;浮窗助手携带真实查询样本,价值成立。 - 删 /aiops 页面与路由(菜单去项);llmProviders 迁 lib 共用 - 模型配置重做为设置页「AI 模型接入」区:状态严谨映射——供应商/模型按已存 baseUrl/model 正确回显(自定义供应商显示 BaseURL 与自定义模型输入,不再重置), API Key 掩码占位、留空或掩码保存均沿用旧值(不回传掩码) - 后端删 /ai/analyze 与信号采集链路;/ai/chat 保留(上下文由前端日志样本注入)	2026-11-01 00:46:38 +08:00
opsx	c216bdfdd4	feat(ai): 助手浮窗聚焦日志查询页,携带当前查询结果对话 ... - 浮球只在 /logs 渲染(产品定位:辅助分析正在查看的查询结果,其它页面不打扰) - /logs 查询成功后写入 AI 上下文:LogQL、时间范围、结果条数、error 行数、 最新 20 条样本(去 CRI 包装);对话请求自动携带 - 后端 /ai/chat 接收 context:截断 6000 字 + RedactTextOnly 统一脱敏后并入 system (ECHO 假模型实测注入完整);空态文案改为查询导向	2026-11-01 00:31:48 +08:00
opsx	2efbed882a	fix(aiops): 保存配置后分析页状态即时同步;分析页布局重排 ... - enabled 状态在 saveConfig 成功后立即 setEnabled(此前只更新 config, 导致'AI 分析未启用'横幅要等下次请求才消失) - 布局:工具栏改 4 列网格(数据源/时间/应用/问题),执行按钮与提示移到 分隔线下右对齐;未启用横幅加 ✦ 图标 + 「去配置」直达按钮;空态/加载态 加图标居中;消耗行改统计卡风格(数值 tabular 高亮)	2026-11-01 00:26:22 +08:00
opsx	5d898e3592	fix(ai): 测试连接改为结构化结果,不再倾倒模型原始回复 ... 返回 {model, latencyMs, tokensUsed, replyLength};前端提示「连接正常:模型 · 耗时 · tokens」。 模型原始回复不回传——测试要的是通没通/多快,不是看模型说了什么(ECHO 假模型下尤其明显)。 空回复时明确报错提示检查 baseURL 是否 OpenAI 兼容。	2026-11-01 00:21:59 +08:00
opsx	f1d9480caf	fix(ai): 浮窗助手提示词调优 — 身份固定/风格收敛/话题引导/禁编数据 ... 实测(经 ECHO 假模型检验注入):被问模型身份时答固定一句(底层模型由管理员配置指定, 不自行猜测 DeepSeek 版本),并引导回排查;回答限 5 句、优先动作;无关话题礼貌拒绝; 引用数字仅限注入的日志概况。	2026-11-01 00:18:39 +08:00
opsx	f457d6da09	feat(ai): 全站 AI 助手浮窗(参考 FlowStack 右下角浮空设计) ... - POST /ai/chat:多轮对话(messages 透传)+ 页面上下文注入 —— 前端带当前路径, 后端自动附加该数据源近 15 分钟轻量日志摘要(总量/Top3 应用/告警命中), 追问「这个报错什么原因」有数据依据;脱敏/每日配额/Pro 闸门与整页分析共用 - AiAssistant 浮球+浮窗挂 Layout:仅 admin+Pro 渲染;消息气泡、Enter 发送、 上下文随路由自动采集;免费版不显示	2026-10-31 23:46:33 +08:00
opsx	b81b31f322	feat(aiops): 模型配置默认 DeepSeek/flash + 模型名真下拉 ... 首次进入配置页自动预填 DeepSeek 端点与 deepseek-flash(只需填 Key);模型名从 datalist 换 shadcn Select(随供应商联动,末项「自定义模型…」转手输)	2026-10-31 23:41:43 +08:00
opsx	07aa41bc33	fix(aiops): 菜单移至日志告警下系统设置上;模型配置精简 ... - 菜单顺序:日志查询 → 日志分析 → 日志告警 → 智能运维 → 系统设置 - 模型配置去掉快捷预设按钮组;Base URL 仅选「自定义」供应商时显示; 温度/输出上限/超时/每日token上限/额外脱敏收进「高级设置」折叠(默认收起), 常规配置只剩:供应商下拉 + 模型名 + API Key + 测试/保存	2026-10-31 23:36:16 +08:00
opsx	9641503007	feat(license): Pro 授权机制 — 离线许可码 + 免费版功能闸门 ... 免费版:日志查询/部署管理/采集/用户管理/LDAP/设置;Pro(¥199 个人单实例永久 / ¥499 团队多实例永久): 日志分析、日志告警、智能运维(AI)、审计日志。 - 后端:HMAC-SHA256 离线许可码(签发 CLI / license --plan --edition --seats --customer --days; 永久=days 0),GET /system/license + POST activate;RequirePro 闸门挂 metrics/ai/audit; 过期自动回落免费;测试覆盖签发-校验/篡改/免费拒签 - 前端:菜单 Pro 项带锁标;四个 Pro 页面免费版渲染升级引导卡(功能清单+定价+页内激活); 设置页新增授权区(版本/席位/到期/激活入口);license 词典中英 - domains 注册提升到 main.tsx 全局(修复 license 命名空间在未引 domains 的页面显示裸键)	2026-10-31 23:08:06 +08:00
opsx	c60b827262	fix(settings): 定时切换主题去掉时区下拉与说明文字,固定用浏览器本地时区	2026-10-31 22:52:58 +08:00
opsx	c090ba0564	feat(aiops): 长窗口(>1h)分析必须指定应用 ... 全命名空间 6h/24h 聚合数据量过大会拖垮 Loki:前端时间范围旁新增应用范围选择器 (labelValues 候选),>1h 未选应用禁用开始分析并提示;后端同样强制 400(闸门在服务端); 信号采集选择器按 app 收窄后 histogram/stats 从全量变为单应用流,秒级返回。	2026-10-31 22:51:55 +08:00
opsx	1610988c2e	feat(aiops): 模型配置参考 aiops/opsxshell — 快捷预设 + 供应商下拉 ... - 快捷预设:deepseek-flash(推荐)/ deepseek-v4-pro / 自定义 一键填入端点与模型 - 供应商目录(9 家 + 自定义):DeepSeek/通义/智谱/Kimi/MiniMax/硅基流动/混元/OpenAI/本地 Ollama·vLLM,选择后自动填 Base URL 与首个推荐模型 - 模型输入支持 datalist 下拉(随供应商联动)且可手输任意模型名;Base URL 保持可编辑	2026-10-31 15:23:26 +08:00
opsx	63445bd598	build(release): 部署后自愈 + 版本戳，堵住"latest 被旧镜像覆盖"这类问题 ... === 背景：同类问题已经出现三次 === 1) Docker Hub 502 导致 latest 推失败，Pod 仍跑旧镜像 2) 并发构建互相覆盖 latest（谁后完成谁生效） 3) 中断的构建后来完成，把 latest 推回旧代码（本次差点中招） 第 2 类已由 flock 独占锁解决；但前两类还有一个共同的后半段： **没有人核对"部署后 Pod 到底跑的是不是刚推的那版"**。 === 本次新增 === 1) 部署后自愈：rollout 完成即核对 Pod digest 与远端 latest； 不一致自动 `kubectl delete po` 强制重拉（节点缓存了旧 latest 映射是常见原因）， 最多等 4 分钟，仍不一致才 exit 1 —— 不再"报个 ❌ 就结束"。 2) 版本戳：核对通过后给 Deployment 打三个 annotation lokistack.io/release-image = <digest> lokistack.io/release-tag = <版本-日期-commit> lokistack.io/release-time = <ISO8601> 以后排查"线上跑哪版"直接 `kubectl -n log get deploy lokistack -o yaml | grep release-`， 不用再在 docker images / Hub API / Pod 之间来回比对。 === 用法 === 以后发版统一走 `bash scripts/release.sh`（build+push+deploy+自愈+打戳一次完成） 不要再手敲 docker build + docker push —— 那样会绕过 flock 锁，回到互相覆盖。 bash scripts/release.sh --dry-run 只做前置检查 bash scripts/release.sh --no-deploy 只发镜像不动集群	2026-10-31 07:08:23 +00:00
opsx	7be41f0a6b	feat(aiops): 新增「智能运维」——AI 日志分析（P0，不扫日志内容） ... === 为什么这样设计（成本优先）=== 全集群 370GB/天，把日志原文丢给模型是不可能的（一次几百万 token）。 所以整条链路只做一件事：**把 GB 级日志压成 KB 级信号**。 P0 的信号来源全部是索引/快照，**零日志内容扫描**： 体积 + 趋势 → index/volume_range（实测 24h 仅 54ms） 条数/流数 → index/stats，且只在 ≤2 小时窗口用 （全天 index/stats 实测 20s，绝不能进 AI 路径） 应用排行 → 平台小时级预聚合快照（毫秒） 基线对比 → 上一个等长窗口的 volume_range 告警 → 平台投递记录 实测一次分析：3~6 秒、输入 600~1400 tokens（约 ¥0.005/次）。 === 后端 === models/ai.go AIConfig（APIKey 加密存储）+ AIAnalysisRun（审计） services/ai_config.go 读写配置、掩码返回、每日 token 用量统计 services/ai_provider.go OpenAI 兼容客户端 + 连通性测试 （DeepSeek/通义/内网 vLLM/Ollama 通用） services/ai_redact.go 脱敏：凭据/邮箱/手机号/身份证 → 占位符， **保留内网 IP 与端口**（排查必需） services/ai_signal.go 信号采集 + 渲染成紧凑文本（省 token） services/ai_analyze.go 结构化输出解析、配额闸门、审计落库 controllers/ai.go /ai/config /ai/config/test /ai/analyze /ai/runs 成本闸门（三层）： 1) 单次：时间范围 ≤24h、maxTokens ≤1500 2) 每用户每日 token 上限（默认 50 万，可配，超限直接拒绝并说明） 3) 审计只留最近 500 条，避免表膨胀 === 前端 === 新页面 /aiops（侧栏「智能运维」，管理员），页内单层 tab： 日志分析 / 模型配置 / 分析历史 - 分析：数据源 + 时间预设(15m/1h/6h/24h) + 可选提问 → 结论/证据/建议/不确定 四区 顶部显示本次消耗（in/out tokens、耗时），可查看「发给模型的完整内容」 - 配置：启用开关、Base URL、模型、API Key（掩码）、温度、输出上限、超时、 每日配额、额外脱敏正则；按钮顺序改为「测试连接 → 保存配置」 - 历史：服务端分页（20/页），点行看详情与 payload === 两个真实踩坑（已修）=== 1) 密码含 @ 导致脱敏漏掉（mysql://user:P@ssw0rd@host） → URL basic-auth 规则改为贪婪匹配到最后一个 @，由单测锁定 2) 结论里的时间是 UTC（容器无 tzdata，time.Local=UTC）， 模型写"凌晨 6 点下跌"而运维当时是下午 2 点 → 显式用东八区展示（LOKISTACK_DISPLAY_TZ=UTC 可覆盖） === 实测（69147008fcf4）=== 配置保存 → key 掩码 sk-***e286；连通性测试返回「正常」 分析 15 分钟窗口：4.1s，结论识别出"窗口末段体积断崖约 -60%" 信号时间 14:23~14:38（本地时间正确） 历史分页 total=3，tokens/耗时字段完整 单测：脱敏 2 个用例 + 模型输出解析 4 个用例 + 6 条 AI 路由断言	2026-10-31 06:39:01 +00:00
opsx	3861b8b128	fix(collectors): 编辑采集策略时无法把"全集群"改成"只采几个命名空间" ... === 现象 === 编辑 Promtail DaemonSet 采集器，显示"所有命名空间（全集群采集）"， 下面每个命名空间的复选框全是灰的，点不动，无法改成只采指定几个。 === 根因 === CollectorEditDialog 里单个命名空间的复选框写死了： disabled={allSelected} // allSelected = selectedNs.length === 0 而 targetNamespaces 为空正是代表"全集群"，也就是**一进来就处于全集群状态**， 于是所有子项被禁用；而"全集群"那个复选框的 handler 又是 onCheckedChange={() => setAll()} // 永远设回 [] 两者叠加 → 没有任何操作能离开"全集群"状态，是死胡同。 === 修复 === 1. 去掉 disabled：勾任何一个命名空间都会让 selectedNs 非空， allSelected 自动变 false，"全集群"勾选框随之取消——语义自洽。 2. "全集群"行加一句提示：勾选下方任一命名空间即可改为只采指定范围， 让用户知道下一步该点哪里。 === 实测（51489599e2d8）=== PUT targetNamespaces=["astralx"] → 读回 ['astralx'] ✅ PUT targetNamespaces=[] → 读回 []（全集群） ✅ 恢复 ['astralx','log'] → 读回 ['astralx','log'] ✅ tsc 通过；Pod = Hub latest = 51489599e2d8 注：改完需要点「部署」才会把新的 kubernetes_sd_configs.namespaces 白名单 下发到 Promtail DaemonSet。	2026-10-31 02:00:33 +00:00
opsx	9448868a71	feat(collectors): Promtail DaemonSet 的部署命名空间固定为 log，表单隐藏该字段 ... === 需求 === 创建 Loki 部署后添加采集策略（Promtail DaemonSet）时，"部署节点命名空间" 不该让用户选 —— 采集器必须和 LokiStack 放在一起（log）。 === 前端 === CollectorFormDialog：选择 k8s-daemonset 时整块隐藏 namespace 字段 （连同分类型提示、手动输入开关一起），改为一条只读说明： 「采集器部署命名空间固定为 Loki 所在命名空间（通常 log），与 LokiStack 放在一起，无需选择。要限制采集范围请用下面的『只采集这些命名空间』。」 提交时 DaemonSet 不传 namespace（原来会传用户填的值）。 顺带修掉隐藏后暴露的 tsc 报错：placeholder 里 `collectorType === 'k8s-daemonset'` 在收窄后的分支里已成不可能比较，改为常量 'default'。 === 后端（强制约束，不只靠前端）=== services/collector.go： Create：type == k8s-daemonset 时强制清空 req.Namespace → 渲染与部署两侧都会回退到 d.loki.Namespace Update：DaemonSet 忽略 updates["namespace"] 原始渲染逻辑本就有"为空则用 LokiDeployment.Namespace，再兜底 log"。 为什么后端也要拦：API 直接调用（脚本/其他客户端）不该能把采集器 部署到任意命名空间——那样会出现"平台显示在 log、实际 DaemonSet 在别处" 的状态漂移。 === 实测（0108617e4180）=== 现有采集器 promtail-pre: type=k8s-daemonset namespace='log' PUT {"namespace":"evil-ns"} → 返回 success，但读回仍是 'log' ✅ 被忽略 tsc 通过；Pod = Hub latest = 0108617e4180	2026-10-31 01:56:15 +00:00
opsx	f1fc7b4a9a	fix(analysis): 排行分页后名次从 1 重新开始，应为 11/21… ... 现象：翻到第 2 页，名次列仍是 1~10。 根因：TopAppsTable 用页内下标算名次（index + 1），分页后每页都从 1 开始。 修复：新增 startIndex 参数，由调用方传入当前页在整体排行中的偏移； 分析页传 (page - 1) * 10，于是第 2 页为 11~20、第 3 页 21~30。 实测：tsc 通过；Pod = Hub latest = 9026d0e4c582	2026-10-30 17:50:54 +00:00
opsx	fdd705c4b4	build(release): release.sh 加独占构建锁 + push 重试，杜绝 latest 被并发覆盖 ... === 问题 === 本项目所有清单都指向 `latest`（k8s deployment / docker-compose / prod compose）， 两个构建并发时**谁后完成谁生效**，另一个的推送等于白做。 本次实际踩到：一次被中断的构建后来完成，把 latest 推回了旧镜像 64fb231， 而当前正确版本是 a16978d2；若此时 Pod 重启就会跑回旧代码， 表现是"改了但没生效"，从页面完全看不出来。 === 修复 1：flock 独占锁 === LOCK_FILE=${RELEASE_LOCK_FILE:-/var/lock/lokistack-release.lock} exec 9>"$LOCK_FILE"; flock -n 9 || { 中文提示 + exit 1 } - 锁跟随文件描述符，进程退出（含 Ctrl-C / set -e 中断）自动释放， 不需要手工清理僵尸锁文件 - 失败提示给出：锁路径、查看占用命令（fuser/lsof）、以及"无需手工删锁"的说明 - 支持 RELEASE_LOCK_FILE 换锁路径（多仓库并行发布时用） - 新增 --dry-run：只做前置检查（docker 是否可用、锁能否获取），不构建不推送， 用于验证脚本本身和排查"为什么发布失败" === 修复 2：push 重试 === Docker Hub 偶发 502，实测导致过"v0.1 推成功、latest 失败 → latest 指旧镜像"。 新增 push_with_retry()：每个 tag 最多 3 次，间隔 10 秒，全失败才 exit 1。 三个 tag（latest / v0.1 / 不可变 tag）都走它。 === 实测 === 测试1 无人占用 : 🔒 获取锁成功，退出码 0 测试2 另一进程持有锁 : ❌ 明确拒绝并给出排查命令，退出码 1 测试3 占用进程退出后 : ✅ 自动恢复可用，退出码 0 bash -n 语法检查通过	2026-10-30 17:48:20 +00:00
opsx	d4422f1541	refactor(analysis): 去掉排行 10/30/50 选择器，改为一次取 50 + 前端分页；零点结算昨天 ... === 1. 为什么去掉「显示条数」选择器 === topk 的 N 不影响查询成本（扫描的 chunk 集合完全相同），实测： topk(10) 17833ms / 11 条 topk(30) 18019ms / 34 条 topk(50) 7394ms / 54 条 topk(100) 17553ms / 74 条 波动来自集群负载，与 N 无关 —— 它只决定最后返回多少序列。 所以"选 30"既不更快也不更慢，本质是个翻页开关； 而选它还要重新等一次十几秒的查询，纯亏。 改为：一次 topk(50)，前端 10 条/页 → 5 页只需 1 次查询。 附带收益：占比的分母从"前 10 合计"变成"前 50 合计"，更接近真实占比。 副标题明确写清"一次取前 50 个应用（占比按这 50 个合计计算）"。 === 2. 零点结算昨天（daily volume）=== 原来只有 30 分钟 ticker 回补，且启动时间不对齐整点 → 昨天最早的一段可能已经超出 Loki 24h 保留期被删， 结算结果系统性偏低，图上却标"完整一天"，属静默错数。 新增 nextMidnightFinalize()：每天 00:01 触发 FinalizeYesterdayVolume() - 昨天定稿 partial=false - 补一次条数（index/stats，一天一次可接受） - 顺带刷新今天 partial=true 的柱子 ticker 仍保留，负责当天数据的 30 分钟刷新。 === 3. 顺带 === - 去掉每日量"其中 N 天平台没有留存记录"的提示文案（按用户要求） - 修 QuickQueryTemplates.tsx 的未使用变量导致 tsc -b 失败 - 工作区里上一轮中断的"排行体积列"改动一并纳入（app-ranking 返回 bytes， TopAppsTable 增加体积列，快照记录 per-app 字节数） Pod = Hub latest = a16978d2f88b	2026-10-30 17:13:18 +00:00
opsx	63dd491c5b	fix(daily-volume): 历史快照的 partial 自动修正 + 三个回归测试 ... === 现象 === 仓库里 6 条快照 partial 全是 true（10-27 到 10-30），前端把昨天的柱子 也画成虚线空心，看着像"每天都在采样中"。 === 根因 === 早期实现把两件事都塞进 partial：「今天还没过完」和「起点超出 24h」。 10-27/10-28 的数据现在已经被 retention 删掉、永远不会再被抓一次， 所以这两条错误标记会永久留在库里。 === 修法 === prune 里加幂等修正：过去的天，只有快照是**在那天结束之后**才抓的 （说明抓到的是完整一天）才改成 partial=false；当天中途抓的继续保持 partial （那时确实只有半天，不能伪装成完整数据）。 === 测试（3/3 PASS）=== TestPruneDailyVolumeNormalizesPartialAndDropsExpired · 昨天结束之后抓的 → partial=false · 前天中途抓的 → 保持 partial=true · 今天 → 保持 partial=true · 超留存期 → 被清理 · 条数不被清理流程清空 TestUpsertVolumeSnapshotKeepsEntries 刷新体积不清空已抓到的条数 TestGetDailyVolumeHistoryReturnsAllDaysWithMissing 始终返回 days 个点，缺的标 Missing 不伪造 0 go vet ./services/ ./models/ 干净；go test ./services/ 全绿。	2026-10-30 16:56:39 +00:00
opsx	b7de337c9e	perf(daily-volume): 每日量抓取拆成「体积每 30 分钟 / 条数每天最多 3 次」 ... === 现象 === 用户问：每日日志量不是有定时任务记录吗？为什么还要每次查询？ 盘了一遍发现：定时任务确实有（每 30 分钟），接口也确实只读库（实测 0.1ms）， 但每轮抓取都顺手跑一次**整天 index/stats** 拿条数（实测 6ms ~ 20s，随负载波动）， 2 天 × 多个数据源 × 每 30 分钟 = 一天几十次重查询，纯浪费单实例 Loki 的算力， 还会和用户页面上的查询抢 CPU。 第二条更糟：仓库里所有快照的 partial 全是 true。 根因：partial 里混了两种语义 ——「今天还没过完」和「起点超出 24h」。 后者让昨天/前天的柱子也画成虚线空心，看起来「每天都在进行中」。 === 修法 === 1. 抓取按成本拆成两条路径（体积走 volume_range，条数走 index/stats）： - 体积：今天 + 昨天，每 30 分钟刷，54ms~4s，无感 - 条数：只对**已结束**且 entries==0 的天补，每天最多 3 次、间隔≥1h； 尝试次数**先写库再查**，进程中途被杀也不会退化成每 30 分钟重试 2. partial 只表示「今天还没过完」，昨天起是实心柱 3. 0 与「未留存」分开：起点超出 24h 且查不到数据 → **跳过落库**保持 Missing。 否则「数据被 retention 删掉」会被画成「那天没有日志」，比灰色柱误导得多 4. 每次抓取打日志：`[daily-volume] 2026-10-30 体积 291.37 GB 已落库（volume_range 4.27s，34 个桶）` —— 以后不用猜「到底抓没抓、走的哪条路径」 === 实测取证（本集群）=== Loki 直接查（port-forward :13100）： 10-30(16.8h) volume_range 291.37GB/34桶 index/stats entries=2.21B 10-29(24h) volume_range 121.99GB/19桶 index/stats entries=927.9M 10-28/10-27 volume_range 0 桶、index/stats 0 —— 已被 retention 删掉 同范围 count_over_time 两次 60s 超时（永远别用在每日量上） 平台库里的快照与上述数字一致（288.32 / 121.75 GB），说明落库值可信； 10-27/10-28 的 34.87/25.65 GB 是当时抓的 —— 这正是「Loki 只留 1~3 天， 历史必须自己落库」的实证。 go vet ./services/ ./models/ 干净；go build 通过；go test ./services/ 通过。	2026-10-30 16:52:55 +00:00
opsx	e4cefa1fa7	feat(analysis): 应用排行支持 10/30/50 切换 + 前端分页 ... === 可行性评估（先实测再实现）=== topk 的 N 是否影响查询成本？5 分钟窗口实测： topk(10) 17833ms / 11 条 topk(30) 18019ms / 34 条 topk(50) 7394ms / 54 条 topk(100) 17553ms / 74 条 波动来自集群负载，与 N 无关 —— 扫描的 chunk 集合完全相同， topk 只决定最后返回多少序列。所以放宽到 50 不增加查询成本。 === 分页为什么不每页发一次查询 === 排行是"排序后的聚合结果"：要拿第 11~20 名，必须先算出全部应用的量再排序， 不存在"只算 11~20 名"的做法。所以正确设计是： topk(N) 一次取全 → 前端按 10/页切片 N=50 时 5 页，只查 1 次；每页点一次查询反而会重复扫同一批 chunk，纯浪费。 === 实现 === - hook 参数 rankLimit（10/30/50），两条查询都包 topk(N) - 分析页：显示条数按钮组，点击即触发查询（同时重置到第 1 页） - 分页条：共 N 个应用 · 第 x/y 页 · 上一页/下一页 - 长范围走预聚合时，limit 也跟随 N（接口上限 100） - 切换筛选（刷新）时重置到第 1 页 Pod = Hub latest = 4d4e1a7ec334	2026-10-30 16:51:21 +00:00
opsx	7b1ffd0274	fix(daily-volume): 30/90/365 天切换"没反应"；/logs/stats 加短缓存 ... === 1. 切换范围没反应（真 bug）=== 现象：7/30/90/365 天切换后图完全一样。 根因：GetDailyVolumeHistory 只返回**已抓到的快照**。平台只有 4 天数据， 所以任何 days 都只返回 4 个点 → 图表一模一样。 修复：始终返回 days 个点，缺失的天用 Missing=true 标记。 实测：days=7→7 点(缺3)、30→30 点(缺26)、90→90(缺86)、365→365(缺361)。 为什么必须区分 Missing 和"0 字节"： 前者是"平台没留存"，后者是"那天确实没日志"。 混在一起会让 30/90 天的图上出现大片 0，被误读成"日志量暴跌/系统停摆"。 前端：缺失的天画灰色浅柱，tooltip 显示"未留存"，图下方提示 "其中 N 天平台没有留存记录（灰色柱），不是当天没有日志"。 === 2. /logs/stats 加 90 秒缓存 === 分析页每次进入/切范围都打 index/stats，实测 5 分钟窗口冷查询 1.2 秒 （60 分钟更慢）。这类聚合值可容忍分钟级陈旧，加与指标查询一致的缓存： 90s TTL + 时间窗按 2 分钟取整 + 上限 200 条 + 过期清理 实测：重复请求 1227ms → 8ms。 === 3. 顺带确认已生效的优化 === histogram(24h) : 54ms（volume_range） daily-volume : 10ms（只读库） stats 二次请求 : 8ms（新缓存） 长范围(>1h) : 不跑 count_over_time（预聚合快照 + 跳过内容扫描） Pod = Hub latest = 12453ea723c1	2026-10-30 16:46:40 +00:00
opsx	5c7a3ec81d	perf(daily-volume): 每日量改用 volume_range（20s → 54ms），图表改圆柱 ... === 核心技巧：体积用 index/volume_range，不要用 index/stats === 同为 24 小时、同一 selector，两条索引查询差 370 倍： index/stats : 整天聚合，实测 20s 直接超时（之前每日量接口卡 20s 的根因） index/volume_range: 按 step 分桶只累加 chunk 字节，实测 54ms，97 个桶 原因：index/stats 要跨全部 chunk 去重统计 streams/entries； volume_range 只把索引里记录的 chunk 字节数按时间桶求和，不解码内容。 === 后端改动 === services/daily_volume.go： 体积：LokiHistogram（走 volume_range，step 由跨度自动选）→ 累加 54ms 条数：只能 index/stats，降级为「尽力而为」25s 超时； 拿不到就保留上一次的值（不能因为一次超时把历史条数清零）， 绝不让它拖住体积入库。 前端图只画体积，条数缺失不影响可读性。 === 前端改动 === DailyVolumeChart：AreaChart（面积）→ BarChart（圆柱） 顶部圆角 radius=[6,6,0,0]、渐变填充、maxBarSize=44 当天未结束的柱子用半透明 + 虚线描边区分，避免把"才过半天"误读成"量掉了" === 实测 === 24h volume_range: 54ms，97 桶，合计 369.61 GB（与全集群 ~370GB/天 吻合） /logs/daily-volume 接口: 10ms（读库） Pod = Hub latest = 4cdc8b9c4841	2026-10-30 16:40:49 +00:00
opsx	d0adc095dd	feat(analysis): 长范围应用排行改走「小时级预聚合」，不再扫日志内容 ... === 问题（实测）=== 按应用排行必须读日志内容（Loki 3.4 的 index/volume 不支持 app 维度聚合， aggregateBy=app 无效），成本 ∝ 时间范围： 5 分钟 ≈ 1.3GB → 9.8s 15 分钟 ≈ 3.9GB → 19.5s 1 小时 ≈ 15GB → 预计 60~90s 6 小时 ≈ 92GB → 5~8 分钟 24 小时 ≈ 370GB → 不可用 用户在时间范围里选 6h/24h 时，页面必然卡死。 === 方案 === 新增 models.AppVolumeSnapshot + services/app_volume.go： - 后台任务每小时第 5 分钟抓「上一个完整小时」的 per-app 条数 - 用**瞬时查询**（/loki/api/v1/query + [1h]）而不是 query_range： 单点评估、扫描量相同、省掉多步开销；并绕开 LokiMetrics 的 90s 上限 与重型查询信号量（后台任务不该和前台抢令牌） - 每源每小时只留 top 50 应用，保留 90 天 - 幂等：同 (hour, source, ns, app) 更新而非重复插入 - 超出 Loki 26h 保留期的窗口跳过（抓也抓不到，白等几分钟） 新增 GET /api/v1/logs/app-ranking?sourceId&from&to&limit → 读库毫秒级 前端：analysis 判断范围 > 60 分钟就走预聚合接口，并停掉实时重查询 （rankingEnabled 置 false）；表格副标题说明「读的是预聚合快照，已留存 N 小时， 不含错误数与趋势」。 === 顺带修掉的根因 bug === useInView 原来用 useRef + useEffect([inView])：分析页首屏 data===null 时 内容块不渲染，ref.current 为 null，effect 直接 return；等数据到了 DOM 才挂上， 但依赖没变 → effect 不重跑 → IntersectionObserver 从未创建 → inView 永远 false → 重查询永不发出 → 页面一直显示"没有应用维度的数据"。 改成 callback ref（节点挂载即作为依赖），并加 scroll/resize 兜底 + 挂载瞬间量一次。 另外分析页加 8 秒无条件兜底：可见性判定再失灵，8 秒后也一定查一次。 默认时间范围 15 分钟 → 5 分钟（19.5s → 9.8s）。 === 实测 === Pod = Hub latest = 98de87e7f895 5 分钟窗口 by-app：9.8s（75 序列）；15 分钟：19.5s	2026-10-30 16:35:35 +00:00
opsx	7f6fb364de	refactor(analysis): 移除重复的「应用日志量流图」与「Top 5 饼图」，并按需触发重查询 ... === 为什么这两个可以去掉（不是拍脑袋）=== 排行表已有 9 列：排名 / 应用 / 命名空间 / 日志量 / **占比** / 错误数 / 错误率 / 趋势(sparkline) / 操作(查看日志)。 - Top 5 饼图 = 应用 + 数量 + 占比 —— 表里全都有，且表里更多 - 流图 = 各应用随时间的堆叠 —— 表里每行已有 sparkline 趋势 两者都是同一份 by-app 数据的重复呈现，纯增加视觉噪音。 === 但"去掉它们"本身不减查询，真正的减负在这一步 === 之前这三个组件都依赖同一条 by-app 重查询（10~15 秒）。 因为饼图/流图在首屏，所以那条查询只能一进页面就全量跑（rankingEnabled=true）。 现在图都没了，重查询只服务底部排行表 → 恢复可见性门控： rankingEnabled: rankingView.inView 效果：打开分析页只跑索引类查询（histogram/stats/daily-volume，均 <100ms）， 用户滚到排行卡才发那条重查询。 「活跃应用」卡片在未统计时显示 —（原来显示 0 个，容易误读成"没有应用"）。 === 布局 === 趋势图从 2/3 宽改为整行，页面高度明显下降。 === 实测（ddf63053b952）=== Pod = Hub latest = v0.1 = ddf63053b952 NamespacePie / AppStreamChart 在页面中引用数均为 0	2026-10-30 16:15:44 +00:00
opsx	3b297d0429	feat(collectors): 采集项支持「表单 / YAML」双模式编辑（方案 A） ... === 设计边界（刻意不做"编辑完整 promtail.yaml"）=== 开放的是**采集项本身**的 YAML 表示（字段与 models.ScrapeJob 一一对应）： name / paths / labels / encoding / json / system multiline(firstline,maxLines) / timestamp / dropIfMatch / rateLimit clients、positions、server、scrape_configs 外层仍由平台生成。 理由（真实故障面）： 用户删掉 positions → 重启后从头重采，大量重复 + Loki 以 entry too far behind 拒绝整批；删掉 clients → 完全不外发。 这两类问题在页面上看不出来，只能登机器看日志，排障成本极高。 只开放采集规则，写坏了最多某条日志没采到，不会让采集器整体失效。 === 后端 === 新增 services/collector_jobs_yaml.go： RenderJobsYAML(jobs) → 带边界说明注释的 YAML（明确写"clients/positions 不在此修改"） ParseJobsYAML(text) → 复用 models.ValidateScrapeJobs，与表单完全同一套校验 错误信息必须具体： YAML 语法错 → 「YAML 语法错误：yaml: line 1: did not find expected ',' or ']'」 语义错 → 「采集项「app」至少需要填写一个日志路径」 新增路由（用 /collector-jobs/* 前缀，避开与 /collectors/:id 的 gin 通配冲突）： POST /api/v1/collector-jobs/render POST /api/v1/collector-jobs/parse === 前端 === 编辑弹框（主机模式）加「表单 / YAML」切换： - 切到 YAML：调 render 把当前采集项渲染出来 - 切回表单：调 parse 回填；解析失败**留在 YAML 模式**并显示原因 （绝不能悄悄丢掉用户改动） - 停留在 YAML 模式点保存：先 parse，失败则中止保存 - 编辑区 min-h 固定、等宽字体、可拖拽高度 === 测试 === TestRenderParseJobsYAMLRoundTrip： 表单→YAML→表单 无损往返，逐字段核对 （multiline.maxLines / rateLimit / dropIfMatch / timestamp / labels / system） TestParseJobsYAMLErrors：空内容、语法错、空列表、缺名称、缺路径、名称非法 → 6 种输入都给出具体错误，不是笼统"格式错误" === 实测（c11d2badce64）=== render: code=0，17 行，含边界说明 parse : code=0，1 个采集项；往返校验 name=app paths=1 multiline=True rateLimit={rate:2000,burst:4000} drop=1 json=True 错误: 「采集项「app」至少需要填写一个日志路径」 「YAML 语法错误：yaml: line 1: did not find expected ',' or ']'」 Pod = Hub latest = c11d2badce64	2026-10-30 16:10:51 +00:00
opsx	c8d026adc7	feat(collectors): DaemonSet 不再填日志路径，改为「只采集哪些命名空间」多选 ... 用户指出的三个问题，逐条核实后的结论： 1) 「采集日志路径」对 DaemonSet 确实是多余的 —— 确认后端模板里写死了 `replacement: /var/log/pods/*$1/*.log`（按 pod UID 精确匹配容器标准输出）， 表单里填的 logPath 对 DaemonSet 完全不参与渲染。 → 选择 DaemonSet 时隐藏该字段，提交时强制置空。 2) 「可以指定采集多个命名空间」—— 后端**早就支持**： models.Collector.TargetNamespaces + promtailNamespaceFilter()， 空数组 = 全集群。只是**前端新建弹框没暴露**（编辑弹框里有）。 → 新建弹框补上多选 chips（全集群 / 各命名空间可点选），并补齐前后端透传： dto.CreateCollectorRequest.TargetNamespaces controller → services.CreateCollectorRequest.TargetNamespaces models.Collector.TargetNamespaces 之前前端即使传了也会被 Go 静默丢弃（无该字段）。 3) 「命名空间」字段语义已在上一提交补了分类型说明： - DaemonSet：采集器自身部署在哪个命名空间（不影响采什么） - Sidecar：目标应用 Deployment 所在命名空间 新增 TestDaemonsetTargetNamespacesFilter： nil → 不生成 namespaces 白名单（全集群） ["astralx"] → 生成且包含 astralx ["astralx","default"] → 两个都在 === 实测（d45dfa18ecc5）=== 前端文案「只采集这些命名空间」「不选 = 采集整个集群…」均已进包 渲染测试 3 种输入全部符合预期 注：本次 docker push latest 遇到 Docker Hub 502，v0.1 成功而 latest 仍指向旧镜像， 导致首次滚动后 Pod 仍是旧代码；重推 latest + 强制重建 Pod 后确认 Pod digest = d45dfa18ecc5 —— 记录这个坑：push 失败必须核对三方 digest。	2026-10-30 16:03:24 +00:00
opsx	87909ed403	docs(collectors): 采集策略弹框「命名空间」补分类型说明 ... 用户困惑：这个字段到底是"只采集指定命名空间"还是"组件要部署的命名空间"？ 查代码后确认——**同一个字段在三种采集类型下含义完全不同**： k8s-fluentbit-sidecar： = 目标应用 Deployment 所在的命名空间。 平台会 Deployments(ns).Get(target) 然后 patch 注入 fluent-bit sidecar， 同时把它作为日志的 namespace 标签。 **不是**日志过滤条件。 k8s-daemonset： = Promtail DaemonSet 部署到哪个命名空间。 DaemonSet 挂载 /var/log/pods，采集**整个集群所有命名空间**的容器日志， 不按命名空间做过滤。一般就填 Loki 所在的 log。 host-promtail：不使用该字段。 原来这三种情况共用一句"命名空间"，用户只能猜。 现在字段下方按类型显示对应说明（min-h-4 固定高度，不抖动）。 实测：三条提示文案均已进包（6fe430f59eef）。	2026-10-30 15:53:08 +00:00
opsx	a14bdb5e07	fix(analysis): 每日量不再懒加载；按应用统计期间显示 loading（不再假装"没有数据"） ... 用户的三个现象，对应三个独立缺陷： === 1. 每日日志量"一直没数据" === 接口只读平台库，实测 **10ms**，却仍被 inView 懒加载门控。 ref 虽然挂在 DOM 上，但滚动判定在多层布局里不可靠 → enabled 一直 false → 请求根本不发 → 页面显示"暂无历史数据"。 改为：只要有数据源就加载（enabled = Boolean(sourceId)）。 这个接口 10ms，没有任何理由懒加载。 === 2. 排行/流图"打开没有数据，等很久也没 loading" === 按应用统计要 10~15 秒（读日志内容，物理下限）。 但 loading 是**整页共用**的：索引类指标 100ms 就回来、 重查询还在跑时 loading 就已经变 false， 卡片于是渲染成"没有应用维度的数据"——用户以为查完了、没数据。 改为： - 新增 appsLoading，专门标记"按应用统计"这段重查询 - 卡片在 appsLoading 期间显示 spinner + "正在按应用统计…" - loading 与 appsLoading 都在 finally 清理（成功/失败/取消都清） === 3. data 为 null 时整页空白 === 原来 `) : !data || !sourceId ? null : (` 直接 return null， 首屏或重查询异常时是**整页空白**，和"没数据"无法区分。 改为显示 spinner + "正在按应用统计（需读取日志内容，通常 10~30 秒）"。 === 关于"用 Go 定时任务统计每日总量"=== 这个机制**早就存在**（services/daily_volume.go）： - 启动 20s 后回补 + 每 30 分钟一次 ticker - 用 index/stats 取整天的条数与字节，**不读日志内容**，通常秒级 - 快照写入平台库，保留 400 天 实测当前库内已有 4 天数据（10ms 返回）： 2026-10-27 32.5 GB 2026-10-28 23.9 GB 2026-10-29 133.6 GB 2026-10-30 239.3 GB 问题只在"前端没去请求"，不在采集侧。 实测（df3b477e6740）：每日量接口 10ms 返回 4 天，Pod 1/1 Running。	2026-10-30 15:49:52 +00:00
opsx	419a81c2af	perf(loki): 查询并行度改为自动跟随 CPU 核数（不再硬编码） ... === 问题 === max_query_parallelism 原来是硬编码值，改过两轮（8 → 6）： - 8：4 核机器上 76% 调度周期被限流，label values 要 20 秒 - 6：仍然高于核数，25% 周期限流，查询并没有更快 根因不是"该填几"，而是**并行度只有一个正确值：等于 CPU 核数**。 把它做成可配置项反而是坑 —— 用户改了 CPU 忘了改并行度就出现错配。 === 做法 === 新增 queryParallelism(resourcesCPU)： - 从部署记录的资源规格推导，模板渲染成 {{ .QueryParallelism }} - 容错：支持 "4000m"/"500m" 毫核写法（向上取整） - 边界：低于 2 核按 2，高于 12 核按 12（再高频只会互相抢 CPU） - 非法值/空值回退 4 用户在「组件部署」里改 CPU，并行度自动跟随，页面上不需要新字段。 === 实测（4 核 + 并行 4）=== by-app(15m) 11913ms 75 条序列 （并行 6 时 12438ms） label/namespace 38ms label/app 25ms label/pod 25ms 限流 61/252 周期（仅重查询那几秒） 附带 TestQueryParallelism 覆盖 10 种输入（含毫核/越界/非法值）。	2026-10-30 15:41:38 +00:00
opsx	ad0d35f72a	feat(alerts,logs): A 方案—告警窗口 15m→5m 消重复扫描；数据源可编辑/删除且删后不被自动重建 ... === 1. 告警窗口 15m → 5m（阈值同比例 1/3）=== 背景：检查间隔已改 5 分钟，但规则窗口仍是 15 分钟 —— 同一个 15 分钟窗口每 5 分钟被完整重扫一遍，等于 3 倍重复扫描。 在 370GB/天、全命名空间 selector 下，这是 Loki CPU 的最大稳态来源。 FATAL 10 → 4 窗口 5m Go panic 10 → 4 窗口 5m JVM OOM 5 → 2 窗口 5m StackOverflow 5 → 2 窗口 5m 应用错误激增 100000 → 35000 窗口 5m（改名 error > 3.5万） ingress 5xx 2000 → 700 窗口 5m ingress 4xx 20000 → 7000 窗口 5m DB 连接失败 1000 → 350 窗口 5m 阈值按 1/3 缩放是必须的：窗口缩短 3 倍后，同样的流量在 5 分钟内只有 1/3 的条数，阈值不动就永远打不到了。 迁移 v10→v11 只改"窗口仍是 15 且名字匹配内置规则"的项，用户手调的不动。 === 2. 数据源支持编辑/删除（含托管源）=== 原来前后端都把托管源锁死： - 前端 `!managed &&` 直接不渲染编辑/删除按钮 - 后端 DeleteSource 返回「平台部署的数据源随部署管理,请先删除对应部署」 用户的诉求是"数据源必须能编辑和删除"，且确实有场景（不想让某个源出现在 查询下拉里、想改认证头）。 === 3. 修「删了又回来」的真 bug === EnsureLogSourcesForRunningDeployments() 在 **每次打开数据源列表和启动时** 都会给 running 部署补齐数据源 —— 所以删掉托管源后，刷新页面它又回来了， 用户看到的现象就是"删不掉"。 新增 LokiDeployment.AutoSourceDisabled： - 删除托管源时置位（DisableAutoSourceFor） - EnsureLogSourceForDeployment 见到该开关直接 return - 部署被编辑/重新部署时重置（EnableAutoSourceFor），即"你要用它了就恢复" 前端配套文案： - 编辑托管源弹窗提示"重新部署会覆盖集群/Service/端口，认证与请求头保留" - 删除确认明确"删除后不会再自动重建，重新部署该 Loki 才恢复" === 实测（20300eef92d2）=== v11 迁移后 8 条规则全部 窗口=5m，阈值 4/4/2/2/35000/700/7000/350 go test ./... 全绿	2026-10-30 15:28:30 +00:00
opsx	c9e604b35f	perf(logs): 修 label 下拉 20 秒、Loki CPU 限流 76%、告警检查频率 ... 1) Loki CPU 限流 76%（limits 4 核，实测 3923m，nr_throttled 920656/1209379） → limits 提到 8 核 / requests 2 核。限流归零，histogram 84ms， by-app 从 60s 超时降到 14.9s。 2) label values 未传时间范围 → Loki 默认扫 6 小时索引（370GB/天 → 10~21s） → 默认只查最近 1 小时。实测 namespace 21330ms→33ms，app 24781ms→30ms。 3) max_query_parallelism 8 > 实际核数 → 调到 6。 4) 告警检查 1 分钟 → 5 分钟（规则窗口本身 15 分钟，稳态负载降到 1/5）。	2026-10-30 03:42:03 +00:00
opsx	e6c0cf134f	test(routers): 路由断言跟上上游变更（备份恢复已移除，补保留期读写） ... 上游 commit f87fb4b 移除了备份恢复功能（/system/backup、/system/restore）， 我上一轮加的路由守卫测试仍在断言 /system/backup 存在，导致 go test 失败。 调整为当前真实 API 面： - 移除 /api/v1/system/backup 断言 - 补 GET/PUT /api/v1/settings/retention（保留期读写） - 保留 /api/v1/system/self-check 实测：go test ./routers/ → ok	2026-10-29 17:02:09 +00:00
opsx	48e68250bb	feat(docs): 用户手册接入界面截图 ... - 6 张核心页面截图(仪表盘/向导/日志查询/日志分析/告警/设置)存 docs/assets/screenshots, 随发布包分发;产品介绍页新增「界面预览」两列网格,各功能页顶部内嵌对应截图 - goldmark 开启 WithUnsafe 以渲染网格 HTML(文档自维护,无注入面);截图经 DOM 校验全部加载成功	2026-10-29 16:36:21 +08:00
opsx	e579eabe48	fix(wizard): 存储步骤去掉推荐文案;空态列表补腾讯云对象存储(COS 后端早已支持)	2026-10-29 16:20:34 +08:00
opsx	c4d907fd27	docs: 安装与启动 → 快速安装	2026-10-29 16:11:16 +08:00
opsx	bbeb9d0b28	docs: AGENTS/CLAUDE 同步密钥自动生成行为	2026-10-29 16:09:16 +08:00
opsx	65bb29aa72	feat(config): 密钥自动生成下沉到后端 + 安装文档极简化 ... - resolveSecrets 统一所有部署形态的零配置体验:显式 env 优先 → DATA_DIR/.secrets.env → 自动生成随机密钥持久化(0600,重启不变);无法持久化才拒绝启动(单测覆盖生成/复用/显式优先) - install.md 重写为三方式各一条命令(K8s install.sh / docker compose up -d / release 包), 密钥与数据说明收敛到统一「说明」一节;README Docker 段同步精简	2026-10-29 16:07:58 +08:00
opsx	88b2ac2a6d	feat(install): 一键安装脚本 — 对标 1Panel/雷池体验 ... bash -c "$(curl -fsSL …/scripts/quick_start.sh)" 一条命令: 架构自检(x86_64/arm64)→ 发布包下载(默认 Gitea Release,可镜像)→ 随机密钥生成持久化 → systemd 开机自启 → 健康等待 → 打印访问地址/初始密码/常用命令;重复执行即升级(数据自动备份)。 CentOS 7 真机验证:安装、登录、文档/落地页、升级幂等全通。 配套 upload-release.sh(make dist 后一键发布双架构包到 Gitea Release);README/手册/CHANGELOG 同步。	2026-10-29 16:05:40 +08:00
opsx	0936234623	feat(install): 零输入一条命令部署 + 双架构发布包 ... - docker compose up -d 直接启动:entrypoint 在未显式提供密钥时自动生成随机 JWT_SECRET/ENCRYPTION_KEY 并持久化到数据卷 .secrets.env(0600,重启不变), 显式环境变量优先(单显式不被持久化文件覆盖,四场景实测);compose 去掉 :? 强制 - build.sh --dist / make dist:linux amd64 + arm64 两个 tar.gz(二进制+docs+homepage+README), 实测 15M/13M;安装文档重写为三方式(kubernetes/install.sh 一键、compose 一条命令、release 包) - README 快速开始同步	2026-10-29 15:50:50 +08:00
opsx	437ff56992	feat(docs): 文档站重制 — 参照 opsxapi/opsxshell 体系,服务端渲染三栏布局 ... - 后端 goldmark 渲染管线:/docs/:slug 页面 + /docs/search-data.json 搜索索引, manifest.json 驱动分组导航,正文剥 H1 避免与页面头重复 - 三栏布局(分组侧栏/内容/本页目录)+ 顶栏(品牌/版本徽章/搜索面板/官网入口), docs.css 品牌绿版 + docs.js(代码复制/轻量高亮/提示块/TOC 滚动高亮/移动端抽屉) - 替换 docsify;无上一页时空占位无边框;visual-judge 两轮评审(初版 fail → 修复后 pass)	2026-10-29 15:30:25 +08:00
opsx	c1f822fb10	refactor: 移除资源用量的可选 Prometheus 接入与平台监控页 ... - 资源用量弹窗:删除 applyPrometheus/promQueryValue 与峰值/限流字段 (LOKI_USAGE_PROMETHEUS_URL 从未内置,代码恒走降级),统一提示 「未接入 Prometheus:暂无峰值/限流数据」;扩容建议改基于 metrics-server 实时值 - 移除「平台监控」菜单页与 /api/v1/system/metrics-summary; 原始指标保留在标准 /api/v1/metrics(Prometheus 文本格式)可自行抓取 - 手册/落地页/CHANGELOG 同步(去除备份恢复与监控页宣传,指标端点表述中性化)	2026-10-29 15:16:18 +08:00
opsx	f87fb4b2b3	refactor: 移除备份恢复功能(API/CLI/手册) ... 日志数据的保留与安全由对象存储 + Loki retention 承担,平台侧整库备份恢复价值有限: 删除 services/backup.go、/system/{backup,restore,restore/apply,backups} 路由与 handler、 CLI backup/restore 子命令、前端 api 方法与类型;自检所需的 dataDirPath/密钥指纹并入 selfcheck; 用户手册删备份章节并修正 FAQ 升级建议;CHANGELOG 记录移除。	2026-10-29 14:48:25 +08:00
opsx	e07fe55c86	docs: CHANGELOG Unreleased 记录第三阶段首批特性	2026-10-29 14:04:25 +08:00
opsx	2bd77b57b4	feat(monitor): 平台自监控页(/monitor,管理员) ... - 后端 /api/v1/system/metrics-summary(admin):从 Prometheus registry 聚合 HTTP 请求/状态码/Top 路由、DB 落盘与大小、告警评估、Loki 查询、runtime 快照 - 前端统计卡 + Top 路由表 + 分布明细(状态码/告警/Loki/落盘),中英文案齐全 - 菜单位于「日志分析」与「日志告警」之间	2026-10-29 14:04:25 +08:00
opsx	3ea7f2dcc6	feat(site): homepage 落地页 + docsify 用户手册文档站(/docs /homepage 随二进制发布) ... - homepage/:品牌落地页(Hero/特性/快速开始),参考 opsxapi 站点风格,绿色品牌系 - docs/:docsify 文档站 + user-guide 十篇手册(安装/向导/采集/查询/分析/告警/授权/备份/FAQ) - 后端 serveStaticDir 挂载 /docs 与 /homepage(可执行文件相对定位,独立于前端 dist)	2026-10-29 14:04:24 +08:00
opsx	b8d08ef6d1	fix(alerts): 内置规则排除 Loki 自身日志,消除自我污染误报 ... Loki 会把执行过的查询语句记成自身 info 日志,查询文本包含规则关键字时 告警会'命中自己'(如 StackOverflowError 规则匹配到告警引擎自己的查询记录), 造成持续误报——全命名空间类内置规则一律加 app!="loki";存量规则启动时自动升级; 顺带清理旧版遗留的重复规则「应用错误过多(error > 1000)」(与现模板重复且阈值会误报); 前端新建/模板默认查询同步;红线测试锁死	2026-10-29 13:46:46 +08:00
opsx	abe28964a1	fix(i18n): 全站文案书面化 + 中英翻译质量修复 ... 中文(zh):约 40 处口语化改书面(「谁在什么时候改了什么」→「操作人、时间与变更前后对比」、 「找出最吵的业务」→「定位日志量最高的业务」、「点」→「点击」、创建你的第一个→创建首个等); 「副本 / Pod」统一为「Pod」。 英文(en)修复: - 功能 bug:wizard openGrafana ({url}) 插值失效→({{url}});settings notify 空态链接词悬空破句 - 语义补齐:clusters/hosts 删除确认补 Warning 与后果句;tokenInsecureHint 补 Kubeconfig 建议 (并删 en 死键 tokenRecommended);retention liveHint/costWarning/upgradeHint 补丢失半句 - 术语统一:data source / collection policy / log lines / Listen IP (internal) / Total deployments - 复数:users confirmDesc、pagination total、range lastMinutes 补 _one;storage deleteWarning 两形态对齐 - 风格:Select filtered users、Delivery History、Log Scrape Jobs、App label source、 Deployment Logs 连字符改间隔号;删除 zh 死键 liveTitle	2026-10-29 13:42:51 +08:00
opsx	df1075f1f5	fix(layout): 顶栏用户区去掉盾牌图标与管理员徽章,只留用户名	2026-10-29 13:31:05 +08:00
opsx	c33ea9d0a8	ci(lint): golangci-lint v2 入门禁并归零 ... - .golangci.yml:standard 集 - errcheck(存量 38 处裸忽略待专项),staticcheck 关纯风格/quickfix - 清理 3 个无引用死函数;SanitizedJSON 不可达分支收敛为接口分支 + nil 指针防护(原死分支中的 nil 检查从未执行) - CI backend job 增加 golangci-lint-action@v6	2026-10-29 13:29:25 +08:00
opsx	a69142fbfe	refactor(frontend): Live Tail 重构 + alerts 拆分 + NotifySection 去重 ... - Live Tail:输入 500ms 防抖后才切换轮询查询;轮询 AbortController 取消 + 版本号丢弃乱序响应 - alerts/index 508→286 行:表单与模板拆出 RuleFormDialog(浏览器实测模板/通道/提交可用) - NotifySection 两份逐字节副本合一为共享组件;settings 词典注册进 domains(alerts 直访不再裸键)	2026-10-29 13:29:25 +08:00
opsx	572efc89a4	fix(reliability): 采集器并发去重 + 备份恢复即时重载 + context 贯穿请求链 ... - CollectorService 安装/卸载按采集器互斥去重(重复触发不再并发 docker rm/run 互踩);删除后卸载失败留日志 - ApplyStagedBackup 替换文件后立即 Reload 内存态,消除「重启前旧内存落盘覆盖恢复文件」竞态;暂存文件名升级 lokistack.json(兼容旧名) - GetUsage/Validate 全链路 context 贯穿:请求取消即中止 SSH/k8s 查询(异步调用点显式 Background)	2026-10-29 13:29:25 +08:00
opsx	9daaf7f403	docs: CHANGELOG 落地与发布流程说明	2026-10-29 13:28:23 +08:00
opsx	c5739d1a06	feat(alerts): 内置规则默认启用并绑定默认通道,开箱即用 ... - 新种规则 Enabled: true;启动时执行 SeedAlertRules(此前仅部署成功调用,存量环境拿不到升级) - 存量一次性迁移:内置名单内且从未关联通道的规则补绑默认通道并启用;用户已自配通道的不动 - 管理员只需给「默认告警」通道填 Webhook 并启用;通道未就绪时命中只记发送历史(failed+原因),不影响规则评估	2026-10-29 13:14:05 +08:00
opsx	c08190458f	fix(alerts,db): 清理历史误种的 K8s 基础设施告警规则 + 数据迁移不留档 ... - seed 启动时一次性删除早期版本种入的「Kubernetes 节点 NotReady」「容器 OOMKilled」 (日志平台只关注应用日志,节点/容器状态告警归 Prometheus;源码早已移除该模板,但幂等只跳过不清理,旧库存量一直在) - 数据文件迁移为 lokistack.json 后直接删除旧文件,不再留 .migrated-*.bak(测试同步)	2026-10-29 13:09:14 +08:00
opsx	231fa8e774	fix(settings): 日志保留时间移出顶部并紧凑化 ... 通用配置卡内顺序改为 主题 → 语言 → 日志保留时间;保留时间从嵌套整卡 压缩为单行分区(标签 + 两个数字输入 + 内联保存),与主题/语言分区同族, 删去 desc 与两条 hint 冗余文案(中英同步)。	2026-10-29 13:06:31 +08:00
opsx	cddd60045c	fix(db): 首次加载历史命名数据文件即迁移为 lokistack.json ... 旧回退链(lokistack.json → opsxloki.json → lokideploy.json)会永远沿用旧文件名, 旧品牌残留一直不消;现在首次从旧文件成功加载后立即原子写入 lokistack.json, 旧文件改名 .migrated-*.bak 留档(不删数据),新旧并存或写失败时退回旧路径安全运行。	2026-10-29 13:04:24 +08:00
opsx	4f74fe6c3f	ci(engineering): Gitea Actions 门禁 + 前端测试设施 + 版本注入修复 ... - .gitea/workflows/ci.yml:后端 gofmt/vet/test + 前端 lint/test/build 双 job 门禁 - vitest + @testing-library + jsdom 落地,14 个命脉用例:useListQuery 乱序丢弃/卸载中止、 http.ts 401 单飞刷新+队列重放+失败登出+silent 直拒、审计防抖、StepDeploy 部署目标、query-utils - 版本注入断裂修复:main 补 buildTime/gitCommit 符号,build.sh/Dockerfile 注入 main.version, /health 返回真实版本,前端 package.json 版本对齐 2.0.0 - gofmt 清零(8 个存量未格式化文件)	2026-10-29 13:02:19 +08:00
opsx	2975452c21	fix(security,data): P0 — 命令注入/停止毁数据/采集路径绕过/DB 清库/前端竞态 ... 后端(实机 10.10.10.161 验证 host-binary 全链路 + 注入双路径 400): - Loki 版本号严格 ^\d+.\d+.\d+$ 校验并接入 Update 路径:version 拼进 SSH shell 命令, 旧校验放行 3.0.0'; id; echo ' 等注入载荷(root RCE) - Stop/Restart 清理清单移除 PVC:停止部署曾连带删除 loki-data PVC,filesystem 存储日志被永久清空(测试锁死红线) - 采集敏感路径防护覆盖默认 LogPath 分支与 collector Create(/etc/shadow 不再可绕过入库) - 数据文件损坏时原文件改名 .corrupt-* 留档再空库启动,不再被静默覆盖(loadFromDisk 抽出可测) 前端: - 审计页用户名过滤 300ms 防抖 + AbortController/版本号(逐键竞态数据错乱) - 向导自动部署改用创建返回实例(或 id 最大且 pending),不再盲取 list[0] 对错误实例发起真实部署 - 路由级 ErrorBoundary:单页崩溃/chunk 404 只影响当前页	2026-10-29 13:02:11 +08:00
opsx	5e59347c40	feat(settings,analysis): 日志保留时间可配（发送历史保留 7 天）+ 分析页手动刷新；修复我引入的 RWMutex 死锁 ... === 0. 【严重】修复上一版引入的死锁（平台写路径全卡死）=== 上一版把保留期读取写成 `GetRetentionSettings()`（内部 db.RLock()）， 却在 `db.Lock()` 已持有的情况下调用（recordDelivery / RecordAudit 的裁剪路径）。 Go 的 sync.RWMutex **不可重入** → 第一次写投递历史/审计日志就永久死锁。 现象：登录 28 秒返回空（登录也要写审计）、所有写接口挂住。 go build / go vet / 之前的单测（不触发写路径）全都查不出来。 修法： - 拆出 retentionFromDBLocked(db) / alertDeliveryRetentionLocked(db) / auditLogRetentionLocked(db)，调用方已持锁时用无锁版本 - upsertSettingLocked 里**不能**用 db.NextID()（内部 d.mu.Lock()，同样死锁）， 改为锁内自算 max(id)+1 - 新增 retention_test.go：持写锁调用裁剪函数，2 秒超时未返回即判死锁 实测修复后：登录 103ms（原 28000ms）、panic/deadlock 命中 0。 === 1. 平台数据保留期可配（系统设置 → 通用配置 → 日志保留时间）=== 新增 GET/PUT /api/v1/settings/retention： alertDeliveryDays 告警发送历史保留天数，默认 7（原写死"最近 50 条"） auditLogDays 审计日志保留天数，默认 90（原写死常量） 保存后立即按新策略裁剪一次，不必等下次触发。 校验：发送历史 1~365 天、审计 1~3650 天，超出返回明确中文原因（不是 500）。 注意与「Loki 日志保留期」区分：那个是部署级配置（组件部署 → 保留策略）。 === 2. 发送历史：50 条硬上限 → 保留 7 天 === 后端 Deliveries 接口原来写死 `len(out) < 50`，现在按保留期取（响应上限 500 可调）， 标题改为「发送历史（保留 N 天）」，N 从设置里读。 === 3. 菜单「日志服务」→「组件部署」=== === 4. 分析页：去掉「全部命名空间」+ 改手动刷新 === - 移除「全部命名空间」选项：{namespace=~".+"} 要扫全集群（约 370GB/天）， 一次分析几十秒，得不偿失；历史值 __all__ 也会被忽略并回退到策略/第一个 ns - 筛选改为「选择值 / 已生效值」分离：切换命名空间或时间范围**不再自动查询**， 只把刷新按钮点亮并提示「筛选条件已改，点刷新生效」； 点一次才应用并取数。 原因：一次分析要跑多条 count_over_time，切一下下拉就重查一轮， 快速连点会把 Loki 打满（并发护栏 429），还拖慢别人。 === 实测（9739c7c092e7）=== 登录 103ms / token 273 字符 GET retention → {alertDeliveryDays:7, auditLogDays:90} PUT 0 天 → 400「告警发送历史保留天数需在 1~365 之间」 平台日志 panic/deadlock 命中 0 go test ./... 全绿（含 2 个新死锁回归用例）	2026-10-29 04:16:52 +00:00
opsx	7369a17598	feat(alerts): 数据库连接告警覆盖 MySQL/PG/Redis 主流报错；规则表单三字段对齐 ... === 1. 「数据库连接失败」匹配模式 3 → 25 个 === 原来只匹配 connection refused / reset by peer / too many connections， 漏掉了 PG 的 FATAL: too many clients、Redis 的 NOAUTH / WRONGPASS / connection pool timeout 等实际最常见的报错。 按数据库分类补齐： 通用网络层 connection refused / connection reset by peer / broken pipe / no route to host / cannot assign requested address / connection timed out / i/o timeout / unexpected EOF / server closed the connection unexpectedly MySQL too many connections / communications link failure / driver: bad connection / could not create connection / Access denied for user PostgreSQL FATAL: password authentication failed / sorry, too many clients / terminating connection Redis NOAUTH / WRONGPASS / READONLY you can't write against / CLUSTERDOWN / max number of clients reached 连接池（Java/Go 应用层最先炸的地方） connection pool / connection is not available **刻意不加**的（会匹配到几乎所有网络日志，等于没告警）： 裸 "EOF"、"timeout"、"error"、"refused"、"deadlock" 阈值保持 1000/15min（模式变多不代表命中变多，都是真错误才命中）。 迁移 v9→v10 只替换"仍是旧默认查询"的规则，用户自定义过的不动。 === 2. 规则表单三个字段没对齐 === 现象：统计窗口(分) / 触发阈值(条) / 冷却(分) 三格并排， 但只有中间的「触发阈值」下方多了一行提示文字， 导致中间那格更高、提示文字悬在底部，看起来像没对齐。 修法：三格统一为「标签 + 输入框 + 一行提示（min-h-4 固定高度）」， 底边自然齐平；提示文案改为： 统计窗口 → 统计最近多少分钟 触发阈值 → 超过该条数才告警 冷却 → 冷却内不重复发送 （顺带把阈值提示从"0 = 出现即告警"改掉：默认阈值已无 0，0 反而是危险配置） 小屏改单列堆叠（grid-cols-1 sm:grid-cols-3）。 === 实测（936a127b1d15）=== v10 迁移：告警规则 "数据库连接失败" 扩展匹配模式 线上规则：25 个模式，含 NOAUTH / too many clients，阈值 1000，冷却 240m Pod = latest = v0.1 = 936a127b1d15	2026-10-29 03:56:07 +00:00
opsx	cb1ef1dff4	fix(alerts,analysis): 告警引擎稳定性 5 项修复；每日量接口去掉同步 Loki 查询（20s→10ms） ... === 一、告警引擎稳定性审查（引擎本身是异步的：ticker + goroutine）=== 1) 【高】ticker 无重叠保护 ticker 每 1 分钟触发；一轮规则检查 8 条 × 20~30s = 2~4 分钟，远超一分钟。 原来每过一分钟就再开一轮 → 查询越堆越多，抢走页面查询的 Loki 资源， 每轮越来越慢，最终表现为"告警不响了"。 → 新增 alertCheckRunning(atomic.Bool)，上一轮未完成直接跳过本轮并记日志。 2) 【高】单条规则无超时 RunAlertCheck(context.Background()) 没有 deadline：Loki 一旦挂住，整轮永久运行， 叠加问题 1 会让引擎再也不启动新一轮（静默死亡）。 → 每轮总超时 5 分钟（alertRoundTimeout）+ 单条规则 90s（alertRuleTimeout）。 3) 【中】panic 只在整个 tick 层 recover 一条规则 panic 会让本轮后续规则全部跳过。 → per-rule recover，panic 记为一条 failed 投递记录，后续规则继续。 4) 【中】冷却记录每分钟写一条，把真实发送记录挤光 AlertDeliveries 只保留最近 50 条，而处于冷却期时每个 tick 都写一条 cooldown， 一小时内真实的"已发送"记录就全被挤掉了，发送历史没法看。 → recordCooldownThrottled()：同一规则 10 分钟最多写一条。附单测。 5) 规则串行本身保留（避免同时压垮 Loki），但配合 1) 才安全。 === 二、每日日志量接口：20 秒 → 10 毫秒 === 根因：GetDailyVolumeHistory 里**同步** await 一次"整天 index/stats"补抓当天数据， 那次查询超时 20s → 整个接口 20s → 前端超时 → 页面显示"每日日志量没数据"； 更糟的是这条重查询还和页面的 histogram/stats 抢 Loki，导致那两个接口同时 502 （访问日志实证：daily-volume latency_ms 20000.997，stats/histogram 502）。 → 接口改为**只读库**，不触发任何 Loki 查询；当天数据由后台每 30 分钟的 定时任务补（CaptureRecentDailyVolumes）。 → 同时把整天 index/stats 的超时从 20s 提到 90s（370GB/天，20s 不够）。 实测：10ms。 === 三、通知通道改名「默认告警」(schemaVersion v8→v9) === "lark 默认告警" / "默认通知通道（待配置 Webhook）" → 统一为「默认告警」。 只改名，不动 Webhook、不动 enabled： 首次部署创建的占位通道必须保持「空 Webhook + 禁用」，由管理员自己填， 否则会出现"已启用但空地址"的通道，告警一命中就全部投递失败。 === 四、其它文案 === 「每日日志量」副标题精简为「每天的日志总量，平台保留历史趋势」， 并移除「平台留存历史」徽标（用户反馈多余）。 === 实测（303134c0c718）=== /logs/daily-volume：10ms（原 20000ms） 通道列表：id=1 name="默认告警" enabled=true hasWebhook=true go test ./... 全绿（含新增 TestRecordCooldownThrottled）	2026-10-29 03:38:30 +00:00
opsx	607b67a2ed	fix(alerts,analysis,dashboard): 阈值再上调 + 告警风暴全局闸门；修 subtitle/门控/饼图 Top5 ... === 1. 告警阈值第二轮上调（500~5000 这一档仍然太敏感）=== 实测业务高峰期这些量级就是常态，阈值贴着基线等于"每天准点报警"： 应用错误激增 50000 → 100000（冷却 120m → 240m） ingress 5xx 500 → 2000 （冷却 240m） ingress 4xx 5000 → 20000 （冷却 240m） 数据库连接失败 200 → 1000 （冷却 240m） 迁移 v7→v8，只改"仍等于旧默认值"的规则，用户手动调过的不动。 === 2. 告警风暴抑制：新增全局闸门 === 单条规则的 cooldown 只能防"同一条重复"，挡不住"多条规则同时炸"。 实际踩过：一次存储抖动让 8 条内置规则同时命中，10 秒内群里刷了 8 条， 之后大家开始无视这个群 —— 告警疲劳比漏报更难挽回。 新增 overStormLimit()：最近 1 小时内全平台成功发送数 ≥ 12 条时， 后续命中不再发送，只写一条状态为 cooldown 的发送记录并注明 "告警风暴抑制：最近 1 小时已发送 N 条（上限 12）"，可见可追溯。 === 3. 分析页 subtitle 仍是裸 key === 中文语言包缺顶层 subtitle（英文包有），i18next 找不到就把 key 原样输出。 补齐：「按应用与命名空间看日志量、错误与趋势，找出最吵的业务」。 === 4. 分析页三条"没有应用维度的数据"的真正原因 === 「活跃应用」「应用日志量 Top 5」「应用日志量流图」都依赖 by-app 重查询， 而这条查询被**底部排行卡片的可见性**门控（rankingEnabled: rankingView.inView）—— 用户不滚到底就永远不发请求，于是顶部三块永远是空的。 改为进页面就发（两阶段渲染：索引类指标先出，app 维度到货后补）。 懒加载只保留在真正位于底部的「每日日志量」「Ingress 分析」。 === 5. 饼图改 Top 5 + 文案 === 用户要求：应用日志量 Top 5 用饼图。TOP_SLICES 8 → 5， 标题改「应用日志量 Top 5」，副标题写明"其余归入其他"。 === 6. 卡片顺序 === 「每日日志量」从中间移到「应用排行」之后（更靠底部，慢慢加载）。 === 7. 仪表盘 === 整个「平台自检」卡片（含所有指标行）按用户要求移除。 === 实测（2e8c88817b6a）=== v8 迁移：4 条规则阈值上调，日志齐全 当前阈值：FATAL>10 / panic>10 / OOM>5 / StackOverflow>5 / 应用错误>100000 / ingress 5xx>2000 / 4xx>20000 / DB 连接>1000 冷却：低频规则 120m，高频规则 240m	2026-10-28 23:43:14 +00:00
opsx	fbefcc86df	feat(logs,analysis): 分页改"加载更多"+触底自动加载；修懒加载不触发；指标短缓存 ... === 1. 日志列表：去掉页码分页，改「加载更多」+ 触底自动加载（节流）=== 为什么不用"上一页/下一页/共 N 页"： - Loki 是**游标分页**，不支持 offset，页码天生跳不了页 - 规模上没意义：15 分钟 4000 万条 → 按 200/页算 40 万页 - 带 |= / |~ 行过滤时总数根本算不出来（index/stats 只接受 label matcher） 日志排查的真实交互是"继续往下看"，所以改为： - 列表底部：「已加载 N 条 · 约 M 条」+「加载更多」按钮 - 滚动到底**自动加载**，但 2 秒节流 —— 每批都要后端扫 Loki， 快速滚动连续触发会撞并发护栏（429），反而比手动点更卡 - 到 5000 条停止并提示"缩小时间范围或加过滤条件"（虚拟滚动只省 DOM， 不省数组内存，无上限会一直涨） - 修正语义 bug：分页原来是 setEntries(result.entries) **整页替换**， 改成追加（否则"加载更多"等于翻页） - 删除 pageCursors 翻页栈与 prevPage/nextPage/pageOf/pageOfTotal 文案 === 2. /logs/stats 错误映射：Loki 400 → 我们的 400 + 人话 === 之前带行过滤时 Loki 回 400 "only label matchers are supported"， 被统一包装成 502「Kubernetes API 代理返回 HTTP 400…」， 前端只能当失败静默 → 用户看到"总页数没了"却不知道原因。 现在返回 400 +「含过滤条件（|= / |~）时无法统计总页数：Loki 只支持按标签统计」， 前端据此在条数旁给出提示。 === 3. 分析页：修"延迟加载永远不触发"（数据一直不出来）=== 现象：应用排行/流图/饼图/活跃应用全是"没有应用维度的数据"，每日量"已有 0 天"， 但接口实测正常（by-app 返回 75 条序列、daily-volume 返回 2 天）。 根因：这三块用 useInView 门控，而 ref 挂在 <Card> 上，观察器不触发 → 永远 false → hook 直接 return → 页面永远空。 修法： - 改用普通 <div ref> 包裹，不依赖组件是否转发 ref - useInView 加**几何兜底**：1 秒后若元素已在视口内就直接置 true （有些容器里 IntersectionObserver 的 root 判定会和预期不一致） === 4. 分析页指标短缓存（26s → 11ms）=== `sum by (app)(count_over_time(...))` 扫 15 分钟 astralx（约 6.6GB）实测 16~28 秒， Loki 自带结果缓存不命中（时间窗每次都在变）。点刷新/切页都要再等半分钟。 现在按 (数据源, 查询, 时间窗) 缓存 90 秒，时间窗按 2 分钟取整当 key： 实测第 1 次 23514ms → 第 2 次 **11ms** 代价：命中缓存时数据最多旧 ~2 分钟，对聚合视图可接受。 === 5. 仪表盘 === 去掉「平台自检」「N 项需关注」两段文字：卡片本身就是自检结果， 标题重复一遍没信息量；状态改由图标+边框颜色表达。 === 6. 其它文案修正 === 饼图空态从「没有命名空间维度的数据」改为「没有应用维度的数据」 （饼图上一版已改成应用维度，文案没跟上）。 === 实测（1da8a148d756）=== Pod = Hub latest = v0.1 = 1da8a148d756 stats：纯 selector → 200（7005 万条）；带 |= error → 400 + 人话 分析指标缓存：23514ms → 11ms 每日量：2 天（10-27 32.5GB / 10-28 356.5GB） 文案：加载更多 / 已到末尾 / 达到上限 均进包；代码中已无 prevPage/nextPage 引用	2026-10-28 23:36:32 +00:00
opsx	bad61e5027	fix(deploy): 删除部署时同步清理自动注册的查询数据源（孤儿数据源） ... === 现象（用户实测）=== 在 /deployments 页面删掉两个主机模式部署后，本机（172.19.16.8）容器确实清干净了： docker ps -a 无任何 lokistack-* 容器 /etc/promtail、/var/lib/promtail 等目录均不存在 无 promtail systemd 单元 但**平台里残留一个数据源** host-verify-loki（url=http://172.19.16.8:3100）， 「日志查询」下拉里还能选到它，选中必然连接失败。 === 根因 === DeploymentService.Delete 只做了两件事：删容器、删部署记录。 部署创建时由 EnsureLogSourceForDeployment 自动注册的托管数据源（Managed=true） 没有任何清理逻辑 —— 删除动作只完成了一半。 === 修法 === 1) DeploymentService.Delete 删完记录后调用 CleanupManagedLogSource(部署名) - 删掉同名且 Managed=true 的数据源（手填的 Managed=false 不动） - DeleteLogSource 内部会连带删除指向它的查询授权策略组 - 绑定该源的告警规则置为禁用（保留配置便于审计，但不让它每次评估都失败） - 注意锁顺序：必须先 db.Unlock() 再调用，CleanupManagedLogSource 内部会自己加锁， 持有锁再调用会死锁 2) schemaVersion v6→v7 迁移 removeOrphanManagedLogSources() 清理历史遗留：Managed=true 但没有任何同名部署的数据源 → 删除， 连带删策略组、禁用告警规则 === 实测（d9487694ece6）=== v7 迁移日志：移除孤儿数据源 "host-verify-loki"(id=2)：对应部署已删除 数据源：1 个（只剩 loki-pre，managed=true） 部署：1 / 采集器：1 / 策略组：1 本机：docker ps -a 无 lokistack-* 容器，/etc/promtail 等目录不存在，无 systemd 单元	2026-10-28 23:18:43 +00:00
opsx	6d6e17745c	fix(logs): 恢复 POST /logs/histogram（直方图 404）+ 系统设置改为侧栏五分页 ... === 1. 修复 /analysis 与 /logs 直方图 404（我上一轮 patch 的误伤）=== 现象：分析页直接报 "API endpoint not found"；日志查询页直方图不显示。 根因：37e2f0f 里一次模糊匹配的 patch 把 logs.POST("/histogram", logsCtrl.Histogram) 改成了 logs.GET("/histogram", logsCtrl.Histogram) 前端 logsApi.histogram 一直用 POST（body 带 sourceId/query/start/end）， 于是 POST /logs/histogram 全部 404。访问日志实证： POST /api/v1/logs/histogram → 404 ×7 这类"方法写错"编译期查不出来，go build / tsc 都是绿的。 修法：同时注册 POST（前端用）与 GET（curl 调试用）。 新增 backend/routers/router_test.go 守门： TestCriticalRoutes 断言 19 条关键路由的 method+path 组合都存在 TestHistogramAcceptsPost 单独断言 histogram 必须同时有 POST 与 GET 以后再把 POST 写成 GET，测试会直接红。 === 2. 系统设置放回侧栏，改成 5 个顶层 tab === 按使用反馈调整： 系统设置（侧栏一个入口） ├ 通用配置 /settings ← tab 起点 ├ 用户管理 /users ├ 审计日志 /audit ├ LDAP 接入 /settings/ldap ← 新拆分 └ 默认镜像源 /settings/registry ← 新拆分 为什么拆：原来 /settings 页面内部已有 4 个 tab（通用/告警通知/LDAP/镜像源）， 如果侧栏再加一层 tab 就是"两层 tab"，点两下才知道自己在哪。现在扁平化成单层。 配套改动： - 新增 pages/settings/ldap.tsx、registry.tsx（各自只渲染一块内容） - settings 主页去掉内层 Tabs，只留通用配置（外观/语言/改密码/关于） - 上一版把设置放到了右上角齿轮，现在移除齿轮入口 - 菜单文案：settings 页标题 系统设置 → 通用配置；新增 LDAP 接入 / 默认镜像源 - 删除设置页副标题「通用配置、告警通知、LDAP 接入与默认镜像源」（用户要求去掉） - 删除 settings 里已不存在的 tabs.notify 文案 （注意 settings.notify.* 这些 key 仍被告警页的 NotifySection 用着，保留） === 3. 告警通知已不在系统设置里 === 它在上一轮就搬到了「日志告警 → 通知通道」tab， 本次顺带把系统设置里遗留的 tab 文案一并清掉，避免出现"看似有两处配置入口"。 === 实测 === POST /api/v1/logs/histogram → 200（修复前 404） go test ./... 全绿（含新增的 routers 包） tsc -b --force 通过	2026-10-28 23:12:42 +00:00
opsx	8bea331183	chore(release): 发布脚本对齐"统一使用 latest"策略 ... 清单本来就用 latest（deployment.yaml / docker-compose.yml / prod.yml 的 ${IMAGE_TAG:-latest}），但上一版 release.sh 会把 deployment.yaml 改成 不可变 tag 并把 pullPolicy 改成 IfNotPresent —— 与"统一用 latest"相反， 而且改完不提交的话下次 apply 又会退回最新 tag，容易造成实际版本与预期不符。 改为： 1) 一次构建打三个 tag：latest / v0.1 / <版本>-<日期>-<commit>，同时推送 2) 推送后**校验三个远端 digest 一致**，不一致直接退出（并发构建覆盖 latest 的经典事故，先拦住别部署） 3) 部署走 kubectl apply + rollout restart（image=latest + Always 强制重拉） 4) 部署完再核对 Pod digest 与远端 latest，不一致立即提示 5) 不再默认改清单；需要"固定版本部署"时显式 `--pin` 6) 回滚方式写清楚：把旧的不可变 tag 重新打成 latest 推上去 同时把集群里被我为了避开 tag 竞争临时改成 v11-1028-2252 的 Deployment 恢复成 latest + Always（已验证 Pod / Hub latest / Hub v0.1 三者 digest 一致 = 187062644c0f）。	2026-10-28 23:02:41 +00:00
opsx	37e2f0febc	feat(analysis,alerts): 每日量落库看历史趋势、趋势图/饼图可读性、告警三分页 ... === 1. 每日日志量必须落库（核心问题：Loki 只留 24 小时）=== 实测：请求"近 7 天每日量"，Loki 只返回 27 个**小时**桶，全部在最近 24h 内 —— 因为 retention_period=24h，更早的 chunk 已经被删了。 也就是说「固定近 7 天」这张卡片，过去一直是"6 天空白 + 1 天有数据"， 用户看着像坏了，实际是数据物理不存在。 方案：平台自己留存历史。 - models.DailyVolumeSnapshot{Date(本地YYYY-MM-DD), SourceID, Bytes, Entries, Partial} - services/daily_volume.go CaptureDailyVolume 按天抓 index/stats 落库（幂等覆盖） StartDailyVolumeCapture 启动 20s 后回补 + 每 30 分钟检查一次 GetDailyVolumeHistory 读库返回最近 N 天（今天会实时补抓） - 保留 400 天（够看年度趋势），按 source+date 去重 - 前端可选 7 / 30 / 90 / 365 天，能看多长取决于平台积累多久 为什么用"每 30 分钟检查昨天有没有落库"而不是固定 00:10 定时： 平台可能整晚没运行，固定时点的定时器会直接错过；检查式回补不依赖平台在线时刻。 Partial 标记（关键，否则会误读）： - 当天未结束 → partial=true - 待抓取日期的起点已超出 24h 保留期 → partial=true（Loki 里就没那么多数据） 实测：10-27 32.5GB/2.65亿条 partial=true（保留期外）， 10-28 348GB/28.56亿条 partial=true（当天进行中） === 2. 修一个 Go 副本 bug（自己写的，靠实测发现）=== 第一版用 `for _, snap := range db.DailyVolumeSnapshots` 后改 snap 字段， range 拿到的是**副本**，改动不会写回切片 → 同一天永远保持首次抓取的值， partial 也永不更新（实测发现 10-27 该是 true 却显示 false）。 改为 `for i := range ... { snap := &db.DailyVolumeSnapshots[i] }`。 === 3. 趋势图可读性 === 从"裸折线"换成"渐变面积图"，并在图上方给出峰值 / 均值： - 面积图能一眼看出"这一段整体比上一段高"，折线只能靠对齐格子数 - 峰值/均值避免用户自己对刻度 - Y 轴与 tooltip 统一 formatBytes，"每桶体积"写进 subtitle 顺带确认：趋势图只画体积（字节），不再混入 error（条数）——单位不同不能同轴。 === 4. 饼图：命名空间分布 → 应用日志量分布 === 本环境的命名空间只有 astralx / log 两个，饼图没有信息量； 改成按应用看谁在刷日志（前 8 名 + 其他），才是运维真正要的答案。 === 5. 告警页拆成三个 Tab === 「告警规则 / 通知通道 / 发送历史」独立成分页（用 ui/tabs）。 之前通道是折叠块、历史堆在规则下面，规则一多就要滚很久才看得到。 发送历史增加空状态文案，不再是"空页面不知道有没有在发"。 === 6. 内置规则关联默认通道 + 首次部署 webhook 留空的评估 === 结论：**webhook 可以留空，但通道必须是禁用状态**。 - 若种子给的是"已启用 + 空地址"通道，规则一命中就必然投递失败， 发送历史堆满红色失败，反而让人以为平台坏了 - 所以首次部署建一个**禁用**的占位通道「默认通知通道（待配置 Webhook）」， 内置规则全部挂到它；管理员填好 Webhook 再启用即可，不用逐条关联 - 保存时加校验：启用则必须有非空 Webhook（返回明确原因，不是裸 500） - schemaVersion v5→v6：把已有的"无通道"规则补挂到默认通道 实测：8 条规则全部已关联通道 === 实测（v11-1028-2252 / 187062644c0f）=== /logs/daily-volume?days=7 → 2 天数据，partial 标记正确 规则 8 条全部有 channelIds 平台 ready、健康 ok	2026-10-28 22:54:12 +00:00
opsx	cb91470d75	perf(analysis): 分层加载 + 修复裸 i18n key + 单位混用；附 Loki 查询方式的实测对比 ... === 1. 界面显示裸 key（trend.subtitle / daily.subtitle / table.subtitle）=== 根因：中文语言包只加了 title，**没有 subtitle**，而英文包有。 i18next 找不到 key 就把 key 原样输出，所以界面上出现 "trend.subtitle" 这种文字。 已补齐 zh 的 trend/stream/pie/daily/table 五个 subtitle，并把文案改成 人话（说明数据来源与是否需要等待），例如： trend : 按时间分桶的日志量（来自索引统计，秒级返回） daily : 近 7 个自然日的每日总量（来自索引统计，不受上方时间范围影响） table : 按日志条数排前 10 的应用，点「查看日志」跳到查询页 === 2. 分层加载：上面的先出，下面滚到再算 === 新增 hooks/useInView.ts（IntersectionObserver，提前 200px 触发，只触发一次）。 - 首屏只跑索引类查询（histogram + index/stats），**合计 <100ms** - 「每日日志量」「应用排行」「Ingress 分析」三块滚动到视口才发查询 - 排行卡片加载中显示"正在按应用统计（需读取日志内容，通常 20~30 秒）…"， 不再是空表格让人以为卡死 === 3. 修复自己引入的单位混用（重要）=== 趋势图数据源从 count_over_time 换成 index/volume_range 后，返回值是**字节**， 但排行表里的值是**条数**，两者混用导致： - 统计卡显示 7956179750 这种看不懂的裸数字 - 排行占比算成 0.0x%（分子条数、分母字节） 修法： - 统计卡拆成两张且都走索引接口（实测 histogram 50ms / index-stats 43ms）： 日志条数（索引统计） ← index/stats entries，精确条数 日志体积（索引统计） ← volume_range 累计，格式化为 GB - 排行占比分母改用 apps 自身条数合计 - 去掉"告警行数"卡片：为了把重查询从 3 条降到 2 条已放弃全局 warn 统计， 显示一个恒为 0 的数字比不显示更误导 === 4. Loki 查询方式实测对比（15 分钟 astralx，370GB/天）=== 直接打 Loki，逐个验证卡在哪： sum(count_over_time({ns}[30s])) step=30s 61s 超时 ← 全集群全局 sum by (app,ns)(count_over_time([30s])) step=30s 19.7s 5.5GB ← 现用 sum by (app,ns)(count_over_time([15m])) step=15m 47s 超时 ← 反直觉！ sum by (app)(count_over_time([30s] |= error)) step=30s 12.7s 5.5GB 单 app gateway count_over_time step=30s 12.6s 0.58GB index/volume (limit=200) 2.2s ← 只给 selector 级，不能按 app index/volume_range (step=60s) 133ms index/stats 112ms ← entries/bytes 精确 两个结论（写进注释，避免以后又"优化"回去）： a) **不要把 range 和 step 一起放大**：`[15m]` + step=15m 看着"点数少"， 实际要让 Loki 为单个 evaluate 点加载 15m 的 chunk，比 [30s]+step=30s 慢 2 倍以上 （47s 超时 vs 19.7s）。 b) **按 app 分组无法走索引**：Loki 3.4 的 index/volume 只回落到 selector 标签， 不支持 aggregateBy=app（传了也无效果）。所以 per-app 排行只能读日志内容， 20 秒左右是这台集群的物理下限 —— 只能靠懒加载 + 明确提示来改善体感。 === 实测（v8-1028-2232 / 7a05683a91ae）=== logs/histogram 50ms logs/stats 43ms by-app 排行 25077ms（懒加载，滚动到才发） 中文 subtitle 已进包：来自索引统计 / 按量排前 / 各命名空间的日志量占比 / 近 7 个自然日 / 按日志条数排前 10 各命中 1 次	2026-10-28 22:34:04 +00:00
opsx	fa7ddd67c1	perf(analysis): 分析页按索引/内容分层，告警默认阈值抬高 ... === 1. 分析页"一直转圈/请求超时(40000ms)"的真实原因 === 三个问题叠加，逐个量化： a) 首屏用空 namespace 发查询 页面初始 namespace=''，等策略返回前就发出 `{namespace=~".+"}` 全集群查询， 策略到位后又查一次 → 一次访问跑两遍。 → 加 namespaceReady 门控：解析完再发（effectiveSourceId）。 b) histogram 索引查询和内容查询抢同一个信号量 /logs/histogram 首选 index/volume_range（毫秒级），但仍要先抢重型令牌， 而令牌被 4 条 count_over_time（各 14~29s）占满 → 排队/429/超时。 → 索引路径**不再占用重型令牌**（15s 独立超时），只有回退到 count_over_time 时才抢令牌。实测各跨度(15m/1h/6h/24h)均 0s。 c) 重查询条数过多 原来 4 条全局 count_over_time（total/error/warn）+ 2 条 by-app， 串行 1~2 分钟。现在只留 2 条 by-app： - 全局总量已由 histogram（索引）提供 - 全局 error 由 errByApp 序列求和得出 - 全局 warn 放弃（优先级最低却要 20s） 实测 by-app 单条 26s，两条串行 ~52s；主图 0s 先出。 d) 日报 7 天 count_over_time（2.6TB 扫描）必然失败 → 改走 /logs/histogram（索引）按自然日聚合，只出"每日总量"， 应用维度交给下方 Top 应用表格（有自己的时间范围）。 实测 7 天跨度毫秒级。 === 2. 告警默认阈值抬高（告警疲劳治理）=== 验证时用 `{namespace="astralx"}` + 阈值 0 触发了一次： 15 分钟命中 3051 万条 —— 阈值 0 等于把告警变成日志流复读机。 新基线（15 分钟窗口，冷却统一 120 分钟）： 致命日志 FATAL 0 → 10 Go panic 0 → 10 JVM OutOfMemoryError 0 → 5 StackOverflowError 0 → 5 应用错误激增 1000 → 50000（改名，原"error > 1000"名不副实） ingress-nginx 5xx 100 → 500 ingress-nginx 4xx 1000 → 5000 数据库连接失败 50 → 200 迁移只改"仍等于旧默认值"的规则，用户手动调过的阈值不动。 设计原则写进 seed 注释：绝不用 threshold 0；宁可少报也不要让人对告警脱敏； 绝对阈值不跨环境通用，大集群必须按 app/namespace 收窄。 === 实测（v6-1028-2218 / 0bf66199de66）=== 规则 8 条，阈值=0 的规则数 0，冷却全部 120m histogram astralx（15m/1h/6h/24h）: 0s by-app metrics astralx 15m: 26s，正常返回数据	2026-10-28 22:20:19 +00:00
opsx	95dcd9408c	fix(logs,analysis,alerts): 数据源不可达、分析页超时、告警规则混入基础设施项 ... === 1. 主机模式数据源地址 0.0.0.0 → 主机真实 IP（查询页"永远加载中"的根因）=== 现象：切换数据源后命名空间/App 下拉不动，一直显示"加载中…"，控制台报 Get "http://0.0.0.0:3100/loki/api/v1/labels": dial tcp 0.0.0.0:3100: connect: connection refused 根因：主机模式部署的 endpoint 记的是**容器监听地址** 0.0.0.0:3100， 而平台进程不在被采集主机上，0.0.0.0 只在本机有意义。 EnsureLogSourceForDeployment 把它原样写成了数据源 URL。 修法： - 新增 reachableEndpoint()：把 0.0.0.0 / [::] 换成关联主机的真实 IP - schemaVersion v3→v4 迁移 fixUnreachableLogSourceURLs()，修正已有脏数据 - 实测：http://0.0.0.0:3100 → http://172.19.16.8:3100，该源 label 查询由 502 变 200 === 2. 前端：区分"加载中"与"加载失败" === 原来用 `loading={!options.length}` 表示加载中 —— 数据源不可达时列表永远为空， 于是界面永远转圈，把真实错误完全藏起来了（这次的 0.0.0.0 就是这样被掩盖的）。 改为独立的 namespaceLoading / namespaceError 两个状态： - 切换数据源先清空旧 options（否则显示上一个源的命名空间，看着像"没反应"） - 失败显示"加载失败"并在旁边给「重试」按钮，不用刷新整页 === 3. 日志分析页：主图改走索引接口（原来 5 条 count_over_time 全超时）=== 实测 astralx（约 370GB/天）15 分钟窗口： count_over_time → exec 29s + 排队 95s，超过 30s 护栏 → 502 index/volume_range → 0s 改为两阶段渲染： - 总量趋势改用 /logs/histogram（内部 index/volume_range），**0s 出图** - 错误/警告/app 维度仍需读日志内容，串行执行，先渲染主图再更新 - heavyQueryTimeout 30s → 90s（实测 error 维度查询 14s 可完成） === 4. 告警规则按日志平台定位收敛 === - seed 里删掉「Kubernetes 节点 NotReady」「容器 OOMKilled」： 这类属于 kube-state-metrics / Prometheus 的职责，用日志字符串匹配不可靠 - 迁移里清掉线上已存在的同类规则（3 条） - 修 AlertRule / NotifyChannel 重复 ID（同 logSources 一样漏在 sequences 重建外） === 5. 告警页 UI === - 规则列表由"每条一张卡"改为紧凑表格（一屏看全，阈值可对齐比较） - 通知通道（飞书/Lark/Webhook）从「系统设置」搬到告警页折叠区： 规则和"发到哪"是一件事的两半，分两页配容易漏配导致告警发不出去 === 6. 权限收敛 === - /alerts 加 adminOnly：普通用户按查询授权只看「日志查询」，不再看到告警菜单 - 系统设置从侧栏移到右上角齿轮（低频平台配置，不占侧栏一位） === 7. 迁移设计教训（写进代码注释）=== v2 时把"告警去重 + 清基础设施规则"塞进 case 1，但线上库已到 v2， 那段代码永远不执行。**结构变更只要逻辑变了、目标库已达该版本，就必须再抬一版**， 不能改历史迁移分支。 === 实测（v4-1028-2210 / 979bdb4a48e8）=== v4 迁移：数据源 URL 修正 http://0.0.0.0:3100 → http://172.19.16.8:3100 source 1 label：200，0s（astralx / log） source 2 label：200，0s（不再 connection refused） 分析页 histogram astralx 15m：0s 分析页 metrics error astralx 15m：14s 告警规则：10 条（已无基础设施类）、ID 唯一 另清理 172.19.16.8 上 13 个残留容器，回收 6.1GB	2026-10-28 22:11:48 +00:00
opsx	1a4c75e28c	feat(menu): 日志查询/日志分析拆为独立菜单 + 部署菜单改名「组件部署」 ... 按使用反馈调整信息架构： === 1. 日志查询、日志分析保持独立菜单（不折叠）=== 上一版把两者并进「日志」分组，实际使用中不方便： - 日志查询是最高频入口，不该多点一次 tab 才到 - 日志分析是管理员专用的聚合视图，与查询的心智模型不同 改为两个独立菜单项，/logs 的菜单名保持「日志查询」不变（用户明确要求）， /analysis 保留 adminOnly（仅管理员可见）。 === 2. /deployments 菜单改名：部署 Loki → 组件部署 === 命名评估（三个候选）： 组件部署 ✅ 选中：部署对象是基础设施组件（Loki 实例）， 与本环境大量 cex-* 业务服务明确区分。 运维在侧栏看到「服务部署」第一反应会是"发布业务服务"，容易误点。 服务部署 ✗ 与业务服务语义冲突 部署 Loki ✗ 以后支持多组件（Fluent Bit / Grafana）就名不副实 文案改动：菜单 menu.deployments、页面标题、组内 tab 全部统一为「组件部署」， en 同步为 Component Deploy / Component Deploy 页面标题。 === 3. 顺带修：启动日志每次都打印「首次部署」=== 旧实现无条件打印 log.Printf("首次部署请查看启动日志或 %s/initial-admin-password.txt ...") 于是每次重启日志里都有「首次部署」，排查时极易被误导成 "平台重新初始化了、数据是不是丢了"（本次就因此自查了一轮）。 改为仅当密码文件存在时才提示（admin 改密后该文件会被删除）。 === 当前菜单结构（8 项）=== 仪表盘 / 部署向导 / 资源接入(集群·主机·存储) / 日志服务(组件部署·日志采集) / 日志查询 / 日志分析(admin) / 日志告警 / 系统管理(用户·审计·设置) === 实测 === bundle 文案：组件部署1 日志查询2 日志分析2 资源接入1 日志服务1 系统管理1 启动日志「首次部署」出现次数：0 CLI self-check：overall=ok（数据库 54.7 KB，CLI 模式读取） CLI backup：记录数 88（修复前为 0）、密钥指纹 d714ebda23908331 镜像：lghost/lokistack:latest + v0.1 = aa6313fee5bb	2026-10-28 21:44:15 +00:00
opsx	b2c82da377	fix(audit): inferAuditFields 下标越界导致进程级 panic（4 段路径全部 500） ... === 现象（线上实际日志）=== http: panic serving 172.19.16.138:35256: runtime error: index out of range [4] with length 4 lokistack/middleware.inferAuditFields(...) lokistack/middleware/audit.go:179 === 根因 === segments := strings.Split(strings.Trim(path, "/"), "/") if len(segments) >= 4 { resource = segments[3] resourceID = segments[4] // ← 4 段时越界 } /api/v1/hosts/2 正好拆成 4 段 [api v1 hosts 2]，取 segments[4] 直接 panic。 影响面比想象大：**所有 4 段路径的写请求**（PUT/DELETE /hosts/:id、 /storage/:id、/clusters/:id 等）都 500，且中间件 panic 后审计也写不进去 —— 等于审计功能在最常用的更新/删除接口上完全失效。 === 修法 === 每个下标单独判断长度： if len(segments) >= 3 { module = segments[2] } if len(segments) >= 4 { resource = segments[3] } if len(segments) >= 5 { resourceID = segments[4] } === 回归测试（middleware/audit_test.go）=== TestInferAuditFieldsNoPanic : 0/1/2/3/4/5 段的 12 种路径 × 3 种方法， 全部不得 panic（原 bug 的 4 段路径在列） TestInferAuditFieldsFourSegments : 4 段时 module/resource 正确、resourceID 为空 TestInferAuditFieldsFiveSegments : 5 段时能解出 resourceID TestInferAuditFieldsSemanticActions: deploy/stop/install/uninstall/reset-password/ validate/test 语义动作不被位置解析覆盖 TestShouldAudit : 只读接口跳过、部署安装类必须记 === 顺带修：CLI 模式下的两处误报 === 1) backup 的 manifest.recordCount 恒为 0 原因：CLI（CronJob 里跑 lokistack backup）没 init DB，GetDB() 返回 nil。 改为 countRecords() 直接从备份出的字节数集合。 2) self-check 报「数据库: 未初始化」 同上原因，误报会让巡检脚本以为库坏了。 改为 CLI 模式直接解析数据文件统计（fileDBStats）。 === 实测（修复后）=== 修复前：POST /api/v1/hosts/2/validate → panic，无审计记录 修复后：POST /api/v1/hosts/2/validate → 200 audit-logs total=5，含 [hosts/validate] admin POST /api/v1/hosts/2/validate -> 200 [auth/login] POST /api/v1/auth/login -> 200 panic serving 计数 = 0 用户数据完好（initial-admin-password.txt 不存在，说明不是首次部署） 镜像：lghost/lokistack:latest + v0.1 = 2493a288758d	2026-10-28 21:40:24 +00:00
opsx	c44ffad61f	fix(metrics): duplicate metrics collector registration panic（线上 CrashLoopBackOff） ... === 现象 === 上一提交 b49677f 部署后平台直接 CrashLoopBackOff（5 次重启）： Initializing database... panic: duplicate metrics collector registration attempted lokistack/pkg/metrics.Register.func1() metrics.go:125 === 根因 === prometheus/client_golang 在 init() 里已经把 GoCollector 与 ProcessCollector 注册进 **默认 registry**（prometheus.DefaultRegisterer）。我又对同一默认 registry 调用 MustRegister 注册了同一批 collector → 重复注册 → 运行时 panic。 致命点：go build / go vet / 普通单测**全都发现不了** —— MustRegister 的重复检查只在运行期执行，只有真的调用 Register() 才会炸。 所以整个 P0 打磨在测试阶段是"全绿"的，一上线就挂。 === 修法 === 不再碰默认 registry，改用自有实例： var registry = prometheus.NewRegistry() // 独立，不受 init() 影响 registry.MustRegister(...) // 注册全部指标 promhttp.HandlerFor(registry, ...) // 抓取读自有 registry 好处：完全掌控注册内容，未来再加 collector 不会与库的默认行为冲突。 === 回归测试（这才是关键收获）=== 新增 backend/pkg/metrics/metrics_test.go： - TestRegisterIsIdempotent : 连续调用 Register 两次，必须不 panic - TestHandlerExposesCustomMetrics : 断言抓取输出含 lokistack_* 与 go_goroutines - TestRegisterConcurrent : 20 个 goroutine 并发调用不 panic 这三条在修复前必然失败，修复后全绿。以后再改指标定义会被它们拦住。 镜像：lghost/lokistack:latest + v0.1 = 2f8f3c85643e	2026-10-28 21:32:36 +00:00
opsx	b49677f6a6	feat: 运维标杆化打磨 P0/P1/P2 —— 审计日志、真实指标、备份恢复、菜单收敛 ... 审计发现 5 处硬伤（/metrics 空壳、零备份、prod 双副本数据分裂、零审计、资源偏紧）， 本轮全部落地。 === P0-1 真实 /metrics（原来是空壳）=== 原实现只返回一行注释 `# LokiStack Metrics`，注释却写着"可被 Prometheus 抓取"， 平台挂了/DB 写不进去/告警引擎卡死都只能靠用户反馈。 现接入 prometheus/client_golang，四层指标： HTTP : lokistack_http_requests_total / _duration_seconds / _in_flight_requests 存储 : lokistack_db_size_bytes / _db_save_duration_seconds / _db_save_total / _db_records 业务 : lokistack_deployments{status,mode} / lokistack_collectors{status,type,run_mode} 后台任务: lokistack_alert_evaluations_total / _duration_seconds / lokistack_loki_queries_total + go_* / process_*（GoCollector、ProcessCollector） 关键点：path 标签用 c.FullPath() 路由模板，不用原始 URL —— 否则 117 个 Deployment 会把 Prometheus 基数炸掉。指标定义下沉 pkg/metrics 叶子包，避开 services ↔ repository 循环依赖。 === P0-2 备份与恢复（原来 0 处代码）=== 平台全部状态在 /app/data/opsxloki.json（51KB）+ kubeconfigs/ + known_hosts/， DB 丢了 = 失去"这些资源是谁建的"的映射，从此无法管理/卸载/升级在跑的 Loki。 CLI : lokistack backup --output <path> / restore <pkg> / self-check / version API : GET /system/backup（下载）/ POST /system/restore（校验暂存）/ POST /system/restore/apply（确认应用）/ GET /system/backups K8s : kubernetes/pdb-backup.yaml —— 每日 03:30 CronJob，保留最近 7 份 安全设计： - manifest.json 记录 ENCRYPTION_KEY 的 sha256 前 16 位**指纹**，用于恢复时 校验"这把钥匙能不能解开这份备份"，不泄露密钥本身 - 恢复分两步（校验暂存 → 确认应用），应用前自动把当前 DB 备份为 opsxloki.json.before-restore.<时间戳> - 包内不含明文密钥（kubeconfig 本就是加密态） === P0-3 prod compose 双副本 → 单副本 === lokistack-1 / lokistack-2 各挂独立数据卷 + nginx 轮询 = 数据分裂： 页面刷新两次可能看到不同结果，写操作只落一个副本。不是高可用。 已改单实例（nginx 仅做反代），文件顶部与 nginx.conf 都写明原因。 === P0-4 操作审计日志（借鉴 /usr/local/src/aiops 的字段口径）=== aiops 是每个 controller 各写 recordXxxAudit()；本平台有 60+ 写接口， 逐个埋点必然漏，漏掉的那个恰好最危险（删集群、改存储凭证）。 改为 **gin 中间件统一记录** + handler 通过 SetAudit 补充业务语义： models/audit.go : 字段对齐 aiops，另加 Method/Path/Before/After services/audit.go : 写入 + 90 天/2 万条自动裁剪 + 脱敏 + diff 生成 middleware/audit.go : 自动识别 module/action/resource，跳过只读接口 controllers/audit.go: 列表/详情/统计（仅 admin） 敏感字段（password/secretKey/privateKey/token）写入前统一替换为 ***。 === P1 稳定性 === - 平台资源 1C/1Gi → 4C/4Gi 限（500m/512Mi 请求）：JSON DB 全量读写 + 每分钟告警评估 + 批量发布并发，1Gi 会 OOM - terminationGracePeriodSeconds: 30 —— 收到 SIGTERM 要等 DB 完整落盘， 否则 kubelet SIGKILL 会把 JSON 写一半（全库丢失） - liveness timeoutSeconds 10s（默认 1s 写盘时会被误杀） - PDB minAvailable: 0 —— 让 kubectl drain 正确等待重建，不卡维护 - DB schemaVersion + migrateSchema() 版本递进迁移（原先加字段全靠零值兜底） - scripts/release.sh —— 不可变 tag <版本>-<日期>-<commit> + IfNotPresent， 根治 latest 并发构建互相覆盖导致的静默回滚（本项目已实际踩过） - PVC 保持 30Gi（按长期增长预留，云盘单价低，不做在线扩容） === P2 易用性 === - 一键自检 GET /system/self-check + 仪表盘自检卡：真实探活 Loki /ready、 集群凭据解密、磁盘空间、主机状态、近 24h 失败操作 - 审计日志页 /audit：统计卡 + 用户名/模块/结果筛选 + 变更前后 diff 弹窗 - 菜单收敛 13 → 7（页内 tab 切换，URL 全部不变）： 资源接入 = 集群 + 主机 + 存储 日志服务 = Loki 实例 + 采集器 日志 = 查询 + 分析 系统管理 = 用户 + 审计 + 设置 新增 GroupTabs 组件 + meta.group/groupKey，侧栏按分组去重并正确高亮 测试：go vet 通过、go test 全绿、tsc 通过	2026-10-28 21:27:01 +00:00