111 Commits

This Branch

This Branch

All Branches

Author	SHA1	Message	Date
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
logan	7624baa564	feat(logs): 数据源连接方式自动探测 ... 部署完成及启动时实测 cluster-svc(API proxy) 与 url 直连， 选择可用方式并落库，兼容平台/Loki 分别在主机或集群内的组合。	2026-10-30 01:23:45 +08:00
logan	b433b5f9dd	fix: 删除操作清理远端资源并拦截悬空引用 ... - 部署删除: k8s 模式清理 StatefulSet/Service/ConfigMap 与 PVC，先卸载关联采集器 - 采集器删除: 同步卸载成功后再删记录，失败保留避免孤儿 - 集群/存储/主机删除: 有部署或采集器引用时拒绝，避免悬空外键 - Token RBAC 补 services/proxy，保证 cluster-svc 数据源可查询	2026-10-30 01:17:26 +08:00
logan	56e1245b70	fix(logs): 启动时清理孤儿托管数据源 ... 旧版本删除部署后残留的 managed 数据源无法通过 API 删除 （提示随部署管理），启动时按部署名/集群存在性统一清理， 并把默认源转移到剩余数据源。	2026-10-30 01:10:15 +08:00
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 v2.0.0	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