5 Commits

Include renames

Author	SHA1	Message	Date
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	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	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	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