NanoMQ 0.23.3版本发布:MQTT代理的最后一版稳定更新
NanoMQ是一个轻量级、高性能的MQTT消息代理,专为物联网和边缘计算场景设计。它采用C语言开发,具有低延迟、高吞吐量的特点,支持MQTT 3.1.1和5.0协议。NanoMQ特别适合资源受限的环境,如嵌入式设备和边缘网关,同时也能满足企业级应用的需求。
动态桥接开关功能
0.23.3版本引入了一个重要的维护HTTP API:动态桥接开关功能。这项创新允许用户在不需要重启代理的情况下动态禁用和启用桥接连接。这一改进显著提升了系统的可用性和运维便利性,特别是在生产环境中需要临时调整桥接配置时。
该功能不仅支持常规的MQTT桥接,还与QUIC和TLS协议兼容,为用户提供了更灵活的连接选项。不过需要注意的是,当前版本尚未支持AWS IoT核心服务的动态桥接开关。
认证机制的优化
针对用户反馈,新版本对认证机制进行了优化。现在SDK可以在不提供用户名和密码的情况下通过认证。这一变化降低了入门门槛,使得开发和测试过程更加简便,同时也保持了系统的安全性。
Webhook系统重构
0.23.3版本对Webhook系统进行了重构,减少了线程数量,从而降低了系统资源消耗。不过需要注意的是,这种优化在一定程度上影响了MQTT消息的隔离性。开发团队在性能和隔离性之间找到了平衡点,使得系统在大多数场景下都能获得更好的整体表现。
会话管理改进
在会话管理方面,新版本明确了会话过期间隔为0时的行为,将其等同于clean session=true。这一改进使得协议实现更加规范,减少了开发者的理解成本,同时也提高了与其他MQTT实现的兼容性。
HTTP接口增强
HTTP接口现在支持在不提供clientid的情况下发布消息。这一改进简化了API使用,特别是在简单的测试和监控场景中,用户不再需要维护额外的clientid信息。
ACL配置语法扩展
访问控制列表(ACL)配置语法得到了扩展,新增了使用@符号来指定字面通配符的功能。这一改进使得ACL规则更加灵活和精确,能够满足更复杂的权限控制需求。
桥接客户端自动重试
桥接客户端现在支持订阅操作的自动重试功能。这一改进增强了系统的健壮性,在网络不稳定的情况下能够自动恢复订阅关系,确保消息不会丢失。
WebSocket SSL支持
0.23.3版本完善了MQTT over WebSocket SSL的支持,同时禁用了非SSL的WebSocket连接选项。这一变化强化了安全性,鼓励用户使用加密通道进行通信。
其他改进与Bug修复
除了上述主要特性外,0.23.3版本还包含多项性能优化和bug修复,进一步提升了系统的稳定性和可靠性。值得注意的是,这将是NanoMQ在适配NNG 2.0 Alpha版本前的最后一个正式版本,后续版本将引入名为NanoRT的DDS-like新特性。
对于物联网开发者和系统集成商来说,NanoMQ 0.23.3版本提供了更加稳定和功能丰富的MQTT代理解决方案,特别是在动态配置和安全通信方面有了显著提升。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C028
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00