GreptimeDB v0.12.0 夜间版发布:日志查询增强与性能优化
GreptimeDB 是一款开源的分布式时序数据库,专注于处理大规模时序数据场景。它结合了时序数据库的高效存储和查询能力,同时提供了分布式系统的扩展性和可靠性。最新发布的 v0.12.0 夜间版本带来了多项重要改进,特别是在日志查询功能、PromQL 兼容性和系统性能方面。
日志查询功能增强
本次版本对日志查询功能进行了显著增强。开发团队实现了对 BETWEEN 过滤器的支持,允许用户指定时间范围的包含/排除边界条件。这一改进使得日志查询更加精确,用户可以更灵活地控制查询范围。
此外,团队还完成了日志查询表达式(Log Query Expr)的第一阶段实现,为后续更复杂的日志分析功能奠定了基础。日志查询是时序数据库的重要应用场景,这些增强使得 GreptimeDB 在日志分析领域的竞争力进一步提升。
PromQL 兼容性改进
在 PromQL 支持方面,本次更新修复了多个关键问题:
- 修正了处理不存在列时的行为,确保查询结果符合预期
- 优化了 AND/UNLESS 运算符的实现逻辑
- 修复了 OR 运算符上下文字段列的更新问题
- 增加了对 sort、sort_desc 等函数的支持
这些改进使得 GreptimeDB 的 PromQL 实现更加完善,能够更好地兼容现有的 Prometheus 查询生态,方便用户从 Prometheus 迁移到 GreptimeDB。
性能优化与稳定性提升
在系统性能方面,本次更新包含多项优化:
- 实现了窗口排序对别名时间索引的支持,提高了特定查询场景的性能
- 增加了对 UNNEST 操作的支持,优化了嵌套数据结构的处理
- 改进了 EXPLAIN ANALYZE 功能,现在支持生成 JSON 格式的输出,便于程序化分析查询计划
- 默认不再为物理表创建倒排索引,减少了不必要的存储开销
这些优化从不同角度提升了系统的整体性能,特别是在处理复杂查询和大规模数据时效果更为明显。
分布式功能增强
在分布式能力方面,本次更新包含以下改进:
- 节点心跳信息中增加了 CPU 核心数的上报,为负载均衡提供更多依据
- 实现了流式处理(flow)类型的创建支持
- 改进了流式路由地址的重映射功能
- 统一了传递给存储阶段的 puffin 文件命名规范
这些改进增强了 GreptimeDB 在分布式环境下的运行稳定性和资源管理能力。
监控与管理改进
在可观测性方面,本次更新:
- 增加了存储阶段(stager)的指标收集
- 改进了 Grafana 监控面板
- 更新了仪表板到 v0.7.10 版本
- 支持了 Loki 的结构化元数据摄入
这些改进使得系统管理员能够更全面地监控 GreptimeDB 的运行状态,及时发现和解决问题。
其他重要修复
- 修复了 information_schema.cluster_info 可能被相同 ID 覆盖的问题
- 优化了 Prometheus 查询处理器的 Gzip 压缩支持
- 实现了 UDDSketch 函数用于百分位数计算
- 改进了 SQLness 测试框架,支持并行执行测试用例
总结
GreptimeDB v0.12.0 夜间版在日志查询、PromQL 兼容性、系统性能和分布式能力等方面都有显著提升。这些改进使得 GreptimeDB 更适合处理大规模时序数据和日志分析场景,为正式版的发布奠定了坚实基础。开发团队持续关注用户体验和系统稳定性,通过不断优化使 GreptimeDB 成为时序数据库领域的有力竞争者。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00