RisingWave 2.4.0 版本发布:流数据库的全面进化
RisingWave 是一个开源的分布式流数据库,专为实时数据处理和分析场景设计。它采用了流式计算引擎,能够高效处理持续不断的数据流,同时提供了与传统数据库类似的 SQL 接口,大大降低了实时数据处理的门槛。
核心特性增强
性能分析与优化工具
RisingWave 2.4.0 引入了多项性能分析工具,显著提升了系统可观测性。EXPLAIN ANALYZE 命令现在支持流式作业的实际运行时性能分析,开发人员可以准确了解查询执行过程中的资源消耗情况。新增的 DESCRIBE FRAGMENTS 命令则允许用户检查现有作业的执行片段分布,为性能调优提供了直观依据。
并行处理能力提升
本版本对并行处理能力进行了重要增强,支持为表、索引、视图、sink 和 source 配置独立的 streaming_parallelism 参数。这一改进使得用户能够根据不同类型数据实体的特性,精细调整并行度设置,从而在资源利用率和处理效率之间取得最佳平衡。
数据完整性与安全
约束支持增强
RisingWave 2.4.0 全面支持了 NOT NULL 约束,这一特性同时适用于批处理和流式操作。数据完整性约束的增强使得 RisingWave 能够更好地满足企业级应用对数据质量的要求。
权限管理扩展
权限管理系统在本版本中得到了显著扩展,新增了对连接(connection)、函数(function)和密钥(secret)的权限控制。GRANT 和 REVOKE 命令现在可以管理这些对象的访问权限,同时新增的 has_function_privilege 系统函数提供了便捷的权限检查能力。
连接器生态进化
Iceberg 集成深度优化
RisingWave 2.4.0 对 Apache Iceberg 的集成进行了多项重要改进:
- 支持创建基于 Iceberg 引擎的仅追加表
- 新增
commit_retry_num配置项,可自定义 Iceberg 提交失败时的重试次数 - 增强了对 Azure Blob 存储的支持
- 实现了 Iceberg sink 的精确一次(exactly-once)语义保证
连接器功能扩展
Redis Pub/Sub 消息模式现在可以作为 sink 输出目标,为实时事件通知场景提供了新的选择。同时,2.4.0 版本正式弃用了旧版 S3 source 实现和 Pulsar Iceberg reader,建议用户迁移到新版实现。
系统配置与管理
隔离与稳定性增强
新增的 per_database_isolation 系统参数支持按数据库进行故障隔离,在多租户场景下可以防止单个数据库的问题影响整个集群。ALTER SYSTEM 命令现在能够立即将会话变量变更应用到当前会话,提高了配置管理的实时性。
查询优化控制
引入了两个新的会话变量来优化查询执行:
streaming_enable_materialized_expressions:控制是否启用物化表达式streaming_force_filter_inside_join:强制将过滤条件下推到内连接内部
这些控制参数为高级用户提供了更灵活的查询优化手段。
总结
RisingWave 2.4.0 版本在性能分析工具、并行处理能力、数据完整性、权限管理以及连接器生态等方面都带来了显著改进。这些增强使得 RisingWave 在实时数据处理领域的能力更加全面,同时也提升了系统的稳定性和易用性。对于需要处理实时数据流的企业和应用开发者来说,这个版本提供了更强大的功能和更灵活的控制选项。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07