TDengine 3.3.5.2版本发布:时序数据库的重大优化与功能增强
TDengine作为一款高性能的时序数据库,在3.3.5.2版本中带来了多项重要改进和优化。这个版本不仅增强了核心功能,还修复了多个关键问题,进一步提升了系统的稳定性和可靠性。
核心功能增强
在3.3.5.2版本中,TDengine对taosX工具进行了重要升级,现在支持通过模板为MQTT创建多个超级表。这一改进极大地简化了物联网场景下多设备数据采集和存储的配置工作,用户可以通过定义模板快速创建和管理大量设备的数据表结构。
备份恢复功能也得到了显著优化。新版本改进了taosX工具的备份恢复流程,使得大规模数据迁移更加可靠和高效。特别是在多级存储数据迁移场景下,系统现在能够更好地处理长时间迁移过程中可能发生的Vnode leader切换问题,确保数据一致性。
系统稳定性提升
3.3.5.2版本对系统稳定性进行了多方面优化。首先,调整了taosd进程的systemctl管理策略,如果在60秒内连续三次重启失败,系统将延迟900秒后再尝试重启,避免了频繁重启可能导致的系统资源耗尽问题。
日志系统也得到了改进,消除了日志文件切换过程中可能出现的同步问题。同时,修复了多个可能导致系统异常的场景,包括创建超过100个视图后执行show views命令、频繁执行"drop table with tb_uid"语句等情况下的稳定性问题。
查询与数据处理优化
在查询功能方面,新版本修复了多个关键问题。当子查询来自超级表时,排序信息现在能够正确推送;使用percentile函数和会话窗口查询时出现的异常问题得到解决;SELECT * FROM子查询现在能够正确复制列名;字符串类型数据的max/min函数计算结果更加准确。
对于流计算功能,系统现在会正确报告不支持HAVING子句的错误,而不是静默接受无效配置。视图功能也有所改进,当视图中包含带有别名的ORDER BY子句时,查询不再出错。
数据订阅与写入改进
数据订阅功能(TMQ)在多个方面得到增强。修改子表标签值后,订阅现在能够立即获取新标签值;tmq_consumer_poll函数在调用失败时会正确返回错误码;解决了消费者执行unsubscribe后立即订阅其他主题时的错误问题。
在数据写入方面,修复了stmt2接口的多个问题:当未绑定所有数据列时插入失败的问题、数据库名或表名使用反引号时插入失败的问题。同时,通过STMT接口写入不符合拓扑规范的Geometry数据类型时,系统会给出更准确的错误提示。
系统管理与安全
新版本加强了系统管理能力,修复了动态修改系统参数无效的问题,并禁止创建与系统数据库同名的数据库(如information_schema、performance_schema)。在安全方面,修复了Go连接器中存在的CVE-2022-28948问题。
版本信息显示也更加准确,taos shell现在能够正确区分社区版和企业版。对于复制场景中的随机事务冲突错误,系统进行了针对性修复,提高了数据同步的可靠性。
总结
TDengine 3.3.5.2版本通过一系列功能增强和问题修复,显著提升了系统的稳定性、可靠性和易用性。无论是核心的时序数据处理能力,还是周边的工具链支持,都得到了实质性改进。这些变化使得TDengine在各种时序数据场景下,特别是物联网和大规模监控系统中,能够提供更加稳定和高效的服务。
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 StartedRust0192
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 Notebook0120
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01