BemiDB v0.39.0版本发布:增强PostgreSQL兼容性与安全性功能
BemiDB是一个专注于数据变更追踪与审计的开源数据库解决方案,它构建在PostgreSQL之上,提供了强大的数据版本控制能力。最新发布的v0.39.0版本在PostgreSQL系统目录兼容性和行级安全功能方面做出了重要改进,使BemiDB能够更好地与现有PostgreSQL生态集成。
系统目录操作符与类型转换支持
本次更新中,BemiDB新增了对pg_catalog操作符和COLLATE语法的完整支持。pg_catalog是PostgreSQL的系统目录schema,包含了所有系统表和内置数据类型。开发人员现在可以在BemiDB中使用标准的PostgreSQL系统操作符进行查询,这大大提升了查询的兼容性。
特别值得注意的是新增的regtype和regnamespace类型转换支持。在PostgreSQL中,regtype用于表示类型OID,而regnamespace表示命名空间OID。这些类型的转换支持使得BemiDB能够正确处理PostgreSQL中的对象标识符类型转换操作,例如在系统表查询中常见的类型转换场景。
行级安全增强功能
v0.39.0版本在行级安全(RLS)方面做了重要增强,新增了对pg_class.relforcerowsecurity列的支持。这个系统列用于标识表是否强制启用行级安全策略,是PostgreSQL安全模型中的关键组成部分。
同时,BemiDB现在完整支持pg_catalog.pg_policy系统表,该表存储了所有行级安全策略的定义。这一改进使得管理员能够通过标准PostgreSQL接口查询和管理BemiDB中的行级安全策略,与其他PostgreSQL数据库保持行为一致。
统计信息与发布订阅功能
在数据库统计信息方面,v0.39.0新增了对pg_catalog.pg_statistic_ext表的支持,这是PostgreSQL中存储扩展统计信息的系统表。同时添加的pg_get_statisticsobjdef_columns()函数提供了查询统计对象定义的标准化方法。
发布订阅功能也得到了增强,新增了对pg_publication和pg_publication_rel系统表的支持,以及pg_relation_is_publishable()函数。这些功能为BemiDB将来实现逻辑复制功能奠定了基础,使其能够更好地融入PostgreSQL的生态系统中。
跨平台兼容性
BemiDB v0.39.0继续保持了良好的跨平台支持,提供了针对不同操作系统和CPU架构的预编译二进制文件,包括:
- Darwin (macOS) ARM64架构
- Linux AMD64架构
- Linux ARM64架构
同时发布的还有必要的运行时库文件,确保在不同环境下的兼容性和稳定性。
总结
BemiDB v0.39.0版本通过增强PostgreSQL系统目录兼容性,特别是对行级安全和统计信息相关功能的支持,进一步缩小了与原生PostgreSQL的差异。这些改进使得基于PostgreSQL开发的应用程序能够更无缝地迁移到BemiDB平台,同时享受BemiDB提供的数据变更追踪能力。对于注重数据审计和安全性的应用场景,这一版本提供了更加完善的解决方案。
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。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00