Redis 7.4.2版本发布:安全修复与关键改进
Redis是一个开源的高性能键值数据库,以其出色的速度、灵活的数据结构和丰富的功能而闻名。作为内存数据库,Redis广泛应用于缓存、消息队列、实时分析等场景。近日,Redis发布了7.4.2版本,这是一个重要的维护版本,主要包含安全修复和一些关键问题的解决。
安全修复
本次版本包含两个重要的安全修复,值得所有Redis用户特别关注:
-
Lua脚本执行问题(CVE-2024-46981)
这个问题可能导致通过精心构造的Lua脚本命令在Redis服务器上执行非预期操作。Lua脚本是Redis提供的一个强大功能,允许用户在服务器端执行复杂的原子操作。由于Redis通常以较高权限运行,这个问题需要特别重视。建议所有用户尽快升级以解决此问题。 -
ACL选择器服务稳定性问题(CVE-2024-51741)
Redis的访问控制列表(ACL)功能允许管理员精细控制用户权限。这个问题可能导致通过发送特殊构造的ACL选择器影响Redis服务稳定性。对于面向公众开放的Redis实例,这个问题尤其需要注意。
核心功能改进
除了安全修复外,7.4.2版本还包含多个重要的功能修复:
流(Streams)数据结构改进
-
XINFO命令lag字段修复
当消费组的最后ID后面存在特殊标记时,XINFO命令返回的lag字段值不正确。lag字段用于表示消费者落后于生产者多少条消息,这个修复确保了监控数据的准确性。 -
XTRIM命令与特殊标记处理
XTRIM命令在执行后未能正确更新最大特殊标记,导致后续的lag计算出现偏差。这个问题已得到修复,确保了流数据修剪后各项指标的准确性。
内存管理优化
-
模块内存碎片整理稳定性修复
在特定情况下,Redis模块的内存碎片整理过程可能导致服务器不稳定。这个修复提高了Redis的稳定性,特别是在使用自定义模块的场景下。 -
RDB加载失败时的资源释放
修复了在RDB文件加载失败时可能出现的资源释放问题。RDB是Redis的持久化机制之一,这个修复确保了在异常情况下系统资源的正确管理。 -
函数库上下文内存同步问题
修复了functionsLibCtx中cache_memory的一个同步问题,提高了多线程环境下的稳定性。
哈希数据类型修复
- 带过期时间的哈希键引用计数问题
当哈希键不再包含任何字段但仍有过期时间设置时,在执行RENAME、MOVE、SWAPDB或RESTORE操作时会出现键引用计数错误。这个修复确保了在这些操作下键的生命周期管理正确无误。
集群功能增强
-
集群配置加载稳定性
修复了加载集群配置时可能导致不稳定的问题,提高了Redis集群的可靠性。 -
CLUSTER SHARDS命令改进
修复了CLUSTER SHARDS命令可能返回空数组的问题。这个命令用于获取集群分片信息,是管理和监控Redis集群的重要工具。 -
版本兼容性提升
解决了与旧版本节点的一些兼容性问题,使得不同版本的Redis节点能够更好地协同工作。 -
SORT命令错误信息修正
修复了在集群模式下使用SORT命令时,GET #参数返回的错误信息不准确的问题。
升级建议
考虑到7.4.2版本包含关键安全修复,所有Redis用户都应尽快安排升级。升级前建议:
- 在生产环境升级前,先在测试环境验证应用兼容性
- 备份重要数据
- 检查所有依赖Redis的功能是否正常工作
- 监控升级后的系统性能指标
对于无法立即升级的用户,应评估安全修复的影响范围并采取适当的缓解措施,如加强网络访问控制等。
Redis 7.4.2版本的发布再次体现了Redis社区对安全性和稳定性的重视。通过及时修复关键问题和提升系统可靠性,Redis继续为开发者提供可靠的数据存储解决方案。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00