TDengine 3.3.6.6版本发布:时序数据库性能与功能全面升级
时序数据库TDengine近期发布了3.3.6.6版本,这一版本在性能优化、功能增强和问题修复等方面都带来了显著改进。作为一款专为物联网、工业互联网等场景设计的高性能时序数据库,TDengine在此次更新中进一步提升了其在数据处理、查询分析和系统稳定性方面的表现。
核心功能增强
本次更新在功能层面有几个重要亮点:
-
taosAdapter指标监控增强:新增了对进程/连接池等关键系统指标的监控能力,使运维人员能够更全面地掌握系统运行状态。这些指标包括连接池使用情况、进程状态等,为系统调优和故障排查提供了更丰富的数据支持。
-
Docker镜像初始化脚本支持:现在Docker镜像支持初始化脚本,大大简化了容器化部署的配置流程。用户可以通过预定义的初始化脚本自动完成数据库设置,提高了部署效率和一致性。
-
JDBC订阅功能扩展:JDBC驱动现在支持直接订阅数据库和超级表,为Java开发者提供了更灵活的数据消费方式。这一改进特别适合需要实时处理时序数据的应用场景。
-
TDgpt预测分析能力提升:新增了协变量预测支持,使时序预测模型能够考虑更多影响因素,提高了预测准确性。这对于需要复杂预测分析的工业场景尤为重要。
-
MQTT监控完善:增加了MQTT接收字节数指标,完善了物联网数据接入的监控体系。
性能优化与体验改进
在性能优化方面,3.3.6.6版本做出了多项重要改进:
-
连接器兼容性提升:现在连接器能够正确处理密码中的特殊字符,提高了系统安全性。同时优化了JDBC在DBeaver中的连接体验。
-
备份功能增强:备份支持间隔小于60秒的配置,并优化了备份超时参数,提高了备份性能。taosX备份工具的性能也得到了显著提升。
-
内存管理优化:配置参数minReservedMemorySize现在支持热更新,无需重启即可调整内存预留大小,提高了系统灵活性。
-
超级表属性调整:优化了超级表KEEP属性的修改逻辑,使表生命周期管理更加灵活可靠。
-
taosBenchmark初始化加速:改进了初始化性能,使性能测试工具能够更快地进入测试阶段。
关键问题修复
3.3.6.6版本修复了多个影响系统稳定性和功能完整性的问题:
-
数据同步稳定性:修复了混合包含null值和实际值的数据通过TMQ同步时可能导致taosAdapter崩溃的问题,以及网络故障导致的数据副本同步错误。
-
虚拟表处理:解决了虚拟表查询中的多个问题,包括模式变更检测、流计算触发等,提高了虚拟表功能的可靠性。
-
内存管理:修复了多线程STMT2写入模式下的内存泄漏问题,以及STMT模式下SQL解析失败导致的内存泄漏。
-
权限管理:修复了用户权限更新后重启taosd可能导致客户端订阅失败的问题。
-
时区处理:修正了taos.cfg中时区设置在websocket连接中不生效的问题。
系统稳定性提升
本次更新特别关注了系统稳定性方面的改进:
-
错误处理机制:增强了各种边界条件下的错误处理能力,如修复了timetruncate函数使用"y"作为时间单位时可能导致崩溃的问题。
-
安全修复:解决了多个安全相关问题,包括zlib库的CVE-2023-45853问题和JDBC示例代码中的CVE-2024-56337问题。
-
启动可靠性:修复了从特定版本升级后taosd无法启动的问题,以及修改时区配置后服务启动失败的情况。
-
订阅可靠性:解决了当消费者的WAL版本因文件滚动被删除时订阅失败的问题。
开发者体验优化
对于开发者而言,3.3.6.6版本带来了多项便利:
-
SQL语法灵活性:现在允许在\G和;之间使用空格,提高了SQL编写的灵活性。
-
中文支持:完善了taos shell在websocket连接下的中文处理能力。
-
错误提示:统一了c websocket连接中的错误风格,使错误排查更加直观。
-
特殊字符处理:支持双引号在opcua节点ID中的使用,提高了协议兼容性。
TDengine 3.3.6.6版本通过上述多项改进,进一步巩固了其在高性能时序数据库领域的地位,为物联网、工业互联网等时序数据密集型应用提供了更强大、更稳定的数据存储和分析能力。无论是系统性能、功能完整性还是开发者体验,这一版本都带来了显著的提升。
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 StartedRust0201
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 Notebook0130
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。Python08
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