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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00