XTDB 2.0.0-beta6发布:日志架构简化与时间维度增强
XTDB是一个开源的分布式数据库系统,其核心设计理念是将数据库视为一个不可变的值。这种设计使得XTDB能够提供强大的时间旅行查询能力,用户可以随时查询数据库在任何时间点的状态,而无需预先创建快照。在最新发布的2.0.0-beta6版本中,XTDB团队对日志架构进行了简化,并增强了时间维度的控制能力。
日志架构简化
在本次更新中,XTDB对Kafka日志配置进行了重大改进,将原先的两个日志主题合并为一个。这一变化显著简化了配置过程:
# 旧配置
txLog: !Kafka
txTopic: "xtdb-tx-topic"
filesTopic: "xtdb-files-topic"
autoCreateTopics: true
# 新配置
log: !Kafka
topic: "xtdb-log-topic"
autoCreateTopic: true
这一改进不仅减少了配置复杂度,还降低了运维负担。用户现在只需要维护一个日志主题,而不必再关心文件主题的管理。对于使用Docker环境的用户,相应的环境变量也从XTDB_TX_TOPIC简化为XTDB_LOG_TOPIC,同时移除了XTDB_FILES_TOPIC。
时间维度控制增强
XTDB最强大的特性之一是其对时间维度的原生支持。在2.0.0-beta6中,团队改进了事务基础(Snapshot Basis)的控制语法,使其更加直观和灵活。
新的语法允许用户在事务开始时明确指定系统时间和快照时间:
BEGIN READ ONLY WITH (
SNAPSHOT_TIME = TIMESTAMP '2025-01-01T12:00:00Z',
CLOCK_TIME = TIMESTAMP '2025-01-01T12:00:00Z'
)
其中,CLOCK_TIME决定了事务中所有时间相关函数(如NOW())的行为,而SNAPSHOT_TIME则严格限定了事务可见的数据范围。这种设计确保了查询的可重复性——即使在数据库状态发生变化后,重新执行相同时间基础的查询仍能得到完全相同的结果。
其他重要改进
-
查询分析功能:新增的
EXPLAIN命令可以显示SQL查询的执行计划,虽然当前格式还有优化空间,但已经为性能调优提供了重要工具。 -
只读端口支持:新增的只读端口功能(默认5433)为报表工具等只读场景提供了更安全的访问方式,可以与主端口(默认5432)隔离使用。
-
时间戳语法简化:现在支持省略午夜时间部分的时间戳表示法,如
TIMESTAMP '2025-01-01Z'。 -
崩溃日志保存:在遇到不可恢复错误时,XTDB会自动将诊断信息保存到对象存储中,便于问题排查。
技术展望
团队已经预告了beta7版本将带来的重大改进,特别是针对高频更新场景(如市场价格数据或传感器读数)的优化。新的索引结构将更清晰地分离当前数据和历史数据,预计将显著提升OLTP查询性能。
对于从beta6升级到beta7,团队计划提供两种迁移方案:通过完整事务日志重放,或使用专门的迁移工具进行离线转换。这些改进标志着XTDB正稳步迈向正式发布(GA)阶段。
XTDB 2.0.0-beta6的这些改进虽然看似细微,但都是基于实际使用场景的反馈优化,体现了团队对生产环境需求的深刻理解。随着时间维度的进一步完善和性能的持续提升,XTDB正在成为处理时间序列数据和需要历史追溯场景的理想选择。
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。C033
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
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
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00