PgBouncer 1.24.0 版本发布:连接池管理工具的重大更新
PgBouncer 是一个轻量级的 PostgreSQL 连接池工具,它通过管理数据库连接来提高应用程序的性能和可扩展性。作为 PostgreSQL 生态系统中的重要组件,PgBouncer 能够有效减少数据库连接开销,提高系统在高并发场景下的稳定性。
核心功能增强
最新发布的 PgBouncer 1.24.0 版本带来了多项重要功能改进,显著提升了连接池管理的灵活性和安全性。
连接控制与管理
-
新增连接限制功能:引入了
max_user_client_connections和max_db_client_connections设置,允许管理员分别在用户级别和数据库级别限制最大客户端连接数。这一功能对于多租户环境特别有价值,可以防止单一用户或数据库占用过多连接资源。 -
客户端空闲超时:新增的
client_idle_timeout参数可以自动关闭空闲的客户端连接,释放系统资源。这对于防止连接泄漏和优化资源利用非常有帮助。 -
强制终止连接:管理员现在可以通过
KILL_CLIENT命令强制终止特定的客户端连接,这在处理异常连接或进行紧急维护时非常有用。
认证与安全
-
PAM 认证支持:现在可以在 HBA 文件中配置 PAM 认证,为系统集成提供了更多灵活性。
-
TLS 优化:改进了 RELOAD 操作时的 TLS 处理逻辑,现在只有在 TLS 配置实际发生变化时才会回收连接,避免了不必要的性能开销。
负载均衡与高可用
新增的 load_balance_hosts 参数允许管理员禁用主机间的负载均衡功能,这在某些特定场景下可能更符合业务需求。
配置与监控改进
-
连接统计增强:
SHOW USERS和SHOW DATABASES命令现在会显示current_client_connections计数器,帮助管理员实时监控连接使用情况。 -
预备语句监控:新增了预备语句使用情况的统计信息,可以通过
SHOW STATS查看,这对于诊断性能问题很有帮助。 -
默认值调整:预备语句支持现在默认启用,
max_prepared_statements默认值设为 200,这反映了现代应用对预备语句的普遍需求。
重要变更与兼容性说明
-
参数命名变更:
reserve_pool参数已更名为reserve_pool_size,旧名称仍作为别名支持,但建议更新配置使用新名称。 -
连接池大小语义:
default_pool_size设置为 0 现在表示无限制大小,这与直觉更一致。 -
系统集成:新增了对 systemd 的
Type=notify-reload支持(需要 systemd 253 或更高版本),改善了与现代化系统管理工具的集成。
性能优化与问题修复
-
错误处理改进:优化了各种错误场景的处理,包括内存不足等极端情况,提高了系统稳定性。
-
认证流程优化:改进了
auth_query和复制连接同时使用时的处理逻辑,修复了可能导致连接失败的问题。 -
客户端取消请求处理:现在会忽略客户端在 PgBouncer 配置服务器设置期间发送的取消请求,避免了潜在的竞态条件。
升级建议
对于正在使用 PgBouncer 的用户,1.24.0 版本提供了显著的改进和新增功能。升级时需要注意以下几点:
- 检查预备语句相关配置,特别是如果之前显式禁用了此功能。
- 评估是否需要调整连接限制相关的新参数。
- 考虑将
reserve_pool参数更新为新名称reserve_pool_size。 - 测试系统在 RELOAD 操作时的行为变化,特别是在使用 TLS 的场景下。
PgBouncer 1.24.0 的这些改进使其成为更强大、更灵活的数据库连接池解决方案,特别适合需要精细控制数据库连接的企业级应用场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
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