RediSearch 2.10.10版本发布:安全加固与性能优化
RediSearch简介
RediSearch是Redis官方推出的全文搜索引擎模块,它为Redis数据库提供了强大的全文检索功能。作为一个高性能的搜索引擎,RediSearch支持多种查询方式,包括全文搜索、前缀匹配、模糊搜索等,同时具备聚合分析能力,是构建实时搜索应用的理想选择。
版本亮点
RediSearch 2.10.10是一个维护版本更新,主要针对安全风险修复和性能优化进行了改进。这个版本特别强调了安全性,修复了一个可能导致内存异常写入的关键问题,同时对索引创建和查询处理机制进行了多项优化。
安全修复
本次更新最重要的修复是针对CVE-2024-51737问题的修补。这个安全问题存在于查询处理过程中,可能导致内存异常写入问题。开发团队在MOD-8486问题中详细处理了这个问题,确保了查询处理过程中的内存安全性。
功能改进与Bug修复
查询处理优化
-
NOSTEM选项修复:修复了NOSTEM选项在查询时不起作用的问题。现在该选项不仅在索引创建时有效,在查询时也能正确工作,确保了词干提取的一致性。
-
长查询处理:解决了前缀/中缀/后缀查询长度超过1024个字符时可能导致崩溃的问题。现在系统能够正确处理超长查询字符串,提高了稳定性。
-
游标读取修复:修复了使用FT.CURSOR READ读取已删除TAG字段时导致的崩溃问题,增强了游标操作的可靠性。
集群与复制改进
-
后台索引与过期键:解决了在使用replicaof时,后台索引过程中遇到过期键可能导致跨槽错误的问题,提高了集群环境下的数据一致性。
-
聚合查询优化:修复了在集群数据库上对数字字段执行FT.AGGREGATE时导致failed_calls计数增加的问题,优化了分布式环境下的聚合操作性能。
内存管理增强
-
索引内存优化:改进了索引创建机制,现在只在执行写操作时才消耗内存,显著降低了内存使用量,特别是对于读多写少的应用场景。
-
内存统计准确度:修复了索引清理器在处理缺失值时的bytes_collected内存计数问题,使内存使用统计更加准确。
升级建议
对于正在使用RediSearch 2.10版本的用户,强烈建议升级到2.10.10版本,特别是考虑到其中包含的关键安全修复。升级过程简单,通常只需要替换模块文件并重启Redis服务即可。
对于新用户,这个版本提供了更稳定和安全的搜索体验,是开始使用RediSearch的良好起点。开发团队在保持高性能的同时,持续改进产品的稳定性和安全性,使RediSearch成为企业级搜索应用的可靠选择。
总结
RediSearch 2.10.10版本虽然是一个维护更新,但带来了重要的安全修复和多项性能优化。这些改进使得RediSearch在安全性、稳定性和资源利用率方面都有了显著提升。对于依赖RediSearch提供搜索服务的应用来说,及时升级到这个版本将有助于保障系统安全和提升用户体验。
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