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。
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