RediSearch 2.8.21版本发布:安全修复与性能优化
项目简介
RediSearch是构建在Redis之上的全文搜索引擎模块,它为Redis提供了强大的索引和搜索能力。作为一个高性能的搜索引擎,RediSearch支持全文检索、聚合查询、复杂过滤等功能,同时保持了Redis原有的低延迟特性。它广泛应用于实时搜索、日志分析、电子商务搜索等场景。
版本概述
RediSearch 2.8.21是一个维护版本,主要包含安全修复和若干性能优化。这个版本被标记为"SECURITY"级别更新,意味着它包含了重要的安全修复,建议所有用户尽快升级。
安全修复
本次版本修复了一个重要的安全问题(CVE-2024-51737),涉及查询处理中的潜在边界问题。这类问题如果被利用,可能导致服务不稳定甚至影响服务器运行。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。
主要问题修复
-
长查询处理优化:修复了当查询前缀/中缀/后缀超过1024个字符时可能导致崩溃的问题(MOD-7882)。这一改进使得RediSearch能够更稳定地处理复杂的搜索模式。
-
集群环境稳定性:解决了在使用
replicaof命令时,后台索引过程中遇到过期键可能导致跨槽错误的问题(MOD-7949)。这对于分布式环境下的数据一致性至关重要。 -
游标管理改进:修复了两个与游标相关的问题:
- 修复了
FT.CURSOR READ操作在检索已删除的TAG字段时导致崩溃的问题(MOD-8011) - 解决了查询超时后游标未被正确释放的问题,防止了可用游标数量耗尽的情况(MOD-8009)
- 修复了
-
聚合查询优化:修复了在集群环境下对数字字段执行
FT.AGGREGATE操作时错误增加failed_calls计数的问题(MOD-8058),提高了统计数据的准确性。 -
内存计数准确性:改进了索引清理器在处理缺失值时的内存计数机制(MOD-8097, MOD-8114),使内存使用报告更加精确。
性能优化
本次版本引入了一个重要的内存优化:仅在执行写操作时创建索引,而不是在初始化时就分配所有资源(MOD-8125)。这一改变显著减少了RediSearch的内存占用,特别是在处理大量索引但实际写入操作较少的场景下,可以节省可观的内存资源。
升级建议
考虑到本次版本包含重要的安全修复,建议所有使用RediSearch 2.8.x版本的用户尽快升级到2.8.21版本。升级过程通常很简单,只需替换模块文件并重启Redis服务即可。对于生产环境,建议先在测试环境中验证兼容性。
对于内存敏感的应用场景,特别是那些索引数量多但写入频率低的系统,本次的内存优化将带来明显的资源利用率提升。开发团队持续关注性能和稳定性问题,这个版本再次证明了RediSearch作为企业级搜索解决方案的可靠性。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust023
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00