RisingWave v2.3.0 发布:跨数据库查询与资源组管理能力升级
RisingWave 是一款开源的分布式流数据库,专为实时数据处理和分析场景设计。它采用流处理引擎与数据库系统相结合的方式,能够高效处理无界数据流,同时提供与传统数据库类似的 SQL 接口和事务支持。RisingWave 特别适合构建实时数据管道、流式 ETL 和实时分析应用。
核心功能增强
跨数据库查询能力
RisingWave v2.3.0 引入了跨数据库查询支持,这一功能在流处理和即席查询模式下均可使用。开发人员现在可以轻松地在不同数据库之间执行联合查询,无需预先进行数据迁移或复制。这一特性极大地简化了多数据库环境下的数据分析工作流程,特别是在微服务架构中,不同服务可能使用不同数据库的场景下尤为实用。
窗口函数增强
新版本改进了窗口函数的处理能力,特别是在"窗口关闭时触发"(emit-on-window-close)查询中。现在支持同时对 window_start 和 window_end 进行分组操作,这为时间窗口分析提供了更灵活的控制方式。此外,first_value 和 last_value 窗口函数新增了 IGNORE NULLS 选项,可以自动跳过空值,使数据分析结果更加准确。
资源管理与控制
资源组功能预览
v2.3.0 版本推出了资源组管理的公共预览功能。通过新增的 CREATE DATABASE 命令中的 resource_group 参数,管理员可以为不同数据库分配特定的资源组。配套新增的系统目录 rw_resource_groups 提供了资源组配置的全局视图,方便监控和管理资源分配情况。这一功能为企业级多租户部署提供了更精细的资源隔离和控制能力。
权限控制增强
权限管理系统得到了多项改进:
- 支持对视图对象进行权限授予(
GRANT)和撤销(REVOKE) DROP SCHEMA命令新增CASCADE选项,可以级联删除模式及其所有依赖对象- 数据库切换命令增加了
SET DATABASE TO和USE两种语法形式,提高了与不同数据库客户端的兼容性
连接器生态扩展
新一代数据源支持
- 新增对 PostgreSQL 17 的 CDC 支持,可以实时捕获 PostgreSQL 17 的数据变更
- Iceberg 连接器获得多项增强,包括 AWS S3 和 GCS 存储支持,以及分区功能
- 移除了 JDBC 接收器中未指定模式的 DML 语句的模式名称,提高了与目标数据库的兼容性
性能与可靠性改进
- 为 JDBC 接收器新增了
jdbc.auto.commit参数,支持自动提交事务 - 将 JDBC 查询超时时间从 600 秒优化至 60 秒,提高了系统响应性
- 新增
sink_rate_limit运行时参数,可以控制数据接收速率
开发者体验优化
UDF 功能增强
- 提供了细粒度的 UDF 创建控制,可以按需启用或禁用 Python、JavaScript 和 WebAssembly UDF
- JavaScript UDF 新增支持异步和批处理函数,扩展了复杂业务逻辑的实现能力
安装部署简化
生产环境集群现在默认配置了包含 4 个 CPU 核心限制的试用许可证,方便用户小规模评估付费功能。新增的 rw_license() 函数可以方便地查询当前许可证信息。
向后兼容性说明
值得注意的是,v2.3.0 版本中标记了旧版 S3 源为废弃状态,并计划在 v2.4.0 中完全移除。建议用户尽快迁移到新版实现。同时,RisingWave 官方宣布 v2.1 版本将随着 v2.3.0 的发布结束支持,建议仍在使用 v2.1 的用户升级到 v2.2 或更高版本。
RisingWave v2.3.0 的这些改进显著提升了系统的功能性、可靠性和易用性,特别是在多数据库环境集成和资源管理方面,为构建更复杂的实时数据处理解决方案提供了坚实基础。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0123
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07