Tarantool 2.11.6版本发布:关键修复与性能优化
项目简介
Tarantool是一款高性能的内存数据库和应用服务器,兼具NoSQL数据库的灵活性和关系型数据库的强大功能。它采用Lua作为内置脚本语言,支持ACID事务处理,并提供了丰富的扩展能力。Tarantool特别适合需要低延迟、高吞吐量的应用场景,如实时分析、消息队列和缓存系统等。
版本亮点
2.11.6版本作为2.11.x系列的稳定版本,带来了多项重要修复和性能优化,特别是在索引处理、事务管理和复制机制等方面进行了重要改进。这个版本解决了32个已知问题,显著提升了系统的稳定性和可靠性。
关键修复与改进
索引与数据类型处理
本次版本修复了一个长期存在的严重问题:当使用double类型作为vinyl索引字段时,可能导致索引损坏。问题根源在于double类型的比较方式——它总是使用C语言的double类型进行比较,即使存储的是整数值。对于超过2^53的大整数,这种比较方式会失去精度,导致18446744073709551615和18446744073709551614这样的数值被误认为相等。
更严重的是,即使后来将索引类型从double改为number或scalar,索引仍然可能保持损坏状态。因此,强烈建议用户重建所有曾经使用过double类型的vinyl索引,且必须通过先删除再创建的方式完成,简单的alter操作无法解决问题。
事务与存储引擎优化
在Memtx引擎方面,修复了MVCC(多版本并发控制)模式下的一些关键问题。特别是解决了当尝试中止已提交的非Memtx事务时可能发生的崩溃问题,以及在高频执行空结果index:get()操作时可能导致服务中断的问题。
对于Vinyl引擎,本次更新解决了多个重要问题:
- 修复了同一事务中多次更新的删除元组可能无法从二级索引中清除的问题
- 优化了在大量写入负载下加入新副本时的主节点性能
- 修复了多键索引中元组可能消失的问题
- 改进了WAL写入错误情况下的元组缓存失效机制
复制与高可用性
在复制机制方面,2.11.6版本对RAFT协议进行了重要改进:
- 现在RAFT请求会使用0(而非本地)的GROUP_ID发送
- 修复了RAFT状态未在META_JOIN阶段发送可能导致脑裂的问题
- 禁止匿名副本参与选举或成为领导者,确保集群稳定性
LuaJIT引擎升级
本次版本包含了从上游LuaJIT主干移植的多项重要修复,包括:
- 修复了
getmetatable()对io对象的编译问题 - 解决了从记录的IR_NOP中读取脏数据的问题
- 修复了跨
table.clear()或新键插入的融合优化问题 - 在aarch64架构上默认禁用FMA优化以避免浮点运算错误
- 解决了使用upvalues时可能出现的无限循环问题
其他改进
在日志系统方面,修复了JSON日志记录器会截断超过1024字节消息的问题。网络通信方面,解决了net.box客户端在优雅关闭协议中可能出现的计数器下溢问题。此外,新版本还新增了对Ubuntu 24.04(Noble)操作系统的支持。
升级建议
对于正在使用2.11.x系列版本的用户,建议尽快升级到2.11.6版本以获取这些重要的修复和改进。特别是那些使用了vinyl索引且曾经定义过double类型字段的用户,必须按照前文所述的方法重建相关索引。
升级时只需执行标准的box.schema.upgrade()过程即可解锁2.x系列的所有新功能。由于2.11.x系列在二进制数据布局、客户端-服务器协议和复制协议方面与1.10.x保持向后兼容,升级过程相对平滑。
总的来说,2.11.6版本通过解决多个关键问题,显著提升了Tarantool的稳定性和可靠性,特别是在索引处理、事务管理和复制机制等核心功能方面。这些改进使得Tarantool在高性能数据库和应用服务器领域继续保持领先地位。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00