Apache Fury 0.10.3版本发布:性能优化与兼容性改进
Apache Fury是一个高性能、跨语言的序列化框架,旨在为分布式系统提供快速、高效的数据交换能力。它支持多种编程语言,包括Java、Python和JavaScript等,特别适合对性能要求苛刻的场景。
主要更新内容
Java核心改进
本次版本在Java实现方面进行了多项重要优化:
-
二进制兼容性修复:解决了
CompatibleMode下父类字段缺失的问题。需要注意的是,这一修复会导致与0.10.3之前版本的二进制兼容性发生变化。对于使用继承结构的类,升级后需要重新序列化数据。 -
输入流处理增强:确保
FuryObjectInputStream.read方法在length>0时不会返回0,提高了数据读取的可靠性。 -
变长整数读取优化:改进了
readVarUint36Small方法的实现,确保无论剩余缓冲区大小如何都能正确读取完整位数。 -
字符串处理改进:修复了
MetaStringBytes中空字符串的处理逻辑,提升了边缘情况下的稳定性。 -
Protobuf支持增强:新增了对Protobuf消息和字节字符串的序列化支持,使得与Protobuf生态的集成更加便捷。
跨语言支持
-
Python构建改进:修复了使用pyproject.toml构建PyFury的问题,简化了Python环境的部署流程。
-
测试增强:改进了Python测试的异常输出,便于开发者快速定位问题。
-
依赖管理:明确了fury-test-core在Fury扩展中的测试依赖关系,避免了潜在的依赖冲突。
环境支持调整
移除了对Node.js 12的支持,建议用户升级到更新的Node.js版本以获得更好的性能和安全性。
技术深度解析
兼容性模式改进
在之前的版本中,当使用兼容模式序列化具有继承结构的类时,父类的字段可能会丢失。0.10.3版本彻底修复了这一问题,但这也带来了二进制兼容性的变化。对于生产系统,建议:
- 评估现有序列化数据是否需要迁移
- 考虑在升级期间实现双写双读策略
- 为关键数据结构添加版本标识
性能优化细节
变长整数读取的优化特别值得关注。在序列化框架中,变长编码是节省空间的重要手段。新版本确保在各种边界条件下都能正确读取36位的小整数,这对于处理大量数值型数据的场景尤为重要。
Protobuf支持的加入使得Fury能够更好地融入现有的微服务架构。开发者现在可以:
- 在需要极致性能的场景使用Fury原生序列化
- 在需要与现有Protobuf服务交互时使用Protobuf适配器
- 逐步迁移而无需重写所有序列化逻辑
升级建议
对于现有用户,升级到0.10.3版本时应注意:
- 全面测试继承结构的序列化/反序列化
- 检查Node.js环境是否满足新版本要求
- Python用户可受益于更简单的构建流程
- 考虑Protobuf集成带来的新可能性
Apache Fury 0.10.3版本在稳定性、兼容性和功能性方面都做出了显著改进,是生产环境值得考虑的升级选择。特别是对于需要处理复杂对象图和高性能序列化的场景,这些改进将带来明显的收益。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0113
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。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
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00