AutoMQ 产品动态 | 发布 1.1.0,兼容至 Apache Kafka 3.7,支持 Kaf

本文涉及的产品
容器服务 Serverless 版 ACK Serverless,952元额度 多规格
容器服务 Serverless 版 ACK Serverless,317元额度 多规格
简介: AutoMQ 产品动态 | 发布 1.1.0,兼容至 Apache Kafka 3.7,支持 Kaf

2024年05-06月动态

01

云原生 Kafka 内核

AutoMQ 发布 1.1.0 版本,兼容 Apache Kafka 到 3.7 版本。

AutoMQ 采用存算分离的思路重构 Apache Kafka,计算层 100% 保留 Kafka 代码,可以更好、更快地适配 Apache Kafka 新版本。经过代码 Review、Chaos 测试和 500+ E2E 长时间验证,本月 AutoMQ 升级至 1.1.0 版本,适配 Kafka 到 3.7 版本。企业客户选择 AutoMQ 1.1.0 版本(Kafka 3.7 版本),可以获得如下更新和优化:Kafka Broker, Controller, Producer, Consumer

  • KIP-881:消费者分区分配支持 Rack-aware,节省跨 AZ 流量费用(3.5.0)

  • KIP-887:增加 EnvVarConfigProvider 支持从环境变量加载配置(3.5.0)

  • KIP-900:kafka-storage.sh API 增加对 KRaft SCRAM 验证支持(3.5.0)

  • KIP-890:事务消息服务端防御,避免特殊场景下的事务悬挂问题(3.6.0 / 3.7.0)

  • KIP-797:IPv4/IPv6 支持绑定到相同端口(3.6.0)

  • KIP-863:CompletedFetch#parseRecord 内存拷贝优化(3.6.0)

  • KIP-868:KRaft 支持以事务模式提交一系列 Records(3.6.0)

  • KIP-714:新增多语言统一的客户端 Metrics,提供从服务端查询客户端 Metrics 的能力(3.7.0)

  • KIP-848:(Early Access)下一代消费者重平衡协议(3.7.0)

  • KIP-951:客户端分区 Leader 发现优化,降低发送/消费的时间(3.7.0)

  • KIP-580:客户端指数退避重试(3.7.0)

Kafka Streams

  • KIP-889:新增 Versioned State Stores 提升在乱序场景下的 join 准确性(3.5.0)

  • KIP-923:为流表 Join 添加宽限期提升乱序处理能力(3.6.0)

  • KIP-941:Range 查询上下界支持 null(3.6.0)

  • KIP-925:Kafka Streams 支持 Rack aware 任务分配(3.7.0)

  • KIP-954:扩展默认的 DSL 存储配置支持自定义类型(3.7.0)

  • KIP-968:Versioned State Stores 新增 IQ 支持(3.7.0)

  • Kafka Connect

  • KIP-710:MirrorMaker 2.0 支持分布式模式(3.5.0)

  • KIP-898:Connect 插件服务发现能力增强(3.6.0)

  • KIP-976:新增集群维度动态日志等级调节(3.7.0)

  • KIP-980:支持创建停止状态的 Connectors(3.7.0)

更多关于新版本的升级优化,请参考https://downloads.apache.org/kafka/3.7.0/RELEASE_NOTES.html。

支持阿里云 Regional ESSD,更低的多 AZ 故障 RTO。

阿里云作为国内领先的云厂商,6 月发布 Regional ESSD(区域级块存储)。AutoMQ 进一步发挥云存储的优势,在 1.1.0 版本宣布支持 Regional ESSD,为客户在多 AZ 容灾场景下提供更低的故障 RTO 。

关于 Regional ESSD 的使用最佳实践,可以参考文末链接,联系我们。

02
产品能力升级

支持 Kafka ACL,自由配置 ACL 策略实现细粒度访问授权。

ACL 功能支持用户对集群、Topic、Consumer Group 以及 Transaction ID 进行细粒度访问控制。AutoMQ 同时对 Kafka ACL 进行操作简化,方便企业客户快速根据生产、消费和管理等多种场景进行角色授权。

支持 on K8s 部署,企业客户基于 Helm Chart 一键即可部署 AutoMQ。

企业客户基于 K8s 部署应用成为主流,AutoMQ 将存储分离至对象存储服务,计算层完全无状态,天然适合部署到 K8s 上。本月上线的 1.1.0 版本支持企业客户基于 Helm Chart 一键部署 AutoMQ 集群,并可以快速扩展和缩容。

如需体验了解 AutoMQ on K8s 部署,欢迎通过文末链接联系我们,获取支持。

AutoMQ 升级全新 Cloudscape UI,用户自助操作体验再提升。

本月 AutoMQ 环境控制台界面全部升级至 Cloudscape UI,进一步规范了操作组件和通用流程,新增自描述的帮助说明、用户自助操作体验再提升。

目录
相关文章
|
9天前
|
消息中间件 监控 Kafka
Apache Kafka 成为实时数据流处理的关键组件
【10月更文挑战第8天】随着大数据技术的发展,Apache Kafka 成为实时数据流处理的关键组件。Kafka Manager 提供了一个简洁易用的 Web 界面,方便管理和监控 Kafka 集群。本文详细介绍了 Kafka Manager 的部署步骤和基本使用方法,包括配置文件修改、启动服务、创建和管理 Topic 等操作,帮助你快速上手。
21 3
|
12天前
|
消息中间件 存储 druid
大数据-156 Apache Druid 案例实战 Scala Kafka 订单统计
大数据-156 Apache Druid 案例实战 Scala Kafka 订单统计
28 3
|
12天前
|
消息中间件 druid 大数据
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
21 2
|
12天前
|
消息中间件 分布式计算 druid
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
37 1
|
14天前
|
消息中间件 JavaScript 前端开发
用于全栈数据流的 JavaScript、Node.js 和 Apache Kafka
用于全栈数据流的 JavaScript、Node.js 和 Apache Kafka
35 1
|
16天前
|
消息中间件 druid Kafka
从Apache Flink到Kafka再到Druid的实时数据传输,用于分析/决策
从Apache Flink到Kafka再到Druid的实时数据传输,用于分析/决策
43 0
|
2月前
|
消息中间件 存储 关系型数据库
实时计算 Flink版产品使用问题之如何使用Kafka Connector将数据写入到Kafka
实时计算Flink版作为一种强大的流处理和批处理统一的计算框架,广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器,提供了一套全面的解决方案,以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点,使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。
|
6天前
|
消息中间件 存储 运维
为什么说Kafka还不是完美的实时数据通道
【10月更文挑战第19天】Kafka 虽然作为数据通道被广泛应用,但在实时性、数据一致性、性能及管理方面存在局限。数据延迟受消息堆积和分区再平衡影响;数据一致性难以达到恰好一次;性能瓶颈在于网络和磁盘I/O;管理复杂性涉及集群配置与版本升级。
|
14天前
|
消息中间件 Java Kafka
Flink-04 Flink Java 3分钟上手 FlinkKafkaConsumer消费Kafka数据 进行计算SingleOutputStreamOperatorDataStreamSource
Flink-04 Flink Java 3分钟上手 FlinkKafkaConsumer消费Kafka数据 进行计算SingleOutputStreamOperatorDataStreamSource
18 1
|
2月前
|
消息中间件 Java Kafka
Kafka不重复消费的终极秘籍!解锁幂等性、偏移量、去重神器,让你的数据流稳如老狗,告别数据混乱时代!
【8月更文挑战第24天】Apache Kafka作为一款领先的分布式流处理平台,凭借其卓越的高吞吐量与低延迟特性,在大数据处理领域中占据重要地位。然而,在利用Kafka进行数据处理时,如何有效避免重复消费成为众多开发者关注的焦点。本文深入探讨了Kafka中可能出现重复消费的原因,并提出了四种实用的解决方案:利用消息偏移量手动控制消费进度;启用幂等性生产者确保消息不被重复发送;在消费者端实施去重机制;以及借助Kafka的事务支持实现精确的一次性处理。通过这些方法,开发者可根据不同的应用场景灵活选择最适合的策略,从而保障数据处理的准确性和一致性。
159 9

推荐镜像

更多