TDengine 3.2.3.0 版本发布,流计算等八大板块功能更新

本文涉及的产品
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
云数据库 Tair(兼容Redis),内存型 2GB
简介: 据了解,3.2.3.0 版本涉及到的更新内容包括流计算、传输压缩、授权机制、监控、数据接入、Explorer、性能优化、运维优化八大模块。

自发布以来,TDengine 3.0 版本在研发人员和社区用户的共同努力下不断优化,产品的稳定性和易用性获得了大幅提升,在知轮科技的智慧轮胎系统黑格智能 3D 打印业务韵达快递业务中国地震台网中心中移物联智慧出行场景等众多企业项目中获得了成功应用。近期,TDengine 3.2.3.0 成功发布,本文将向大家简单介绍一下该版本涉及到的重大更新。

据了解,3.2.3.0 版本涉及到的更新内容包括流计算、传输压缩、授权机制、监控、数据接入、Explorer、性能优化、运维优化八大模块。具体更新信息展示如下。

开源的时序数据库功能更新(所有版本同步更新)

1、计数窗口(Count Window)

TDengine 流式计算新增对计数窗口的支持。计数窗口会按照固定的个数,对一段数据集进行截取。

window_clause: {
      SESSION(ts_col, tol_val)
      | STATE_WINDOW(col)
      | INTERVAL(interval_val [, interval_offset]) [SLIDING (sliding_val)] [FILL(fill_mod_and_val)]
      | EVENT_WINDOW START WITH start_trigger_condition END WITH end_trigger_condition
      | COUNT_WINDOW(count_val[, sliding_val])
    }

典型场景示例:在公路的收费站,每通过一辆车就产生一条记录,可通过计数窗口实时显示车辆密集程度。

CREATE STREAM  stream_name
    TRIGGER at_once IGNORE EXPIRED 1 IGNORE UPDATE 0 WATERMARK 100s
    INTO stream_stb_name
    AS
        SELECT _wstart AS ts, count(*) c1, sum(b), max(c)
        FROM st
        PARTITION BY tbname, ta, a
        COUNT_WINWOW(9);

相关技术文档请移步至 https://docs.taosdata.com/taos-sql/stream/#%E5%88%9B%E5%BB%BA%E6%B5%81%E5%BC%8F%E8%AE%A1%E7%AE%97 查看。

2、传输压缩

RESTful / WebSocket 协议下的传输压缩:该扩展允许在 RESTful / WebSocket 连接上对消息进行压缩,以减少传输的数据量,提高性能。

3、监控

TDengine 监测:功能重构,包括 taosd 资源信息、业务统计信息、慢查询和一些健康信息。

4、性能优化

  • 多表低频场景查询优化
  • Last 遗留问题
  • last() / last_row()同时查询时的性能优化

5、运维优化

  • 副本数目修改(alter replica):通过 learner 机制,把读写阻塞时间缩短为成员变更时间
  • 副本节点迁移(redistribute vgroup):通过 learner 机制,把读写阻塞时间缩短为成员变更时间
  • 节点删除(drop dnode):空 dnode,无论是否在线均可正常删除

TDengine Enterprise(企业级功能更新)

1、TDengine 授权机制

  • 采用单一授权码,覆盖所有现存组件,提供自定义授权项以便支持新增组件
  • 支持按功能授权
  • 支持通过 cluster ID 授权
  • 支持完整授权和叠加授权

2、传输压缩

  • 从 taosX Agent 到 taosX 的数据传输压缩
  • 基于 taosX 进行 TDengine 同步复制时的数据传输压缩

3、监控

taosX 监控:包括资源信息、业务统计信息、健康信息、任务状态。

4、数据接入

  • Wonderware Historian -> TDengine 3.0
  • taosX 可观测性
  • 数据源统一参数 Advanced Options
  • CSV 支持更多配置参数
  • OPC 点位过滤和下载机制优化
  • 2.6->3.0 数据复制与同步支持新建表自动同步
  • Transformer 用户体验优化

5、Explorer

  • 支持 HTTPS
  • 可以查询任务日志

6、性能优化

  • Pi -> TD 性能优化
  • OPC -> TD 性能优化
  • 多表低频数据迁移性能优化(2.6->3.0)

7、运维优化

虚拟节点组分裂(split vgroup):通过 learner 机制,把读写阻塞时间缩短为子表元数据重整以及成员变更时间。

除此之外,每个版本都会做很多其他的工作,比如 bug 修复、功能优化等等。如果想要了解新版本(时序数据库功能更新)更加详细的发布信息,可以移步至 https://github.com/taosdata/TDengine/releases/tag/ver-3.2.3.0 查看发布说明。

欢迎大家下载使用,也欢迎在评论区提出建议和意见,如有任何问题请及时联系我们获得支持。

目录
相关文章
|
机器学习/深度学习 自然语言处理 算法
跨模态学习能力再升级,EasyNLP电商文图检索效果刷新SOTA
本⽂简要介绍我们在电商下对CLIP模型的优化,以及上述模型在公开数据集上的评测结果。最后,我们介绍如何在EasyNLP框架中调用上述电商CLIP模型。
|
6月前
|
JSON 前端开发 Java
微服务——SpringBoot使用归纳——Spring Boot中的MVC支持——@RequestMapping
@RequestMapping 是 Spring MVC 中用于请求地址映射的注解,可作用于类或方法上。类级别定义控制器父路径,方法级别进一步指定处理逻辑。常用属性包括 value(请求地址)、method(请求类型,如 GET/POST 等,默认 GET)和 produces(返回内容类型)。例如:`@RequestMapping(value = "/test", produces = "application/json; charset=UTF-8")`。此外,针对不同请求方式还有简化注解,如 @GetMapping、@PostMapping 等。
281 0
|
机器学习/深度学习 数据采集 算法
【BetterBench博士】2024华为杯C题:数据驱动下磁性元件的磁芯损耗建模 Python代码实现
本文介绍了2024年中国研究生数学建模竞赛C题的详细分析,涵盖数据预处理、特征提取、模型训练及评估等多个方面。通过对磁通密度数据的处理,提取关键特征并应用多种分类算法进行波形分类。此外,还探讨了斯坦麦茨方程及其温度修正模型的应用,分析了温度、励磁波形和磁芯材料对磁芯损耗的影响,并提出了优化磁芯损耗与传输磁能的方法。最后,提供了B站视频教程链接,供进一步学习参考。
926 7
【BetterBench博士】2024华为杯C题:数据驱动下磁性元件的磁芯损耗建模 Python代码实现
|
8月前
|
弹性计算 Ubuntu Java
OS-Copilot-ubuntu镜像版本的具体测试使用(安装方式有单独注明)
作为一名个人开发者,我主要负责云资源的运维和管理。在使用OS Copilot的过程中,我遇到了一些配置问题,特别是在ECS实例中设置AccessKey时,但最终成功解决了。通过使用OS Copilot的-t/-f/管道功能,我大大提升了效率,减少了命令编写的工作量,特别是在搭建Java运行环境时效果显著。此外,| 功能帮助我快速理解文档,整体体验非常流畅,推荐给其他开发者使用。
200 6
|
7月前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【Conv和Transformer】| GRSL-2024最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰
RT-DETR改进策略【Conv和Transformer】| GRSL-2024最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰
211 19
RT-DETR改进策略【Conv和Transformer】| GRSL-2024最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰
|
10月前
|
前端开发 UED
next/dynamic的动态导入
next/dynamic的动态导入
|
9月前
|
SQL 人工智能 自然语言处理
PolarDB-PG AI最佳实践 1:基础能力实践
Polar_AI 是 PolarDB 数据库的 AI 扩展,集成了先进的人工智能模型和算法,使数据库能够执行机器学习和自然语言处理任务。它支持 PostgreSQL 及 Oracle 兼容版本,通过标准 SQL 轻松调用 AI 模型,具备简单易用、灵活可定制、无缝数据融合、数据安全和高性能等优势。用户可以通过 SQL 快速实现文本转向量、情感分类等功能,并能自定义扩展 AI 模型。
单模、多模能混合使用吗?这篇给您讲明白!
单模、多模能混合使用吗?这篇给您讲明白!
324 5
|
Linux 开发工具
成功解决:CentOS 7中如何配置修改Vim
这篇文章介绍了如何在CentOS 7系统中配置和修改Vim编辑器的设置。文章首先指导读者如何检查Vim是否已经安装,如果未安装完全,提供了安装Vim的命令。接着,文章详细说明了如何编辑`/etc/vimrc`文件来配置Vim,包括设置显示行号、显示当前模式、光标位置信息、自动缩进和语法高亮等。最后,文章通过对比展示了配置前后使用vi和vim打开相同文本的效果差异,强调了Vim配置后的优势。
成功解决:CentOS 7中如何配置修改Vim
|
机器学习/深度学习 存储 人工智能
另一种替代Transformer架构将得到有意义的采用
【1月更文挑战第15天】另一种替代Transformer架构将得到有意义的采用
864 2
另一种替代Transformer架构将得到有意义的采用