Was ist neu in Milvus 2.3.4
Im neuesten Update, Milvus 2.3.4, freuen wir uns, mehrere Verbesserungen vorzustellen, die die Verfügbarkeit und Benutzerfreundlichkeit unserer Vektordatenbankplattform verbessern. Mit Blick auf Entwickler konzentriert sich dieses Release darauf, Monitoring, Datenimport und Sucheffizienz zu optimieren.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Release Notes: https://milvus.io/docs/release_notes.md#234
🐳 Docker Image: docker pull
🚀 Release: Milvus-2.3.4
Wichtigste Highlights
📓Access Logs - Die Ergänzung von Access Logs in Milvus 2.3.4 markiert einen Schritt nach vorn bei unseren Monitoring-Funktionen. Diese Funktion zeichnet detaillierte Informationen über Interaktionen mit externen Schnittstellen auf, wie Methodennamen, Benutzeranfragen, Antwortzeiten und Fehlercodes. Sie ist besonders nützlich für Entwickler und Systemadministratoren, die tiefere Einblicke in die Systemleistung und Benutzerinteraktionen benötigen. Diese Logs sind entscheidend für die Diagnose von Problemen, die Feinabstimmung der Performance und die Steigerung der Systemzuverlässigkeit. Derzeit für gRPC-Schnittstellen verfügbar, planen wir, diese Funktion in zukünftigen Updates zu erweitern.
🗂️Unterstützung für Parquet-Dateien - Milvus 2.3.4 unterstützt jetzt den Import von Parquet-Dateien und verbessert damit unsere Datenverarbeitungsfähigkeiten. Das effiziente spaltenorientierte Speicherformat von Parquet ist ideal für groß angelegte Datenoperationen und bietet häufig eine bessere Komprimierung und verbesserte Abfrageleistung als zeilenbasierte Formate wie JSON, insbesondere bei komplexen und großen Datensätzen. Seine Fähigkeit, eine breite Palette von Datentypen zu verarbeiten, einschließlich verschachtelter und komplexer Strukturen, bietet Entwicklern ein vielseitiges Werkzeug zur Verwaltung unterschiedlicher Datenquellen. Diese Funktion wurde entwickelt, um Entwicklern mehr Optionen für ein effizientes und effektives Datenmanagement in Milvus zu bieten.
📖Binlog-Index auf wachsenden Segmenten - Ein herausragendes Feature von Milvus 2.3.4 ist die Einführung eines Binlog-Index auf wachsenden Segmenten. Diese Verbesserung steigert die Sucheffizienz und ermöglicht den Einsatz fortschrittlicher Indexierungstechniken wie IVF oder Fast Scann in den wachsenden Segmenten von Milvus. Sie ist besonders wertvoll, wenn Datensätze schnell wachsen, und stellt sicher, dass die Suchleistung mit dem Datenwachstum Schritt hält. Folglich sind Suchen innerhalb wachsender Segmente jetzt 10-mal schneller, was die Benutzererfahrung verbessert und die Latenz reduziert.
⬆️Weitere Verbesserungen: Milvus 2.3.4 umfasst in diesem Release eine Reihe von Verbesserungen auf der gesamten Plattform. Wir haben die Unterstützung für Collections/Partitionen von 4096 auf 10.000 erweitert, um komplexen Multi-Tenant-Umgebungen gerecht zu werden. Darüber hinaus bringt dieses Update eine verbesserte Speichereffizienz, klarere Fehlermeldungen, schnellere Datenladegeschwindigkeiten und eine verbesserte Query-Shard-Balance, was insgesamt für ein reibungsloseres und effizienteres Erlebnis sorgt.
Wir empfehlen Entwicklern, unsere Release Notes zu besuchen, um einen umfassenden Überblick über alle neuen Funktionen und Verbesserungen in Milvus 2.3.4 zu erhalten.
Abschließende Hinweise
Mit Milvus 2.3.4 setzen wir unsere Reise zur Weiterentwicklung der Vektordatenbanktechnologie fort. Dieses Update bringt durchdachte Verbesserungen, die auf die alltäglichen Bedürfnisse von Entwicklern zugeschnitten sind. Von verbesserten Suchfunktionen bis hin zu robusten Datenimportoptionen sind diese Tools darauf ausgelegt, Ihre Erfahrung mit Milvus zu verbessern 🛠️. Wir sind gespannt zu sehen, wie diese schrittweisen Verbesserungen Ihre Projekte im Bereich Vektordatenbanken erleichtern werden. Lassen Sie uns weiterhin innovativ sein und die Grenzen des Möglichen verschieben 🚀🌐.
Weiterlesen
Democratizing AI: Making Vector Search Powerful and Affordable
Zilliz democratizes AI vector search with Milvus 2.6 and Zilliz Cloud for powerful, affordable scalability, cutting costs in infrastructure, operations, and development.
The Great AI Agent Protocol Race: Function Calling vs. MCP vs. A2A
Compare Function Calling, MCP, and A2A protocols for AI agents. Learn which standard best fits your development needs and future-proof your applications.
Vector Databases vs. Object-Relational Databases
Use a vector database for AI-powered similarity search; use an object-relational database for complex data modeling with both relational integrity and object-oriented features.